ResearchGenAI：基于多智能体RAG的学术研究助手

一个多智能体研究助手，支持PDF论文上传、复杂问题问答，通过RAG、LangGraph和Google Gemini提供结构化、基于证据的答案。

• 原作者/维护者：Searandhi
• 来源平台：GitHub
• 原始标题：ResearchGenAI
• 原始链接：https://github.com/Searandhi/ResearchGenAI
• 发布时间：2026年6月4日

---

ResearchGenAI 是一个多智能体研究助手，让用户可以上传 PDF 论文、提出复杂问题，并接收由 RAG（检索增强生成）、LangGraph 和 Google Gemini 驱动的结构化、基于证据的答案。

这个项目解决了一个实际的学术研究痛点：当我们面对几十页甚至上百页的研究论文时，如何快速提取关键信息、对比不同方法、理解实验结果？传统的关键词搜索往往无法满足这种深度理解的需求。ResearchGenAI 通过多智能体协作的方式，模拟了人类研究者分析文献的过程。

---

支持 PDF 论文上传，使用 ChromaDB 向量存储，并采用表格感知的分块策略。这意味着系统能够识别论文中的表格结构，在处理时保留表格数据的上下文关系。

系统会自动判断问题的复杂度：

• 简单问题（如"什么是梯度下降？"）：直接快速回答
• 复杂问题（如"对比论文中的Adam和SGD优化器"）：启用完整的多智能体流水线

这种设计既保证了简单查询的响应速度，又为复杂分析保留了充分的计算资源。

框架设计了三个核心智能体协同工作：

• Researcher（研究员）：提取基于证据的笔记
• Critic（批评家）：评估研究笔记和最终答案的质量
• Writer（撰写者）：生成面向用户的结构化答案

整个流程支持重试循环，确保输出质量。

将复杂问题分解为理论、架构、实验等多个角度的子查询，从不同维度检索相关信息，提高召回率。

批评家智能体使用检查清单进行需求感知评估，检查是否包含实验证据、架构细节、理论依据等。