Busca de Literatura Científica com Agente em Múltiplas Rodadas via Indução de Workflow

Resumo

A busca por literatura científica frequentemente exige mais do que recuperar artigos a partir de uma única consulta: as intenções dos usuários são subespecificadas, dependentes de preferências e evoluem através da interação. Agentes de busca existentes normalmente dependem de pipelines fixos ou raciocínio implícito baseado apenas em linguagem, tornando suas estratégias de busca difíceis de controlar, inspecionar e refinar. Apresentamos o PaperPilot, um agente de busca bibliográfica multi-turno que enquadra a busca científica como indução de fluxo de trabalho. Dado um artigo âncora e uma consulta do usuário, o PaperPilot constrói um DAG executável de operadores de busca de artigos, incluindo busca por palavras-chave, expansão de citações, filtragem, pontuação, reordenação e extração de evidências. O feedback do usuário é então usado para refinar tanto a consulta quanto o próprio fluxo de trabalho. Treinamos o PaperPilot com imitação supervisionada de fluxo de trabalho e otimização de preferência sobre corrupções controladas de fluxo de trabalho. Experimentos mostram que o PaperPilot-9B melhora em relação ao agente base Qwen3.5-9B em interação multi-turno, aumentando Hit@5 de 58,0 para 77,0, MRR de 47,5 para 59,4 e nDCG@10 de 26,8 para 32,5, enquanto reduz erros de execução de fluxo de trabalho de 9,5% para 0%. Esses resultados mostram que fluxos de trabalho de busca explícitos e editáveis fornecem uma interface eficaz e controlável para alinhar agentes de busca bibliográfica com intenções científicas complexas.

English

Scientific literature search often requires more than retrieving papers from a single query: users' intents are underspecified, preference-dependent, and evolve through interaction. Existing search agents typically rely on fixed pipelines or implicit language-only reasoning, making their search strategies difficult to control, inspect, and refine. We introduce PaperPilot, a multi-turn literature search agent that frames scientific search as workflow induction. Given an anchor paper and a user query, PaperPilot constructs an executable DAG of paper-search operators, including keyword search, citation expansion, filtering, scoring, reranking, and evidence extraction. User feedback is then used to refine both the query and the workflow itself. We train PaperPilot with supervised workflow imitation and preference optimization over controlled workflow corruptions. Experiments show that PaperPilot-9B improves over the base Qwen3.5-9B toolset agent under multi-turn interaction, increasing Hit@5 from 58.0 to 77.0, MRR from 47.5 to 59.4, and nDCG@10 from 26.8 to 32.5, while reducing workflow execution errors from 9.5% to 0%. These results show that explicit, editable search workflows provide an effective and controllable interface for aligning literature search agents with complex scientific intent.