MAR多Agent论文助手
案例介绍
技术栈：Python 3.12 + httpx + arxiv 库 + pydantic + tenacity + rich；无 LangGraph 依赖，五大 Agent（Planner / Searcher / Reader / Synthesizer / Critic）通过 ResearchState 解耦。
核心功能：
- Planner：LLM 拆解为 4-6 个子问题 + arXiv 检索词（JSON 输出，温度 0.3）
- Searcher：OpenAlex + arXiv + Semantic Scholar 三源并行检索，按 arxiv_id 去重，按 (引用数 desc, 年份 desc) 排序取 top-k
- Reader（v0.2）：下载 PDF，提取结构化内容
- Synthesizer（v0.2）：按子问题生成带引用的综述段落
- Critic（v0.2）：审查引用一致性与覆盖率
已端到端跑通：研究问题"对比 LoRA 和全参数微调的能耗"用时 52 秒，Planner 拆出 4 个子问题，Searcher 从 23 篇候选 → 去重 17 → top-3 排序（LLaMA / Deep Compression / PaLM），全部用真实 OpenAlex + arXiv API 数据。
独立完成源码：D:\vibecoding\multi_agent_researcher\（src/mar/agents/* + tools/*），v0.1 已落地，v0.2 路线明确。
MAR多Agent论文助手
案例介绍
MAR（Multi-Agent Researcher）是基于多 Agent 协作的论文研究助手，能用一句自然语言问题完成"拆解子问题 → 跨源检索 → 排序去重 → 综述输出"全流程。
技术栈：Python 3.12 + httpx + arxiv 库 + pydantic + tenacity + rich；无 LangGraph 依赖，五大 Agent（Planner / Searcher / Reader / Synthesizer / Critic）通过 ResearchState 解耦。
核心功能：
- Planner：LLM 拆解为 4-6 个子问题 + arXiv 检索词（JSON 输出，温度 0.3）
- Searcher：OpenAlex + arXiv + Semantic Scholar 三源并行检索，按 arxiv_id 去重，按 (引用数 desc, 年份 desc) 排序取 top-k
- Reader（v0.2）：下载 PDF，提取结构化内容
- Synthesizer（v0.2）：按子问题生成带引用的综述段落
- Critic（v0.2）：审查引用一致性与覆盖率
已端到端跑通：研究问题"对比 LoRA 和全参数微调的能耗"用时 52 秒，Planner 拆出 4 个子问题，Searcher 从 23 篇候选 → 去重 17 → top-3 排序（LLaMA / Deep Compression / PaLM），全部用真实 OpenAlex + arXiv API 数据。
独立完成源码：D:\vibecoding\multi_agent_researcher\（src/mar/agents/* + tools/*），v0.1 已落地，v0.2 路线明确。
案例图片
相似案例推荐
-
离线消息云服务
该服务是致远所有客户离线消息统一推送的云服务平台，支持华为、
-
员工打卡与企业微信考勤推送系统
面向制造企业的移动端考勤打卡解决方案。员工通过微信小程序完成
-
员工打卡与企业微信考勤推送系统
面向制造企业的移动端考勤打卡解决方案。员工通过微信小程序完成
-
恒久系统
该项目通过与上游app或者流量方对接，将上游的用户流量变现给
-
生产扫码报工与企业微信推送系统
面向制造车间的移动端报工解决方案。工人通过微信小程序扫描工单
-
老旧营运货车报废更新补贴申领平台
老旧营运货车报废更新补贴申领平台，包含手机端申请模块与 We
1小时精推人才
需求方专属客服，免费梳理匹配
