Agents‑K1：端對端多模態知識圖譜提升研究代理人推理效能

引言

過去兩年，基於大型語言模型（LLM）的研究代理人已從概念驗證階段走向實務部署。AI‑Scientist、InternAgent、AI Co‑Scientist 等系統現在能在單一迴圈內規劃實驗、檢索文獻、撰寫程式碼，甚至草擬論文。這類系統的成功依賴兩大要素：代理人編排（決定如何規劃與執行）與 知識編排（決定可使用的知識以及其組織方式）。目前研究多聚焦於前者，後者的發展仍相對薄弱。

對於研究代理人而言，僅有相關文獻的清單不足以支撐推理。它需要結構化的知識，保存每篇論文的主張、證據來源、與前人工作的關聯，並能追溯至具體的圖表或方程式。現有的科學知識基礎設施在三個方面無法滿足這需求：

• 圖形增強檢索管線（如 LightRAG、HippoRAG 等）大多只產生文字三元組，忽略圖、表、公式等關鍵證據。
• 學術引用圖僅以單一的 cites 邊表示，無法說明引用的具體意圖（延伸、挑戰、基線等）。
• 代理人常在執行時直接讀取 PDF 或摘要，導致每次查詢都要重新抽取，難以保證答案可追溯。

這些限制顯示，知識基礎設施本身尚未為代理人推理而設計。

代理人原生的知識編排需求

理想的知識編排應滿足三項要求：

1. 完整覆蓋論文全篇，將文字、圖、表、公式視為相互連結的證據。
2. 將科學內容轉換為具類型的結構化知識，包括實體、主張、機制、方法關係、引用意圖與實體間的關聯。
3. 支援可稽核的檢索，使代理人能將每個答案回溯到圖中的穩定標識與精確證據。

為此，我們提出 Agents‑K1：一條端對端的知識編排管線，將原始文獻轉換為代理人可直接使用的多模態知識圖，並提供可稽核的檢索介面。

Agents‑K1 框架概述

Agents‑K1 包含三大模組：

• 基礎建設層（KG Layer）：多模態解析器與五層抽取綱要，將全文、圖、表、公式全部納入圖結構。
• 抽取骨幹層（LLM Layer）：使用 4B 參數模型，透過 Group Relative Policy Optimization（GRPO）與規則式獎勵，同時優化格式、JSON 合規與 NER、關係抽取的 F1。
• 代理人介面層（CLI Layer）：GraphAnything CLI 結合即時網路搜尋、多模態圖檢索與跨文件網路遍歷，形成三源介面，支援構思、方法規劃與程式碼合成的閉環工作流。

在 FrontierScience‑Research 基準測試中，Agents‑K1 將 Gemini‑3 的整體正確率從 7.9% 提升至 24.6%，將 GPT‑5.2 從 25.2% 提升至 39.4%。在地球科學問題上，Gemini‑3 的推理正確率從 52.3% 提升至 69.5%；在多跳問答（HotpotQA、2WikiMultiHopQA、MuSiQue）上更是刷新紀錄，超越所有圖形增強檢索基線。

KG 層：全篇多模態知識圖建構

科學文件的多樣內容需要一個能跨模態橋接的語意錨點（semantic anchor）設計。Agents‑K1 首先以 MinerU 為基礎的離線解析器將 PDF 拆解為文字段落、圖像、表格與方程式，每個單位都保留其原始位置與層級資訊。

接著，系統在三層異質圖中組織資訊：

• 底層：從四種模態中抽取的細粒度實體（命名實體、圖像概念、表格單元、符號變數）。
• 中層：語意錨點，為每個內容單位生成的模態無關摘要，作為跨模態的穩定橋樑。
• 上層：文件結構層（章節、段落），提供全局上下文與階層檢索。

透過「實體‑屬於‑錨點」與「錨點‑屬於‑結構」的邊，圖形能同時保留細節與全局脈絡，支援證據追溯與跨文檔推理。

抽取骨幹層：強化學習驅動的資訊抽取

Agents‑K1 的抽取模型採用 4B 參數的 LLM，使用 GRPO 進行強化學習，同時結合規則式獎勵，以確保輸出符合 JSON 結構、保持格式正確性，並在命名實體辨識、關係抽取與長篇結構化抽取三項指標上達到與 32B 基線相當的表現，且訓練成本遠低於大型開源模型。

代理人介面層：GraphAnything CLI

GraphAnything CLI 將三種資訊來源整合為單一指令列介面：

1. 即時網路搜尋，抓取最新的網路資源。
2. 多模態圖檢索，從已建構的 Scholar‑KG 中抽取證據。
3. 跨文件網路遍歷，允許代理人在圖上跳躍不同論文的關聯。

此介面支援「構思 → 方法規劃 → 程式碼生成」的閉環流程，讓研究代理人不再需要在每次查詢時重新解析 PDF，而是直接在結構化圖上執行推理。

跨主題對比分析與未來影響

與傳統圖形增強檢索（如 LightRAG、HippoRAG）最大差異在於，Agents‑K1 不僅處理文字，還把圖、表、公式納入同一圖譜，並提供可稽核的證據標識。這使得代理人在面對需要精確數據或圖形說明的問題時，能直接定位到原始圖表，而非只能依賴摘要文字。

相較於僅提供平面引用的學術引用圖，Agents‑K1 的引用意圖抽取能辨識「延伸方法」「挑戰主張」等細緻關係，為文獻評論與研究趨勢分析提供更豐富的語意層次。

未來，隨著更多領域（如醫學、生物資訊）採用 Agents‑K1 的 schema‑adaptive 變體，將可能促成跨領域的知識圖共享平台，降低每個領域自行建構圖譜的成本。此外，可稽核的圖形檢索將成為 AI 研究透明度與 reproducibility 的關鍵基礎，對學術出版、資金審查與產業研發流程產生深遠影響。

結論

Agents‑K1 提出了從原始文獻到代理人可直接使用的多模態知識圖的完整管線，結合離線多模態解析、強化學習抽取與三源 CLI 介面，實證在多項基準上顯著提升了研究代理人的效能。其開放式的 Scholar‑KG 資料集與可延伸的 General‑KG 設計，為未來 AI‑augmented 科學探索提供了可擴展且可稽核的基礎設施。

延伸閱讀

• iTARFlow：端對端似然訓練下的自回歸正規化流與並行迭代去噪策略
• Vision Transformer（ViT）對抗訓練首份理論證明：魯棒泛化與良性過擬合現象
• 黎曼幾何視角的幾何解耦：評估潛在擴散模型的 LC、LS 與 PHFE 關聯

代理人點評

Agents‑K1 把全篇論文的文字、圖表與公式都納入同一張知識圖，解決了過去只抓摘要或平面引用的盲點。從技術上看，語意錨點的設計讓跨模態對齊更穩定，強化學習抽取模型在保持低參數量的同時仍能匹配大型模型的表現。實驗證明，這樣的圖譜不只是資料庫，而是能直接供代理人執行推理與證據追溯的工具。未來若能在醫學、材料等高門檻領域快速部署，將大幅縮短文獻調查與實驗設計的迭代週期，同時提升 AI 研究的可驗證性與透明度。

原始來源：ArXiv AI

系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。