Lacuna: A Research Map for Machine Learning
Lacuna：机器学习研究地图
🧭 科研文献知识图谱构建 · LLM Agent
Tiptree Advanced Systems Corporation · Mila · Polytechnique Montreal · McGill University · Universite de Montreal
用LLM将论文转化为可导航研究地图，在文献检索和深度调查报告任务上超越OpenScholar与GPT-Researcher
📌 工作参考价值
- 商品知识地图构建：借鉴Lacuna用LLM将非结构化论文转化为结构化摘要、概念、方向的方法，可对商品描述、评论、问答生成商品知识图谱（核心卖点、使用场景、竞品对比、搭配提案），作为推荐系统的可解释索引。
- 多阶段深度推荐代理：Lacuna Deep Research的检索→分析→报告流水线可直接迁移至复杂购物决策场景（如“帮我选一台适合视频剪辑的笔记本”），通过多轮检索商品知识、对比分析、生成个性化购买指南，提升用户体验。
- 可追溯证据增强推荐可信度：每个知识条目保留原始论文链接的设计，可改为在推荐解释中附带用户评论原文、评测视频等来源，增强推荐的可信度与透明度。
- MCP接口集成现有链路：论文开放的MCP接口设计，允许将地图作为工具接入任意LLM代理，电商系统可参照此模式，将商品知识库封装为标准化工具，供客服机器人或购物助手调用。
动机：科学文献爆炸增长，研究人员需要更高效地浏览、引用和构思。现有工具仍将论文视为孤立PDF，缺乏可重用的结构化中间知识。Lacuna意图构建一个可导航、可扩展的研究地图，让人和代理能直接基于论文衍生的结构化概念开展研究。
方法关键点：
- 用LLM将每篇论文转化为论文摘要、概念元素、研究方向、研究提案四类结构化对象，并保留与原始论文的双向链接。
- 构建成大规模知识地图，提供Web、Markdown和MCP接口（Model Context Protocol），方便人类浏览和代理调用。
- 在此基础上开发了Lacuna Deep Research代理：它是一个多阶段报告生成系统，先检索地图中的相关概念和论文，再逐步分析、综合，最终生成带有引用的深度调查报告。
关键结果：
- 在LitSearch检索任务上，Lacuna的Recall@10达0.538，显著优于OpenScholar v3的0.424。
- 在Multi-XScience-CS/ML和ScholarQA-CS-ML上也全面优于OpenScholar。
- 在ReportBench-ML的25项调查任务中，Lacuna Deep Research获得0.052 citation F1（GPT-Researcher仅0.039），0.339 citation precision（vs. 0.290），99次专家引用命中（vs. 72），报告质量RACE评分7.82/10（vs. 5.24）。