AquiLLM : 一种用于捕捉研究小组中隐性知识的 RAG 工具.pdfVIP

AquiLLM:一种用于捕捉研究小组中隐性知识

的RAG工具

ChandlerCampbellBernieBoscoeTuanDo

DepartmentofComputerScienceDepartmentofComputerSciencePhysicsAstronomyDepartment

SouthernOregonUniversitySouthernOregonUniversityUniversityofCalifornia,LosAngeles

AshlandOR,USAAshlandOR,USALosAngelesCA,USA

campbellr@boscoeb@tdo@

摘要—研究团队在捕捉、存储和检索分布在团队成员之间具体研究问题的工具、算法和程序，并在此过程中生成

本的知识方面面临持续的挑战。虽然用于分析和发表的结构化数据很少出现在正式出版物中的文档，但这些文档对于日常

译通常管理得很好，但许多团队的集体知识仍然是非正式的、分散运作至关重要[8]。

的或未记录的——通常是通过会议、指导和日常协作口头传递下

中或许最有价值的是通过研究过程本身产生的非正

来的。这包括电子邮件、会议笔记、培训材料和临时文档等私有

1资源。这些共同反映了团队的默会知识——支撑他们工作的大量式知识。实验室笔记记录了实验程序和结果，包括可能

v

8非正式的经验型专业知识。访问这一知识可能很困难，需要大量永远无法发表的失败尝试和意外观察[11][12]。会议纪

4的时间和内部理解。检索增强生成（RAG）系统通过使用户能要捕捉到了不断演变的假设、解决技术挑战的提议以及

6

5够查询并基于相关源材料生成响应，提供了令人期待的解决方协作头脑风暴会议的内容。合作者之间的电子邮件交流

0案。然而，目前大多数RAG-LLM系统面向的是公共文档，并

.通常包含关于实验设计或数据解释的关键见解或澄清。

8忽视了内部研究材料的隐私问题。我们介绍AquiLLM（发音

0为ah-quill-em），这是一个轻量级、模块化的RAG系统，旨这种非正式知识代表了将正式出版物与科学发现混乱

5在满足研究团队的需求。AquiLLM支持各种文档类型和可配现实联系起来的“智力胶水”，并为理解为什么某些方

2

:置的隐私设置，使学者群体能够更有效地访问正式知识和非正式法被追求或放弃提供了背景[4]。对于那些在研究实践

v

i知识。中编写代码的团队来说，这一类别可能还包括软件工

x

rIndexTerms—检索增强生成，大型语言模型，隐性知识，具、自定义脚本或计算管道，这些作为研究实践的关键

a

研究软件系统，信息检索

产物发挥作用[5]。

这些工件包含隐性知识：团队间共享的非正式的、

I.介绍

基于经验的理解[10][1]。这种知识通常通过指导、协作

A.背景和动机会议或日常问题解决口头传递。它反映了方法决策背后

研究小组维护着大量对其科研工作至关重要的信的细微推理，过去项目的背景环境，以及支持持续研究

息资产。在最正式的层面，他们保存了已发表的文献，的实际专业知识。

如同行评审的期刊文章、会议论文集和参考教科书，这然而，获取这些知识可能会耗费大量时间并且困难

些文献记录了其领域内的既定知识。这些出版物提供了重重。传统搜索工具依赖于精确的关