智能体框架结合规则与LLM，实现植物科学文档布局分析与标注

近期，信息检索领域通过稠密与稀疏表示、大语言模型及专用检索模型的结合，显著提升了排序准确性、相关性与跨语言性能。文档布局分析、语义知识表示等补充技术进一步增强了检索效果，能够捕捉细粒度的上下文与结构信息。新兴的智能体LLM框架通过规划、迭代推理、工具使用和多智能体协作，扩展了这些能力，拓宽了跨领域应用。

本研究提出了一种模块化、基于智能体的植物性状提取流程。首先通过光学字符识别将PDF转换为机器可读文本，随后通过分割和索引按属种组织内容。基于规则的解析器提取结构化的植物性状，而大语言模型集成则用于扩展性状词汇表并解决歧义。该方法确保了准确的物种识别、可扩展的标注以及文本植物描述的可解释集成，实现了跨大型植物语料库的鲁棒且可解释的数据提取。

在三个区域植物数据集上的应用结果显示，该系统从4,961个物种中提取了55,737个性状标注，平均每个物种9.1个性状。集成基于LLM的丰富化处理，改善了75%性状的覆盖度，总标注数增加了59%。研究表明，OCR引擎的选择对物种识别影响较小，整体标注数量保持稳定，证明了该流程在大规模植物性状提取中的鲁棒性、可扩展性和可靠性。该框架强调了严格评估、伦理考量和可信度，确保在现实场景中的负责任部署。