[LG]《The Denario project: Deep knowledge AI agents for scientific discovery》F Villaescusa-Navarro, B Bolliet, P Villanueva-Domingo, A E. Bayer... [Flatiron Institute & University of Cambridge & Universitat Autonoma de Barcelona] (2025)

Denario是一个基于多智能体的大型语言模型（LLM）科学研究助手，旨在加速科学发现。它具备从生成研究想法、查阅文献、制定研究计划，到编写与执行代码、绘制图表、撰写并审阅科学论文的多项功能。Denario采用模块化架构，可单独执行各任务或端到端完成科研流程。

【核心架构与技术】

- 采用多种LLM（如OpenAI的gpt系列、Google的Gemini、Anthropic的Claude）驱动不同智能体执行特定任务。

- 智能体通过AG2和LangGraph两个框架实现精细的任务分解与协作，支持规划与控制策略（Planning & Control），以保证复杂科研任务的系统化执行。

- 各模块包括：Idea（想法生成）、Literature（文献检索）、Methods（方法设计）、Analysis（数据分析）、Paper（论文写作）、Review（同行评审）。

【应用示例】

Denario已成功在多学科领域生成高质量科研论文草稿，涵盖数学物理、行星科学、医学、化学、天体物理、生物学、数字健康、生物物理、神经科学、材料科学、量子物理与宇宙学等。部分案例：

- 利用物理信息神经网络（PINNs）深度分析非线性偏微分方程的解空间结构。

- 行星科学中系统地绘制小行星带的尺寸及成分梯度。

- 医学领域评估美国辅助生殖技术诊所的成功率和波动。

- 通过分子动力学模拟揭示自组装肽的多尺度结构和聚集稳定性。

- 天体物理中分析多模型预测的高质量双黑洞合并事件。

- 生物学领域对疟疾单细胞RNA测序数据的深入解析。

【优势与局限】

优势：

- 快速生成多样化科研方案，助力探索广泛思路。

- 输出内容包括代码、数据和论文草稿，增强科研透明度和可复现性。

- 可跨学科融合方法，拓展创新边界。

局限：

- 论文深度及创新性相当于优秀本科或早期研究生水平。

- 存在代码执行失败、文献引用不精准、LaTeX格式错误等问题。

- 在纯数学等领域难以生成严谨逻辑和有效证明。

- 需要用户投入引导与校验，避免错误传播。

【伦理与科学哲学思考】

- Denario引发对科研质量、学术训练、作者身份与责任的伦理讨论。

- AI生成科研成果可能导致同质化，抑制范式转变与创新。

- AI作为新型“研究程序”的介入，挑战传统科学知识的定义与价值观。

- 需要平衡AI辅助与人类专家判断，确保科学研究的真实性和多样性。

【未来展望】

- 增强系统稳定性与多任务并行能力。

- 加强论文写作模块与文献检索的深度整合。

- 支持本地开源模型，降低使用门槛。

- 开发更完善的评估体系，推动科研助手质量提升。

- 探索AI与人类协同创新的新范式。

【使用方式】

- 提供Python API和图形化界面（本地及云端），用户通过输入数据描述文本即可调用。

- 支持从想法生成、文献检索，到分析执行、论文撰写、同行评审的全流程自动化操作。

Denario代表了深度学习与多智能体技术在科学研究领域的最新尝试，作为辅助工具，它可以极大提升科研效率，助力科学家聚焦更具创新性的深层次问题。完整文档、示例论文及代码均已开源，期待科研社区共同推动其发展。

详见论文：