Al utilizar IA para ayudar a la investigación científica, a menudo es posible encontrar modelos grandes que parecen decir tonterías, especialmente cuando se trata de campos profesionales complejos como la biología, la química o los materiales. Recientemente me encontré con el proyecto de código abierto SciToolAgent, que intenta utilizar "gráficos de conocimiento" para resolver el problema de llamar a herramientas científicas. Esto equivale a equipar a la IA con una “caja de herramientas científicas” profesional, permitiéndole al modelo pensar y operar como un científico. Integra más de 500 herramientas científicas, que cubren API, modelos de aprendizaje automático y varias funciones de Python. El núcleo de este enfoque radica en construir un gráfico de conocimiento de herramientas científicas (SciToolKG) para gestionar con precisión las dependencias y la compatibilidad entre herramientas. GitHub: https://t.co/79oX9rTXwj Al mismo tiempo, al adoptar un marco de "planificación-ejecución-resumen", puede dividir automáticamente tareas complejas de investigación científica en pasos específicos y ejecutarlos. Tiene un mecanismo de control de seguridad incorporado para ayudarnos a monitorear posibles riesgos experimentales y garantizar la confiabilidad de los resultados. Desarrollado con Python, el entorno se puede configurar rápidamente a través de Conda y admite la adición de herramientas privadas personalizadas. La investigación relevante se ha publicado en Nature Computational Science y es adecuada para que investigadores o agentes en campos verticales puedan consultarla.
