HERMES: a multi-agent framework for structured knowledge extraction from ultra-long documents in geoscience
HERMES：面向地球科学超长文档结构化知识抽取的多智能体框架
🧭 多 Agent 文档知识抽取
Zhejiang Laboratory, Hangzhou, China · Purdue University, Indiana, USA · University of Kansas, USA · University of Illinois Chicago, USA · Geologic TimeScale Foundation, Indiana, USA
多智能体框架从超长地学文献中抽取结构化数据，在古生物专著上抽取3.2万实体、45万属性，F1约0.90
📌 工作参考价值
- 多智能体协调 + 领域约束 + 验证规则，可以借鉴来做电商商品属性/类目树的标准化知识抽取，尤其在 SPU/SKU 结构补全时，用 validator agent 强制字段格式和枚举值，降低 LLM 幻觉。
- 文档级统一抽取解析文本、表格、图片 caption，适合处理电商超长商品详情页、行业标准文档或广告素材库，可建立一条从多模态内容到结构化字段的 pipeline。
- 每个字段带 evidence tracing（证据追踪），方便人工审核和纠错，这在电商知识中台里很实用：预测出的属性可以回链到原文位置，快速验证和修复。
- 零训练跨域迁移说明该框架对不同领域知识库建设具有可复制性，冷启动类目或长尾属性补全时可以用低成本方式快速搭建抽取能力，效率提升数倍。
动机：地学权威知识长期困在遗留专著和历史文献中，非结构化文本、复杂版式阻碍计算访问，人工抽取成本高且不可扩展。
方法关键点：HERMES 是一个可扩展的多智能体框架，用协调 LLM 统一文档级抽取流程，整合领域约束、验证规则和证据追踪；输入同时包含解析后的正文、表格、图片和 caption，多个 agent 分工完成实体识别、属性抽取、一致性校验和证据标注。
关键结果：在 55 卷 Treatise on Invertebrate Paleontology 上抽取 32,277 个化石分类实体和 451,878 条属性，发布在线数据库；实体平均 F1 约 0.90，属性平均 F1 约 0.91；相对人工基线效率提升约 6 倍。在古地磁和地球化学领域不额外训练即可迁移，表现稳定。