Agents-K1：构建面向智能体的原生科学知识图谱系统

本文介绍Agents-K1——一个端到端的知识编排管道，旨在将原始科学文档转换为智能体原生的知识图谱。该系统解决了当前LLM研究智能体在科学知识编排上的不足，核心包含多模态解析器、40亿参数信息抽取模型和统一检索接口，并基于此构建了覆盖246万篇跨学科论文的Scholar-KG大规模知识图谱，为智能体的科学推理能力奠定基础。来源：arXiv 2026年6月发布，原始标题《Agents-K1: Towards Agent-native Knowledge Orchestration》。

当前基于LLM的研究智能体在任务编排上进展显著，但科学知识编排存在明显缺口：现有方法常简化学术论文为摘要、表面提及和平面引用关系，忽略科学推理必需的实体、主张、证据、机制和方法谱系。这导致智能体无法理解文献深层结构（如概念因果关系、证据支持强弱、方法论继承），严重限制其在科研辅助、文献综述等场景的效用。

Agents-K1系统架构整合三大核心组件：

1. 多模态解析器：处理论文全文，含实体识别、多模态证据提取、引用关系分析、实体间关系识别、跨文档对齐五大模块；
2. 4B参数信息抽取模型：采用GRPO算法训练，结合规则奖励机制与多任务学习，提升抽取质量与推理效率；
3. GraphAnything CLI统一检索接口：支持网络搜索、多模态图谱检索、跨文档遍历，实现知识交互探索。

基于Agents-K1管道构建的Scholar-KG具有以下特点：

• 规模：覆盖246万篇跨计算机科学、物理、生物等6学科论文，公开100万篇子集；
• 特色：细粒度实体表示（含方法、数据集等）、多模态证据关联、动态更新机制、可解释推理路径（每条主张追溯原始证据）。

实验评估显示Agents-K1性能领先：

• 指标：实体识别准确率、复杂关系抽取F1值、证据定位精度、跨文档对齐效果优异；
• 对比：全文解析比仅用摘要的方法信息增益显著，细粒度关系抽取提升图谱连通性，多模态处理有效利用非文本信息。

Agents-K1具备良好扩展性与应用前景：

• 可扩展性：支持通用领域适配、用户自定义抽取模式、合成数据生成；
• 潜在场景：智能文献综述、研究趋势分析、跨学科知识发现、科研助手（精准检索与证据支持）。

当前局限与未来方向：

• 局限：主要处理英文文献、知识更新延迟、复杂多跳推理能力有限；
• 未来：引入更强基础模型提升抽取质量、探索神经符号结合增强推理可解释性、开发交互式知识补全机制结合人类反馈改进图谱。

Agents-K1代表科学文献知识化的重要进展，通过细粒度多模态解析、高效抽取模型与统一检索接口，为智能体提供科学知识基础设施。Scholar-KG的开放有望推动智能体在科研辅助、教育、决策支持等领域的实际应用，标志着从‘智能体编排’向‘知识编排’的关键转变。