Agents-K1：面向智能体原生的知识编排框架

📋 摘要 Abstract

当前基于 LLM 的科研智能体（Research Agent）在智能体编排（Agent Orchestration）方面已取得长足进步——如 AI-Scientist、InternAgent、AI Co-Scientist 等系统可以规划实验、检索文献、编写代码、撰写论文。然而，另一个关键维度——知识编排（Knowledge Orchestration）——却被严重忽视。

现有系统往往将论文简化为摘要和扁平的引用关系，遗漏了科学推理所必需的关键实体、论断、证据、机制和方法谱系。本文提出的 Agents-K1 是首个端到端的智能体原生知识编排流水线，将原始文档转化为面向智能体的多模态科学知识图谱。

Agents-K1 集成三大组件：（1）多模态解析器，五模块 Schema 捕获实体、多模态证据、引用和类型化实体关系；（2）4B 参数信息提取骨干，基于 GRPO 强化学习训练；（3）GraphAnything CLI，三源智能体接口统一 Web 搜索、多模态图检索和跨文档遍历。基于此，处理了 246 万篇跨六大学科的论文，产出 Scholar-KG 知识图谱（已开源 100 万篇子集）。

🔍 研究背景 Background

科研智能体的能力取决于两个维度：智能体编排（Agent Orchestration）决定智能体如何规划和行动，知识编排（Knowledge Orchestration）决定智能体能使用什么知识、以及知识如何组织。近年来，前者（如 ReAct、Reflexion、InternAgent 等框架）发展迅速，但后者——即知识基础设施——却严重滞后。

现有科学知识基础设施存在三个关键缺陷：

• 信息丢失：GraphRAG、LightRAG、HippoRAG 等图增强检索系统通常只提取文本三元组，忽略了图表、公式等关键证据，核心实体、论断和方法关联仍埋藏在全文中
• 引用扁平化：学术引用图谱仅使用扁平的 "cites" 边，无法区分是扩展方法、挑战论断还是仅仅引用基线
• 重复提取：科研智能体在运行时反复从 PDF 提取信息，每次查询都重新解析，难以将答案溯源到精确证据

⚙️ 方法论 Methodology

Agents-K1 通过三个协同组件解决知识编排问题，将离线知识构建与在线智能体推理分离：

1. KG 层：端到端科学知识图谱构建

核心创新是语义锚点（Semantic Anchor）设计——一个中间抽象层，作为跨模态的桥梁，让不同模态的实体通过共享语义锚点连接，而非直接跨模态对齐。

五模块 Schema 设计：

• 模块 A（元数据实体）：论文标题、DOI、作者、机构、出版信息等低方差可验证元数据，支持去重和溯源
• 模块 B（文本提及实体）：任务、方法、数据集、指标、基线、实现细节等显式科学对象，通过同义词识别和规范化链接到统一概念
• 模块 C（隐式抽象实体）：通过修辞角色标注和话语解析，综合问题定义、动机、贡献、假设、发现、机制、局限性等高层知识
• 模块 D（引用关系）：编码引用意图（支持/对比/扩展/背景）、引用强度、引用证据，而非扁平的 "cites" 边
• 模块 E（实体间知识关系）：将粗粒度抽象细化为细粒度三元组，包括受控关系（BUILDS_ON、SOLVES 等）和开放关系（CAUSES、ENABLES 等）

2. LLM 层：强化学习信息提取骨干

训练了一个 4B 参数的信息提取模型，使用 GRPO（Group Relative Policy Optimization）和规则奖励，联合监督格式合规性、JSON 有效性和任务条件 F1（NER、关系提取、长文本结构化提取）。该模型在 10 个基准上超越 8B 开源参考模型，在 NER 上匹配 32B 基础模型，同时训练成本极低。

此外还引入了技能库机制（Skill Library）：从少量金标文档出发，通过 rollout→分类→路径归纳→事后推理四阶段循环，自动积累领域特定提取模式。冷启动新领域无需 GPU 训练，且所有技能可审计、可版本控制。

3. CLI 层：GraphAnything 三源智能体接口

将构建好的知识图谱转化为科研智能体可用的工具接口，核心是三源检索融合机制：

• Web 搜索（S_web）：通过 arXiv、Semantic Scholar 等获取最新论文，覆盖图谱尚未收录的新工作
• 多模态图检索（S_mmkg）：基于语义锚点的混合检索，图表公式作为一等证据进入智能体循环
• 知识网络遍历（S_kn）：跨文档推理，通过确定性图原语（邻居展开、最短路径、PageRank 等）实现方法谱系追踪

三源融合采用 ID-Respecting 设计：可链接到图谱实体的记录通过稳定节点 ID 实现哈希连接，保证跨源融合的精确性。

📊 关键结果 Key Results

Agents-K1 在四个维度上进行了全面评估：跨域提取质量、智能体科学问答、多跳推理和提取模型对比。

跨域知识提取质量

在 246 万篇论文的 Scholar-KG 上，使用 LLM-as-Judge 评估协议（DeepSeek-V3 作为专家评判），跨六个学科的表现：

智能体科学问答

在 FrontierScience-Research 基准上，Agents-K1 CLI 显著提升了主流 LLM 的科研推理能力：

在地球科学研究问答上，Gemini-3 的推理准确率从 52.3% 提升至 69.5%。

多跳问答

在 HotpotQA、2WikiMultiHopQA 和 MuSiQue 三个标准多跳 QA 基准上，Agents-K1 达到了 SOTA 性能，超越 9 个图增强检索基线。

提取模型对比

4B 提取模型在 10 个基准上：

• 超越 8B 开源参考模型（Qwen-8B）
• 在 NER 任务上匹配 32B 基础模型
• 训练成本远低于大模型，且可通过技能库零成本冷启动新领域

💡 个人见解 Insights

这篇论文切中了科研智能体的一个被忽视但至关重要的瓶颈——知识基础设施。在当前"更大的模型 = 更好的智能体"的叙事下，作者提出了一个务实且深刻的观点：智能体的推理能力再强，如果知识基础是散乱的 PDF 和扁平的引用图，推理质量也无法保证。

• 优势：（1）五模块 Schema 设计非常全面，将论文从"摘要+引用"扩展为包含元数据、显式实体、隐式抽象、引用意图和细粒度知识关系的完整图谱；（2）语义锚点设计巧妙，避免了脆弱的跨模态直接对齐；（3）4B 模型+GRPO+技能库的组合让大规模提取既准确又经济，冷启动新领域无需 GPU；（4）Scholar-KG 的 100 万篇开源子集是宝贵的社区资源。
• 不足：（1）图谱构建仍依赖 MinerU 解析器的 PDF 解析质量，对于排版复杂的论文可能有信息损失；（2）技能库的金标文档需要人工标注，虽然量小（10-20 篇/领域）但仍需人工介入；（3）评估主要使用 LLM-as-Judge（DeepSeek-V3），可能存在评判偏差；（4）三源融合的 ID-Respecting 设计假设图谱覆盖率足够高，对于图谱外的新实体只能作为文档级证据。
• 启发：这项工作暗示了一个更广泛的研究方向——知识编排应该成为科研智能体的一等公民，而非附带功能。Agents-K1 的三层架构（KG→LLM→CLI）提供了一个可复用的模板：离线构建可靠的知识表示，在线使用结构化知识进行证据溯源推理。这种"先建知识基础设施，再做智能体推理"的范式，可以推广到法律、医学、工程等任何需要深度文献理解的领域。

🔗 参考资料 References