littlelelephant/literature-review-agent · 上手攻略

• 仓库：littlelelephant/literature-review-agent
• 链接：https://github.com/littlelelephant/literature-review-agent
• 分类：Agent工具 · 学术写作 · LangGraph工作流
• 作者：Tom
• 更新：2026-08-05

是什么

literature-review-agent 是一个基于 LangGraph 的可审计、可恢复多 Agent 文献综述工作流，包含两个独立可用的 Agent：

• Literature Search Agent：负责文献检索、去重、引文扩展，输出 literature.csv
• Literature Review Agent：负责从用户批准提纲和本地文献生成带证据的综述，输出 final_review.md

核心解决的是通用 AI 写作的四大顽疾：参考文献虚构、引用不足、证据范围不可控、文章结构失控。当前版本通过 Europe PMC 和 arXiv 检索、MinerU PDF 解析、确定性引用生成，实现文献综述的端到端可控。

解决什么问题

1. AI 虚构参考文献：通用模型会编造不存在的论文；本项目强制从真实检索结果和本地文档中提取证据。
2. 综述引文覆盖不足：Search Agent 支持一跳双向引文扩展（向前查引用、向后查被引），Review Agent 还会按章节分析证据覆盖率。
3. 证据 corpus 不透明：用户手动检查 Search Agent 返回的链接并下载，确保 Review Agent 只读用户明确授权的文献。
4. 文章结构失控：用户批准或提供 Markdown 提纲，Review Agent 按提纲自底向上写并审计。
5. 中断无法续跑：所有中间产物（检索结果、文献卡片、章节草稿）持久化存档，可从任意步骤恢复。

快速安装

环境要求

• Python 3.11+
• DeepSeek API Key（默认模型，用于检索和写作）
• MinerU API Key（仅独立运行 Review Agent 且需解析 PDF 时需要）

安装步骤

# 克隆仓库
git clone https://github.com/littlelelephant/literature-review-agent.git
cd literature-review-agent

# Windows PowerShell
powershell -ExecutionPolicy Bypass -File .\scripts\setup.ps1
.\.venv\Scripts\Activate.ps1

# Linux / macOS
sh ./scripts/setup.sh
source .venv/bin/activate

# 设置 API Key（项目不会自动加载 .env）
# DeepSeek（默认模型）
export DEEPSEEK_API_KEY="your-deepseek-key"

# MinerU（仅 PDF 解析需要）
export MINERU_API_KEY="your-mineru-key"

注意：Windows 用户需要 PowerShell 7+ 以支持某些脚本功能。

核心用法

模式一：完整流水线（Search + Review 组合）

第 1 步：Search Agent 检索文献

# 方式 A：用户自己提供 Markdown 提纲，跳过探索直接检索
literature-search start "Your research topic" \
  --outline-file ./examples/outline.example.md \
  --config ./agents/literature-search/config.yaml

# 方式 B：让 Agent 自己探索并生成提纲，批准后再继续
literature-search start "Reliability of retrieval-augmented generation in healthcare"

Search 完成后会生成 literature.csv，包含每篇文献的 access_url。

第 2 步：用户手动下载论文

# 用户检查 literature.csv 中的 access_url
# 将有权访问的 PDF 或 Markdown 论文下载到指定目录
# 例如：./literature/papers/

重要：Search 不自动下载任何文件，用户必须手动检查链接、遵守出版商访问条件，并将文件放入指定目录。

第 3 步：运行 Review Agent

# 前提：已有批准提纲（outline.example.md）+ 下载的文献目录
literature-review start \
  --outline ./examples/outline.example.md \
  --literature-dir ./literature/papers/ \
  --config ./agents/literature-review/config.yaml

Review Agent 会： 1. 将提纲转为标签树 2. 为每篇论文生成证据卡片 3. 自底向上写叶子章节 4. 审计结构、组装全文 5. 生成确定性引用和参考文献（final_review.md）

模式二：仅 Search Agent（独立使用）

# 构建可复现的文献集合，不运行 Review
literature-search start "Your research topic" \
  --outline-file ./examples/outline.example.md \
  --config ./agents/literature-search/config.yaml

# 输出：literature.csv（含 deduplication 和引文扩展结果）

模式三：仅 Review Agent（已有本地文献）

# 用户已有本地 PDF/Markdown 文献 + Markdown 提纲
literature-review start \
  --outline ./my-outline.md \
  --literature-dir ./my-papers/ \
  --config ./agents/literature-review/config.yaml

# 输出：final_review.md

最小可跑验证命令

# 1. 确认 Python 版本
python --version  # 需 >= 3.11

# 2. 确认虚拟环境已激活
which literature-search  # 应显示 venv 中的路径

# 3. 验证 Search Agent 基本运行（不加 --outline-file 让它探索）
literature-search start "LLM agents in healthcare" --config ./agents/literature-search/config.yaml

# 4. 检查输出
ls -la literature.csv   # 应存在

# 5. 验证 Review Agent（需先有 outline 和 literature-dir）
# 创建最小测试提纲
echo "# Research Outline\n## Introduction\n## Methods\n## Results\n## Discussion" > /tmp/test-outline.md

# 创建最小文献目录
mkdir -p /tmp/test-papers
# 放入任意 .md 或 .pdf 文件

literature-review start \
  --outline /tmp/test-outline.md \
  --literature-dir /tmp/test-papers/ \
  --config ./agents/literature-review/config.yaml

工作流详解

Search Agent 检索流程

研究主题
  ↓
提纲来源？
  ├─ AI 生成 → 探索性检索 → 证据对齐提纲提案 → 用户批准/反馈 → 正式检索
  └─ 用户 Markdown 提纲 → 直接正式检索
  ↓
Europe PMC + arXiv 检索
  ↓
元数据筛选 + 去重（含出版版本去重）
  ↓
一跳双向引文扩展（通过 Europe PMC）
  ↓
literature.csv（含 access_url）
  ↓
用户检查链接 + 手动下载 PDF/Markdown

Review Agent 写作流程

已批准 Markdown 提纲 + 用户下载的文献目录
  ↓
MinerU PDF → Markdown（如需）
  ↓
提纲 → 稳定标签树（章节语义定义）
  ↓
每篇论文 → 证据卡片
  ↓
标签索引 + 按章节覆盖率分析
  ↓
自底向上写叶子章节（每个引用都有来源）
  ↓
结构审计 + 溯源审计
  ↓
组装全文 + 确定性格式引用
  ↓
final_review.md

典型适用场景

1. 学术论文文献综述：医学、信息科学等领域，系统性检索 + 证据写作
2. 研究生开题：探索性检索 + AI 提纲 + 综述草稿
3. 系统性综述（Systematic Review）：多 Agent 协同、用户全程控制证据 corpus
4. 行业研究报告：基于真实文献的写作，避免 AI 幻觉引文
5. 课程论文：Literature Review 章节单独生成

坑与注意

与同类对比

核心差异：目前最完整的"检索—筛选—写作—审计"闭环开源方案，两个 Agent 独立可用，工作流状态持久化，适合严肃学术写作场景。

一句话推荐结论

如果你需要让 AI 写文献综述但又担心虚构参考文献和结构失控，literature-review-agent 是目前最完整的开源解决方案：Search 检索真实文献 + 用户控制证据 corpus + Review Agent 生成可审计综述，全程 LangGraph 状态管理可从任意步骤恢复。

来源：https://github.com/littlelelephant/literature-review-agent · README.md（EN + ZH-CN）· agents/literature-search/README.md · agents/literature-review/README.md · scripts/setup.sh / setup.ps1
不确定处：DeepSeek 模型版本（v3 / v2）未在文档中明确标注；MinerU API 的解析精度和费用结构未说明；长文本（>50篇文献）的 Review Agent 性能和 Token 消耗未提供基准数据；多轮迭代修订（用户反馈后重新生成）的具体命令接口未在 README 中完整描述