Dự án 'AutoResearcher' vừa được đăng tải trên GitHub trong tuần này và nhanh chóng thu hút sự chú ý của cộng đồng nghiên cứu AI. Công cụ này sử dụng một pipeline đa bước kết hợp giữa RAG (Retrieval-Augmented Generation) và agent-based planning để tự động hóa các tác vụ thường gặp trong nghiên cứu khoa học.
AutoResearcher cho phép người dùng nhập một câu hỏi nghiên cứu cụ thể, sau đó hệ thống sẽ tự động truy cập các cơ sở dữ liệu như arXiv, PubMed, Semantic Scholar để tìm kiếm các bài báo liên quan. Tiếp theo, các agent AI sẽ đọc, trích xuất các phát hiện chính, tóm tắt phương pháp và so sánh kết quả giữa các nghiên cứu. Cuối cùng, hệ thống tạo ra một báo cáo tổng hợp có trích dẫn đầy đủ.
Điểm nổi bật của dự án là cơ chế 'verification loop', nơi một agent riêng biệt sẽ kiểm tra tính chính xác của các trích dẫn và số liệu được đề cập trong báo cáo, giảm thiểu vấn đề hallucination thường gặp ở các hệ thống RAG thông thường. Dự án hiện có hơn 12.000 stars và 1.500 forks, với hơn 200 đóng góp từ cộng đồng.
Các nhà nghiên cứu tại MIT và Stanford đã bắt đầu sử dụng AutoResearcher trong các dự án của họ, đặc biệt trong lĩnh vực y sinh và vật liệu mới, nơi lượng tài liệu cần tổng hợp rất lớn. Dự án được mã hóa bằng Python và PyTorch, với các mô hình có thể thay thế tùy theo nhu cầu về quyền riêng tư.