在学术研究领域，文献检索是一项复杂而关键的信息收集任务。研究人员需要具备在特定知识领域中处理复杂搜索能力的能力，以满足详细的科研需求。然而，现有的学术搜索平台，如Google Scholar，往往难以应对这些复杂的查询需求。例如，关于非平稳强化学习的UCB方法的专业查询需要更强的计算和分析能力。此外，在进行文献回顾时，研究人员通常需要花费大量时间和精力手动浏览庞大的学术数据库。
尽管已有研究探索了大型语言模型（LLMs）在学术论文检索和科学发现中的应用，但传统搜索工具仍然难以满足专业研究的复杂需求。许多研究集中在通过优化框架和提示工程技术开发LLM代理上。虽然像AGILE RL框架这样的方法显著增强了这些代理的综合能力，但尚未找到完全自主且精确的学术论文检索解决方案，这留下了一个重要的研究缺口。
最近，来自字节跳动研究院和北京大学的研究人员共同提出了PaSa，这是一种基于LLM的创新论文搜索代理。PaSa能够自主执行复杂的搜索策略，包括工具调用、论文阅读和参考文献选择，旨在为复杂的学术查询生成全面且准确的结果。为了优化PaSa的表现，研究团队创建了包含35,000个精细粒度学术查询的AutoScholarQuery合成数据集，并建立了RealScholarQuery基准来评估代理的实际性能。系统利用强化学习技术提升搜索能力，解决了现有学术搜索方法的主要局限性。
PaSa系统由两个LLM代理组成：Crawler（爬虫）和Selector（选择器），它们协同工作以进行全面的学术论文搜索。Crawler首先分析用户的查询以生成多个细化的搜索查询来检索相关论文，并将这些论文添加到专用论文队列中。Crawler处理每个排队中的论文，识别并探索可能扩展研究范围的关键引用，并动态添加新发现的相关论文到列表中。然后，Selector评估每篇论文是否符合原始查询要求。
实验结果显示，在多个基准测试中PaSa-7b的表现优于现有方法。在AutoScholarQuery测试集中，PaSa-7b相比PaSa-GPT-4o提高了9.64%的召回率；面对基于Google的基准测试时，PaSa-7b的召回率提高了33.80%至42.64%；在更具挑战性的RealScholarQuery场景中，PaSa-7b展示了30.36%的召回率提升和4.25%的精度提升。
总体而言，PaSa的研发标志着学术论文检索技术的重要进步，为学术研究中的信息检索提供了有效的解决方案。通过结合大型语言模型和强化学习技术，PaSa大大减少了研究人员进行文献回顾所需的时间和精力，并为他们提供了一个高效导航日益庞大且复杂的学术文献景观的工具。
代码：https://github.com/bytedance/pasa
论文：https://arxiv.org/abs/2501.10120
总结：本文介绍了字节跳动研究院与北京大学共同研发的PaSa——一种基于大型语言模型（LLMs）的创新性智能学术论文搜索代理系统。该系统通过优化框架和强化学习技术显著提升了复杂查询下的文献检索效率与准确性，并为研究人员提供了一个高效便捷的研究工具。要点：
📄 **PaSa是由字节跳动与北京大学研究人员共同推出的智能学术论文搜索代理**
🤖 **系统由两个LLM代理组成：Crawler（爬虫）和Selector（选择器），能够自主执行复杂的搜索策略**
🏆 **实验结果表明，在多个基准测试中PaSa-7b的表现优于现有方法，显著提升了论文检索效率与准确性**
