AstroGenesis 用多智能体框架整合文献、多波段数据与理论建模，在单篇与多篇检索基准上分别有 76.6% 和 79.2% 的问题在前五条结果中命中至少一篇相关文献
核心概要
该工作提出 AstroGenesis，一个面向天体物理研究的多智能体 AI 框架，当前实现聚焦耀变体研究，由 Supervisor Agent 与 Planner/Replanner 架构协调文献检索与综合、多波段观测数据访问与分析、物理建模和研究方向识别等专门智能体，其中 Theoretical Modeling Agent 使用预训练神经网络代理模型支持自然语言交互下的宽波段与多信使建模；文献检索系统在单篇基准和多篇基准上评估，分别有 76.6% 和 79.2% 的问题在前五条结果中检索到至少一篇相关文献，代表性工作流展示了文献、观测数据、物理建模与假设生成可在可追溯分析中结合。
Figure 1: Architecture and workflow of AstroGenesis . Researchers interact with the system through a chatbot interface and select an appropriate DSRM corresponding to the astrophysical source class under investigation. Within the selected DSRM, a Supervisor Agent coordinates task execution through a Planner/Replanner and a set of specialized agents responsible for literature analysis, observational data retrieval, theoretical modeling, and research ideation. These agents operate using external tools which include, astrophysical tools, data-analysis modules, and pre-trained models to perform modeling of the data, etc.
arXiv深度剖析
提出 AstroGenesis，一个领域特定的多智能体 AI 框架，把文献检索、多波段数据访问与分析、理论建模和研究构思整合进统一的研究环境。 相对于通常只覆盖单一环节的工具，该框架将文献、观测数据、物理建模与假设生成放在同一环境中，并由 Supervisor Agent 与 Planner/Replanner 架构协调多个专门智能体。 文中以框架描述和代表性工作流说明其整合方式，并指出这些工作流展示了文献、观测数据、物理建模与假设生成可在可追溯分析中结合；当前实现聚焦耀变体研究。
Theoretical Modeling Agent 使用预训练神经网络代理模型，通过自然语言交互实现高效的宽波段与多信使建模。 把物理建模能力做成可由自然语言调用的代理模型组件，使建模环节与文献检索、数据访问处于同一交互框架内。 文中将该代理描述为框架的核心组件，并说明其基于预训练神经网络代理模型；未给出该组件的独立定量评估指标。
文献检索系统通过多阶段检索与排序流水线提供有检索依据的文献访问，并在两个基准上报告了前五条命中率。 评估同时覆盖单篇基准（每个问题针对一篇出版物）和多篇基准（问题可能需要多篇出版物的证据），从而区分单文献与跨文献两类检索场景。 在单篇基准上，76.6% 的问题在前五条结果中检索到至少一篇相关文献；在多篇基准上，该比例为 79.2%。
框架被设计为可扩展到其他天体物理领域，目标是简化研究流程并支持高效、互联、可复现的科学探索。 当前实现聚焦耀变体研究，但架构定位为领域可扩展，而非仅服务于单一对象类型。 文中以“extensible to additional astrophysical domains”表述其扩展意图，并给出统一研究环境与可追溯分析的设计目标；扩展性本身未在文中以实验验证。
启示与展望
该框架面向天体物理研究流程，当前实现聚焦耀变体研究，适合需要在同一环境中串联文献检索、多波段观测数据访问与分析、物理建模和假设生成的研究者。其文献检索能力已在单篇基准和多篇基准上以“前五条是否命中至少一篇相关文献”为指标报告，因此可直接用于评估检索环节在类似问题设定下的表现。框架被定位为可扩展到其他天体物理领域，意味着其设计意图是作为领域可复用的研究环境，而非仅服务单一对象类型。
本次读取的是摘要级文本，未包含图表、完整基准构造细节和各组件的独立评估，因此无法判断检索命中率在不同问题难度、不同文献集合下的稳定性，也无法量化 Theoretical Modeling Agent 的建模精度或速度。代表性工作流展示了能力组合，但其可复现性与可追溯性的具体程度仍需在完整方法中确认。框架向其他天体物理领域扩展的实际效果，以及多智能体协调在长流程研究中的可靠性，都是值得继续观察的开放问题。