Проблема информационного шума
В эпоху автоматизированного поиска (autoresearch) объем публикаций растет экспоненциально, что делает сложным выявление действительно новых и методологически значимых работ. Авторы из команды KnowMe предлагают решение, которое не полагается на тяжеловесные LLM-инференсы в обычном режиме работы, а использует гибридный подход к оценке релевантности.
Как работает KnowMe Paper Radar
Система агрегирует несколько источников доказательств для формирования персонализированных приоритетов чтения. Пользователь задает темы, приоритеты, исключения и временные рамки. Алгоритм учитывает:
- Тематическую релевантность;
- Свежесть публикации (recency);
- Историю исследований авторов;
- Пути сотрудничества (collaboration paths);
- Институциональный контекст в направлении исследования.
Ключевая особенность — прозрачность: система показывает каждый компонент оценки и его источники, помогая исследователям выбирать статьи под конкретные вопросы и находить работы за пределами круга знакомых авторов.
Технические преимущества и метрики
Автоматический сбор данных, слияние версий и повторное использование графового кэша (graph-cache reuse) позволяют избежать затратных LLM-запросов при рутинном использовании. Эксперименты на выборке из 174 640 записей показали следующие результаты:
| Метрика | До оптимизации | После внедрения кэша/KnowMe | Эффект |
|---|---|---|---|
| Скорость подготовки контекста | Базовая | Ускорение | >3x быстрее |
| NDCG@10 (экспертная оценка) | 0.412 | 0.598 | +45% релевантности |
Для кого и зачем
Инструмент доступен через браузерный интерфейс и структурированный CLI, что делает его полезным как для людей, так и для research-агентов. KnowMe позиционируется как критически важный «верхнеуровневый» (upstream) инструмент для рабочих процессов рекурсивного самосовершенствования (RSI), где требуется быстрая и точная литературная основа для планирования.
Доступность
Проект находится в стадии активной разработки (Ongoing work). Полный текст статьи (67 страниц, 34 рисунка, 37 таблиц) доступен на arXiv, а исходный код опубликован на GitHub. DOI: 10.48550/arXiv.2611.23702.
Источник: arXiv cs.AI ↗
