EMBL AI 사서: AI 에이전트를 위한 생명과학 지식 계층

초록

웹은 점점 더 인간보다 AI 에이전트에 의해 접근되고 있다. 모든 에이전트는 지식을 필요로 하며, 특히 에이전트 기반 파이프라인이 빠르게 성장하는 생명과학 분야에서 그 필요가 크다. 문헌 접근은 그러한 요구의 핵심적인 부분이며, 4천만 개 이상의 색인 레코드를 보유한 Europe PMC와 같은 자원이 이를 충족하기 위해 널리 사용된다. 그러나 이러한 자원은 AI 에이전트를 위해 설계되지 않았다. 키워드와 복잡한 구문을 받아 전체 논문을 반환하기 때문에, 에이전트는 구문을 익히고 여러 번 검색을 수행한 다음 필요한 증거를 찾기 위해 전체 논문을 읽어야 한다. 우리는 AI 에이전트를 위해 Europe PMC 인터페이스를 업그레이드하는 지식 계층인 EMBL AI Librarian을 소개한다. 에이전트는 자연어로 질문하고, 그 질문에 답하는 증거를 받는다. 단일 LLM이 전체 지식 검색 과정을 조율한다. 즉, 실제 Europe PMC 검색 엔진이 실행할 보완적 하위 질의를 계획하고, 선택된 논문을 읽은 후 관련 증거를 찾아낸다. 우리는 문헌 종합, 주장 검증, 개방형 도메인 질의응답, 그리고 프로토콜 질문과 서열 조작 같은 다운스트림 생물학 작업 등 네 가지 벤치마크에서 Librarian을 평가한다. ScholarQABench에서 Librarian은 최근 발표된 강력한 기준선들보다 인용 F1을 16포인트 이상 향상시킨다. 기존 주장 검증 파이프라인의 검색 계층으로 사용될 때 전문가 합의와의 일치도를 높이며, 개방형 LitQA2 벤치마크에서 GPT-5.4 에이전트는 웹 검색을 사용할 때보다 Librarian에 근거할 때 약 8포인트 더 높은 점수를 받는다. 전반적으로, 우리의 결과는 생명과학 에이전트에 Librarian 지식 계층을 장착함으로써 다양한 작업에서 성능이 향상됨을 보여준다. 코드는 https://github.com/petroni-lab/librarian 에서 공개적으로 제공한다.

English

The web is increasingly accessed by AI agents rather than humans. Every agent needs knowledge, especially in the life-sciences, where agentic pipelines are growing fast. Access to the literature is a crucial part of that need, and resources such as Europe PMC, with over 40M indexed records, are widely used to meet it. Yet these resources were not built for AI agents: they take keywords and complex syntax and return whole papers, so every agent must learn the syntax, issue several searches, and read full papers to find the evidence it needs. We introduce EMBL AI Librarian, a knowledge layer that upgrades the Europe PMC interface for AI agents: an agent asks in natural language and receives evidence that answers it. A single LLM orchestrates the whole knowledge retrieval process: it plans complementary subqueries executed by the live Europe PMC search engine, then reads the selected papers and locates the relevant evidence. We evaluate Librarian across four benchmarks: literature synthesis, claim verification, open-domain question answering, and downstream biology tasks such as protocol questions and sequence manipulation. On ScholarQABench, Librarian improves Citation F1 by more than 16 points over strong recently published baselines. Used as the retrieval layer of an existing claim-verification pipeline, it increases agreement with expert consensus; and on the open-form LitQA2 benchmark, a GPT-5.4 agent scores about 8 points higher when grounded in Librarian than with web search. Overall, our results show that equipping life-science agents with the Librarian knowledge layer improves performance across a range of tasks. We release our code publicly at https://github.com/petroni-lab/librarian