Ao usar IA para auxiliar na pesquisa científica, você pode se deparar frequentemente com grandes modelos que parecem estar dizendo coisas sem sentido, especialmente quando se trata de áreas profissionais complexas como biologia, química ou materiais. Recentemente, deparei-me com o projeto de código aberto SciToolAgent, que tenta usar "grafos de conhecimento" para resolver o problema de chamar ferramentas científicas. Isso equivale a equipar a IA com um "conjunto de ferramentas científicas" profissional, permitindo que o modelo pense e opere como um cientista. Ele integra mais de 500 ferramentas científicas, abrangendo APIs, modelos de aprendizado de máquina e várias funções em Python. O cerne dessa abordagem reside na construção de um grafo de conhecimento de ferramentas científicas (SciToolKG) para lidar com precisão com as dependências e a compatibilidade entre as ferramentas. GitHub: https://t.co/79oX9rTXwj Ao mesmo tempo, ao adotar uma estrutura de "planejamento-execução-resumo", é possível decompor automaticamente tarefas complexas de pesquisa científica em etapas específicas e executá-las. Possui um mecanismo de verificação de segurança integrado para nos ajudar a monitorar possíveis riscos experimentais e garantir a confiabilidade dos resultados. Desenvolvido em Python, o ambiente pode ser configurado rapidamente via Conda e suporta a adição de ferramentas privadas personalizadas. A pesquisa relevante foi publicada na Nature Computational Science e é adequada para pesquisadores ou agentes em áreas verticais como referência.
