研究团队还测试了五种不同的前沿推理模型，发现每个模型都有自己的特长领域，就像不同的专家各有所长。在文章筛选阶段，Kimi-K2.5和gpt-oss-120b表现最佳，前者在标题摘要筛选方面出色，后者在全文筛选方面领先。所有模型在参数提取方面都遇到了困难，最高性能仍由Kimi-K2.5获得。GLM-4.7在模型提取方面表现良好，而GPT-5.2在疫情提取方面表现突出。

再次，特定阶段的编排限制了系统的代理能力。AgentSLR被有意约束为分阶段提示和模式验证的工具调用，并未充分发挥更广泛的代理行为，如迭代解决检索失败或根据新颖研究设计定义自己的提取模式。团队与人类专家共同开发和验证了提取工具，但没有正式量化这个过程。

对于参数提取，AgentSLR表现出高召回率但中等精确率的特点。在参数类别标记方面，它能识别出92%的相关参数，但精确率只有51%，这意味着系统倾向于将更多内容标记为可能相关，然后在后续的结构化提取中进行更仔细的筛选。在字段级别上，系统对方法提取和特定不确定性字段的准确性接近完美，而数值字段和人群背景信息的处理则更具挑战性。

接下来是标题和摘要筛选阶段，这就像是初步的海选过程。系统会根据预设的纳入和排除标准对论文进行初步筛选。这个过程采用了一种叫做"大语言推理模型"的技术，能够在不需要特殊训练的情况下进行推理判断。系统的筛选结构包含五个组成部分：研究目标、纳入排除标准、链式思维推理指令、文章摘要和结构化输出格式。

数据提取阶段是整个流程的核心，就像是一个专业的数据挖掘工程师在工作。系统从三个类别中提取结构化数据：流行病学参数、传播模型和已结束的疫情爆发。这个过程采用多阶段、模式约束框架，通过专门的工具调用来执行字段级约束并确保结构化输出，就像人类注释者从文章中提取相关数据并填写调查表格一样。

A：目前不能完全替代。AgentSLR更适合作为人类专家的助手，在人机协作模式下表现最佳。虽然它能大幅提升效率，将7周的工作压缩到20小时，但在复杂判断和上下文理解方面仍需要人类专家的监督和验证。

研究团队坦率地承认了几个重要的局限性。首先是数据覆盖范围有限，分析仅限于开放获取文章，仅匹配标准答案数据集的约26%。仅限英语的筛选进一步排除了某些研究，可能引入了多语言文献承载重要流行病学信号的语料库级偏差。

在文章筛选阶段，不同策略间的权衡是可预测且实际可管理的。摘要筛选是系统性综述生产中的主要劳动瓶颈，人工处理每篇论文需要数分钟时间，因此直接全文筛选对人类团队来说在操作上是不可行的。AgentSLR的自主两阶段筛选实现了0.81的召回率，跳过摘要筛选直接处理全文可以将召回率提高到0.89，但运行时间增加2.3倍。

在文章筛选方面，团队比较了三种不同的筛选策略。传统的两阶段筛选流程中，AgentSLR达到了0.81的召回率，这意味着它能够找到专家认为相关的文章中的81%。为了进一步提高性能，研究人员测试了两种改进策略：一种是在人类摘要筛选的基础上进行全文筛选，召回率提升到0.92；另一种是跳过摘要筛选直接进行全文筛选，召回率达到0.89，尽管这种方法会增加2.3倍的筛选时间。

这项研究的技术创新不仅在于实现了端到端的自动化，更在于发现了开源模型在科学文献综述部署方面提供了可行的基础。在评估范围内，开源模型实现了与闭源前沿模型相当的性能，同时运行成本大幅降低。gpt-oss-120b以超过96倍的成本优势实现了与GPT-5.2相似的性能，而Kimi-K2.5在中等成本范围内实现了最佳的整体性能。

这个智能助手专门针对传染病学领域进行了优化训练。研究团队选择了世界卫生组织认定的九种高危病原体作为测试对象，包括马尔堡病毒、埃博拉病毒、拉萨热病毒、非典病毒、寨卡病毒、中东呼吸综合征病毒、尼帕病毒、裂谷热病毒和克里米亚-刚果出血热病毒。这些病原体都具有引发大规模疫情的潜力，因此对它们的研究资料进行及时整理和分析对全球公共卫生具有重要意义。

结果显示，专家对字段级正确性的平均评分达到了80%左右，这比自动化评估的精确率高出近19个百分点。在参数和疫情提取方面，专家给出的胜任能力评分分别为4.2和3.9分（满分7分），其中4分被定义为"在适度监督下可用的工具"的门槛。

模型提取方面的表现更为出色，标记准确率达到高召回率和高精确率的平衡。系统能够识别出91%的相关模型，精确率达到90%。这种高召回率延续到了模型计数环节，表明几乎所有来自标准答案数据的模型都被成功识别，尽管计数精确率相对较低。在字段级别上，核心结构特征如模型类型、随机性与确定性以及代码可用性的提取表现稳定，而复杂的多值字段如假设、干预措施和传播途径则仍然具有挑战性。

然后是PDF转Markdown转换阶段，这个步骤就像是把手写的食谱转录成电子版本。系统将下载的PDF文件逐页转换为高分辨率图像，然后使用OCR（光学字符识别）模型提取文本，同时保持文档层次结构、数学公式和表格格式。这样做的目的是让机器能够更好地"理解"论文内容。

在数据提取方面，系统的表现呈现出有趣的梯度特征。标记相关数据类型的准确率最高，平均F1得分为0.75；计数准确性次之，为0.65；而字段级提取准确性为0.63。这种递减的趋势反映了每个连续流水线阶段不断增加的难度，就像从粗选到精选的过程越来越具有挑战性。

全文筛选阶段是第二轮更严格的筛选，就像是从海选中再次挑选出最有潜力的选手。在这个阶段，系统使用与摘要筛选类似的提示结构，但采用更严格的标准，要求文章必须包含可提取的定量流行病学参数，如传播率、潜伏期和严重程度结果，同时排除文献综述、荟萃分析和描述少于10个感染个体的病例研究。

为了确保这个智能助手的可靠性，研究团队进行了严格的验证测试，就像给新员工安排试用期一样。他们使用了病原体流行病学综述小组的专业数据作为标准答案，这个小组正在对九种世界卫生组织指定的优先病原体进行系统文献综述。

五、效率革命的实际意义

说到底，这项研究向我们展示了人工智能在科学研究中的巨大潜力。虽然目前的系统还不能完全替代人类专家，但它已经能够在很多环节大幅提升效率。就像计算器没有取代数学家，但让数学计算变得更快更准一样，AgentSLR这样的系统正在成为科研工作者的得力助手。

这项研究的最重要发现是AgentSLR实现了数量级的效率提升，同时保持了覆盖范围。整个流水线将主动审查时间减少了19.3倍，从385个人工小时减少到20小时，其中全文筛选的速度提升了118倍。这种效率增益改变了大规模、快速发展文献库的证据综合可行性，特别是在文献增长速度超过审稿人处理能力或需要及时综合的情况下具有重要意义。

为了更全面地评估系统的实用性，研究团队邀请了六名专业流行病学家对AgentSLR的提取结果进行评价。专家们需要对提取的准确性进行评分，并评估系统的整体胜任能力。

其次，评估指标可能并非适用于所有使用情况。为了优先考虑召回率，系统被指示倾向于纳入。参数类别标记实现了高召回率但精确率较低，这意味着仍然需要下游的人工过滤。由于提取的字段和数值直接输入基于证据的政策建议，不精确是一个重要的实践关切。

有趣的是，DeepSeek-V3.2展现出最可变的性能表现。它在文章筛选阶段表现不佳，但在启用函数调用的提取阶段变得具有竞争力，特别是在模型和疫情提取方面。这就像一个在笔试中表现一般但在实践操作中大放异彩的学生。

专家们普遍反映AgentSLR相比完全手动提取确实提高了效率。虽然会出现一些误报，但这些通常很容易识别和删除，从而实现净效率提升。提取难度因论文的复杂性和报告风格而异，在少数情况下，系统可能会在人类审稿人同样面临挑战的情况下增加工作量。

最后，对完整证据综合过程的覆盖不完整。这项工作涵盖了检索、筛选和结构化提取，但没有评估荟萃分析或最终综述写作等需要深思熟虑的步骤。报告生成阶段产生叙述综合但不包含推论统计。模型是否能够正确指定和拟合统计模型并产生真正基于数千个收集数据点而非依赖表面流畅性的解释，仍然是一个开放且重要的问题。

专家验证结果表明，精确匹配的标准答案评估低估了AgentSLR的实际效用。专家对字段级提取准确性的平均评分为0.80，比自动化精确率得分高出18.8个百分点。定性反馈一致表明，AgentSLR的提取通过提供可纠正的起点减少了净注释工作量。因此，针对单一注释集的精确匹配评估是操作效用的保守下限。

最小的模型gpt-oss-120b在所有阶段的表现都与最佳模型相差不到4.5个百分点。下一个最小的模型GLM-4.7的参数量几乎是它的3倍，达到3580亿个参数。除了疫情提取外，gpt-oss-120b在各病原体间也表现出最低的方差之一。

科学家们每天都在发表大量关于传染病的研究论文，就像一座不断增高的知识金山。然而面对如此庞大的文献库，人类研究者就像拿着小铲子的淘金者，需要花费数月甚至数年时间才能从中挖掘出真正有价值的信息。这种被称为"系统性文献综述"的工作，传统上需要专业团队花费67周的时间和14.1万美元的成本才能完成一次全面的梳理。

三、不同AI模型的表现差异

七、实际应用前景和局限性

这项由牛津大学、帝国理工学院联合多所国际知名学府进行的研究发表于2026年3月的arXiv预印本平台，论文编号为2603.22327v1，有兴趣深入了解的读者可以通过该编号查询完整论文。

四、人类专家的评价和反馈

A：系统在不同任务上的准确率有所差异。在文章筛选方面召回率达到81%，在数据提取方面，专家评估的字段级准确率约为80%。虽然不是100%完美，但专家普遍认为它提供了有用的起点，能显著减少人工工作量。

Q3：AgentSLR系统的成本如何？

研究还发现，在人机协作模式下，AI系统的表现最佳。虽然AgentSLR缺乏完全自动化流行病学综述所需的上下文理解能力，但它在人类主导的流程中提供了实质性的效率提升。手动审查限制了综述的可扩展性，而全文处理需要比仅摘要分类更多的资源。鉴于强大的分类性能，AgentSLR非常适合在人类摘要过滤后加速全文筛选。

在数据提取阶段，研究结果表明存在一个由任务复杂性而非模型特定弱点导致的结构性天花板。在测试的所有五个模型中，没有模型在参数提取方面超过F1得分0.63，而最佳和最差性能者之间的差距相对于筛选阶段明显缩小。性能从标记预测性地下降到计数再到字段级提取，这种在结构化工具调用下的收敛表明瓶颈在于任务歧义性和论文间的报告异质性，而非原始模型能力。

AgentSLR的工作过程就像一个经验丰富的研究助理，它按照固定的六个步骤来处理文献。首先是文章搜索和获取阶段，系统会像一个勤奋的图书管理员，在三个主要的学术数据库中搜索相关论文，这三个数据库分别是OpenAlex、PubMed和Europe PMC。系统使用精心设计的搜索策略，覆盖七个核心流行病学领域，就像用不同的筛子来过滤不同类型的金沙。

这项研究的意义远远超出了流行病学领域。它展示了人工智能在专业科学工作流程中的巨大潜力，就像第一次工业革命改变了手工业一样，AI正在改变知识工作者的工作方式。在文献爆炸式增长的今天，传统的人工综述方法已经难以跟上知识产生的速度，而AgentSLR这样的系统为科学界提供了一种全新的解决方案。

疫情爆发提取的评估仅限于拉萨热和寨卡病毒，因为埃博拉和非典缺乏人工注释数据。文章标记显示出两种病原体的中等表现，而疫情计数显示出高方差，这主要是由病原体层面的差异驱动的。尽管如此，字段级提取表现稳健，疫情提取在所有数据类型中达到了最高的精确率，在时间特征和病例负担方面表现尤为突出。

八、对科学研究的深远影响

二、验证智能助手的准确性

Q2：这个AI系统的准确率如何？

人类提升在未知或研究不足的疾病具有严重流行潜力的情况下最具说服力，或在文献量超过审稿人能力的优先病原体上也很有价值。虽然AgentSLR的实现严重依赖流行病学领域知识，但它为综述自动化提供的框架是可扩展的。未来工作可以探索推广到医学、社会和物理科学的其他科学领域，并研究模型是否能够随着领域知识的变化参与定义自己的提取工具。

在成本分析方面，不同模型间的巨大成本差异主要源于每篇文章的标记使用量差异，特别是在参数提取阶段。例如，GPT-5.2每篇文章产生91.1万个输出标记，而DeepSeek-V3.2只有3万个。参数提取占据了整体计算资源的主导地位，每阶段的标记和成本明细显示了这种差异的具体表现。

对于公共卫生政策制定者来说，这种技术能够实现"活体系统性综述"，即随着新研究的发表不断更新综述内容。这对于疫情防控具有重要价值，因为决策者需要基于最新的科学证据制定政策，而传统综述的长周期往往让决策滞后于科学发现。

专家们指出的常见错误类型包括：上下文信息不足、对文档结构利用有限、跨提取约束失效，以及在信息为隐含时无法推断出对人类注释者显而易见的字段。此外，系统在理解来源方面存在困难，偶尔会混淆新报告的发现与引用的先前研究信息。

从成本角度来看，更高的成本和更大的模型并不一定产生更高的性能，这个发现相当令人意外。gpt-oss-120b在最低总成本13.9美元的情况下实现了具有竞争力的平均性能，比GPT-5.2便宜96倍以上。尽管GPT-5.2是OpenAI的旗舰闭源模型，但它的平均F1得分实际上更低。表现最佳的模型Kimi-K2.5处于中等成本范围，而GLM-4.7的成本第二高，但平均F1得分相当。

一、智能文献管家的工作流程

Q1：AgentSLR系统能完全替代人类专家进行文献综述吗？

这项可行性研究为未来工作指明了许多令人兴奋的方向。最紧迫的是需要进行适当的人类提升研究，以更稳健地量化人机协作实施的时间节约和有效性。研究团队正在原型设计一个人机协作注释工具，将其改进为生产级别并提供给进行未来综述的流行病学家。

九、未来展望和技术演进

想象一下，如果我们能训练一个超级智能助手，让它像熟练的图书管理员一样，不仅能快速浏览成千上万篇论文，还能准确提取其中的关键信息，并整理成条理清晰的报告，这会是多么神奇的事情。牛津大学的研究团队就创造了这样一个名为AgentSLR的人工智能系统，它能够在短短20小时内完成原本需要人类7周才能完成的工作，效率提升了58倍。

更重要的是，研究团队遭遇了闭源提供商的广泛内容限制，这对关键科学应用构成风险。尝试使用Claude Opus 4.5和Sonnet 4.5评估AgentSLR时遇到了一致的流式拒绝，研究人员认为这是由于流行病学术语被内容过滤器误认为生物武器相关内容触发的。虽然在消费者部署中这种谨慎是可以理解的，但过于宽泛的限制可能使整个模型系列无法用于合法的公共卫生研究。

最后是报告生成阶段，这就像是一个经验丰富的编辑将收集到的所有信息整理成一份专业报告。提取的数据被转换为结构化综述，通过多阶段过程生成。系统会计算描述性统计数据并制作可视化图表，配以标准化图形和证据表格。然后语言推理模型生成初始叙述综合，随后进行迭代自我完善循环。

研究显示不同模型在不同阶段表现优异，这表明将子任务路由到具有互补能力配置的模型的异构多智能体配置可能会改善整体流水线性能。这种方法就像组建一个专业化团队，让每个成员发挥自己的特长，最终实现整体效果的最大化。

对于数据提取工作，高召回率确保相关证据得以保留供人类验证，而专家报告在提供AgentSLR输出时效率得到改善。通过减少使连续管理不可行的每次更新负担，这些能力可以实现活体系统性综述，为及时的疫情准备提供支持。

六、技术创新和模型比较

对于普通人来说，这意味着当下一次疫情来临时，科学家能够更快地整理和分析已有知识，为政策制定提供更及时的科学依据。这种效率的提升最终会转化为更好的公共卫生保护和更精准的疫情防控措施。随着技术的不断完善，我们有理由相信，AI将在科学发现和知识综合方面发挥越来越重要的作用，让科学研究变得更加高效和普惠。

Q&A

A：成本因选择的AI模型而差异很大。使用开源模型gpt-oss-120b自托管的成本约为137美元，使用API服务约50美元。相比传统人工综述14.1万美元的成本，这是一个巨大的节约，且开源模型的性能与昂贵的闭源模型相当。