Jul 29, 2026 · Scientific Knowledge Discovery in the Age of Large Language Models
Scientific Knowledge Discovery in the Age of Large Language Models
一篇 arXiv 综述（2026-07-29）调查了 34 篇将生成式大语言模型应用于文献检索和候选研究筛选的同行评审论文，这些论文通过对 OpenAIRE Graph 的布尔搜索（1589 条记录筛选至 34 篇）识别。综述描述了所用 LLM、模型访问与适配、提示与架构技术、真实来源和评估指标。
EVENT STORY
Development
- First ReportScientific Knowledge Discovery in the Age of Large Language ModelsarXiv cs.CL
- Current Assessment该综述反映了学术文献爆炸背景下，AI 辅助科研工具的市场需求。传统搜索系统依赖人工查询和检查，而 LLM 提供更高效的替代方案，可能推动科研工作流自动化工具的兴起。Agent Pulse · analysis
2026 年 7 月 29 日，一篇 arXiv 综述论文《Scientific Knowledge Discovery in the Age of Large Language Models》发布，系统调查了生成式大语言模型在科学知识发现中的应用。该综述通过布尔搜索 OpenAIRE Graph，从 1589 条记录中筛选出 34 篇同行评审论文，聚焦于文献检索和候选研究筛选两个任务。综述总结了这些研究使用的 LLM、模型访问方式、提示与架构技术、真实来源和评估指标。
综述表明，生成式 LLM 正在被用于替代传统基于关键词的文献检索和人工筛选，其灵活性体现在支持自然语言查询和自动筛选。技术上的关键差异在于模型访问（API 或本地）、适配方式（微调或提示工程）以及架构选择（如检索增强生成）。
该综述反映了学术文献爆炸背景下，AI 辅助科研工具的市场需求。传统搜索系统依赖人工查询和检查，而 LLM 提供更高效的替代方案，可能推动科研工作流自动化工具的兴起。
对于科研服务公司，LLM 驱动的文献工具可降低研究人员的时间成本，提高系统综述效率。潜在商业价值在于开发面向学术界的自动化文献筛选产品，或集成到现有科研平台。
未来可关注 LLM 在文献检索和筛选中的评估标准统一，以及从检索到知识发现（如假设生成）的扩展。可验证信号包括更多实证研究比较 LLM 与传统方法在系统综述中的效率。