EMBL AI Librarian：面向生命科學 Agent 的知識層
為何重要
隨著 RAG（檢索增強生成）應用精緻化，單純的網頁擷取已無法滿足生命科學等專業領域對精確證據的需求。EMBL AI Librarian 代表了一種從「資料庫介面」轉向「專門為 Agent 設計的知識層」的架構演進，其超過 16 點的指標提升證明瞭結構化介面最佳化對下游任務效能的關鍵貢獻。此架構若進一步開源或商品化，可望成為生命科學 AI 堆疊中的基礎元件，改變 Agent 整合學術資源的方式。
隨著 AI Agent 取代人類成為網路資訊的主要使用者，生命科學領域面臨如何高效整合龐大學術資源（如擁有 400 餘萬筆紀錄的 Europe PMC）的挑戰。現有資料庫的人機介面設計並非為 AI 溝通最佳化，導致 Agent 必須學習複雜語法並逐一解析全文，效率受限。EMBL 發布的 EMBL AI Librarian 則是一種專為 Agent 設計的知識層，能將 Europe PMC 轉化為可直接回答自然語言查詢的架構。
- 運作機制：透過單一 LLM 協調查詢計畫、執行 Europe PMC 搜尋、閱讀論文並精準定位證據，大幅降低 Agent 整合文獻的門檻。
- ScholarQABench 表現：在引用 F1 指標上，相較於強基準提升了 超過 16 點。
- LitQA2 開放式問答：搭載 GPT-5.4 的 Agent 若依賴 Librarian，表現比使用網路搜尋高出約 8 點。
- 評估範圍：涵蓋文獻綜述、主張驗證、開放域問答以及協議提問與序列操作等生物學下游任務。