图启灵感：结合作者知识图谱与检索增强生成，打造可控的LLM科学创意生成系统
随着大语言模型在科研领域的应用日益广泛，如何让AI生成的科学创意更具学术深度与可追溯性，成为亟待突破的瓶颈。近日，一项名为GYWI的创新系统通过整合作者知识图谱与检索增强生成技术，为LLM的科学创意生成提供了全新的解决方案。
系统架构与核心方法
GYWI系统的核心在于构建一个融合深度与广度的外部知识库。首先，系统采用以作者为中心的知识图谱构建方法，通过分析科研合作网络，建立包含研究者、论文、主题等多维关系的知识图谱。同时，结合灵感源采样算法，从海量学术文献中筛选出高质量的参考材料，形成结构化的外部知识库。
其次，系统创新性地提出了混合检索机制，结合传统的检索增强生成与图检索增强生成技术。这种机制不仅能够检索到与查询直接相关的文本内容，还能通过图谱关系挖掘潜在的跨领域关联，为LLM提供既有深度又有广度的混合上下文信息。
优化策略与评估体系
为了进一步提升生成质量，GYWI系统引入了基于强化学习原理的提示优化策略。该策略能够自动调整提示词，引导LLM根据混合上下文优化生成结果，确保创意的新颖性与可行性。系统还开发了全面的评估方法，包括基于选择题任务的自动评估、LLM评分、人工评估以及语义空间可视化分析。
评估从新颖性、可行性、清晰度、相关性和重要性五个维度展开，实验覆盖了GPT-4o、DeepSeek-V3、Qwen3-8B和Gemini 2.5等多款主流大语言模型。结果显示，GYWI系统在多项指标上均显著优于基线模型，特别是在创意的可靠性与相关性方面表现突出。
行业影响与未来展望
GYWI系统的提出，标志着AI辅助科研从简单的文本生成向结构化、可追溯的创意生成迈进。其核心价值在于：
- 提升可控性：通过知识图谱提供明确的学术背景，使生成过程更加透明
- 增强可追溯性：灵感路径的可视化让研究者能够理解AI的思考逻辑
- 促进跨学科创新：图检索机制有助于发现不同领域间的潜在联系
随着科研数据量的持续增长，这种结合知识图谱与RAG的技术路径有望成为AI科研助手的主流架构。未来，该系统可进一步扩展到专利分析、技术预测等更广泛的创新场景，为人类科研工作者提供更强大的智力支持。