Large Language Model (LLM)+RAG知识助手
建设状态:规划中。目的:让人更高效地使用已有的知识。
基于已沉淀的专业数据库,结合大语言模型与检索增强生成(RAG),查看相关实验数据、搜索相似实验方案,整理专业领域的实验方案报告。下面是预期页面与流程,当前没有可执行的完整操作入口。
预期页面内容
| 区域 | 目标内容 |
|---|---|
| 研究问题 | 研究目标、材料体系、实验约束与所需输出 |
| 检索范围 | 获准使用的实验、模拟、文献记录与数据库版本 |
| 相似记录 | 对应条件、结果、差异及可核对来源 |
| 方案报告 | 证据摘要、候选方案、条件、引用与待确认事项 |
目标流程
- 描述研究问题、目标及实验约束,选择获准范围的数据。
- 检索相关记录与相似实验方案,检查来源及适用条件。
- 由模型结合检索依据整理报告,并区分已有事实与建议。
- 研究者审阅引用、方法与实验条件,再确定执行方案。
- 将实际实验及结果记录回数据库,保留方案与来源关系。
数据与结果的使用
检索结果需要保留来源、版本和原文位置。信息不足时应明确缺失依据,实验方案报告需要研究者核对,不能把模型生成文字当成已经验证的实验事实。
与 ML 材料智能体的区别
LLM+RAG 帮助理解和复用已有知识;ML 材料智能体从结构化数据学习关系,进行性能预测、筛选与逆向设计。两者的数据来源与访问权限均需明确。
