Resumen Técnico: PAPERPILOT – Búsqueda de Literatura Científica Agéntica de Múltiples Turnos mediante la Inducción de Flujos de Trabajo

1. Formulación del Problema

La búsqueda de literatura científica es cada vez más compleja, requiriendo a menudo algo más que una simple consulta de palabras clave para satisfacer la intención del usuario. Los investigadores deben navegar por vecindarios de citas, comparar metodologías, filtrar distractores y refinar las estrategias de búsqueda basadas en preferencias evolutivas (por ejemplo, direcciones de citación específicas, recencia o dominios de aplicación).

Los sistemas de búsqueda agénticos existentes suelen depender de canales de recuperación fijos o de un razonamiento implícito basado únicamente en el lenguaje. Estos enfoques sufren de dos limitaciones principales:

1. Falta de Control: Las estrategias de búsqueda son difíciles de inspeccionar o refinar cuando los usuarios proporcionan retroalimentación (por ejemplo, "enfocarse en trabajos más recientes").
2. Gestión de Intención Estática: Las necesidades de información ambiguas a menudo requieren una desambiguación interactiva, la cual los canales fijos no logran abordar de manera efectiva. Los agentes actuales suelen tratar la retroalimentación del usuario simplemente como texto de consulta adicional, en lugar de instrucciones para modificar el comportamiento de recuperación en sí mismo.

El artículo plantea que la búsqueda de literatura científica debe enmarcarse como un problema de inducción de flujo de trabajo interactivo de múltiples turnos, donde el agente construye y refina una estrategia de búsqueda ejecutable basada en la retroalimentación del usuario.

2. Metodología: PAPERPILOT

Los autores presentan PAPERPILOT, un sistema agéntico de múltiples turnos que trata la búsqueda de literatura como la inducción de un Grafo Acíclico Dirigido (DAG) ejecutable de operadores de búsqueda.

2.1 Marco de Inducción de Flujo de Trabajo

En lugar de un canal fijo, PAPERPILOT construye un DAG dinámico para cada solicitud del usuario:

• Conjunto de Herramientas (PAPERPILOT-TOOLSET): Una biblioteca de operadores de búsqueda de artículos tipados, que incluye búsqueda por palabras clave, expansión de citas (hacia adelante/atrás), filtrado, puntuación, reordenamiento (reranking) y extracción de evidencia.
• Estructura del DAG: Los nodos representan operadores instanciados ($v_i = (o_i, \theta_i)$), y las aristas representan el flujo de salidas intermedias (conjuntos de artículos, puntuaciones, palabras clave, evidencia). El sistema impone la consistencia de tipos entre los nodos.
• Ejecución Adaptativa: El agente selecciona los operadores relevantes y configura sus parámetros (por ejemplo, palabras clave de búsqueda, dirección de citación, predicados de filtrado) basados en la intención de búsqueda específica (por ejemplo, "líneas base sólidas" frente a "trabajos de seguimiento emergentes").

2.2 Bucle de Interacción

El sistema opera en un entorno de múltiples turnos:

1. Inicialización: Dado un artículo ancla ($p_0$) y una consulta de usuario ($q$), el agente induce un flujo de trabajo inicial ($G_0$).
2. Ejecución: El flujo de trabajo se ejecuta nodo por nodo, almacenando en caché las salidas intermedias.
3. Retroalimentación y Refinamiento: El usuario (o un simulador) proporciona retroalimentación ($f_t$). El agente refina el flujo de trabajo ($G_{t+1}$) editando la estructura del DAG, modificando los parámetros de los operadores o ajustando los conjuntos de candidatos intermedios.
4. Finalización: Tras un número finito de turnos, el agente devuelve una lista de artículos clasificados con evidencia.

2.3 Estrategia de Entrenamiento

PAPERPILOT-9B se entrena utilizando un proceso de supervisión de dos etapas para aprender la generación de DAGs válidos y la edición robusta:

1. Construcción de Datos: Trayectorias de flujo de trabajo de alta calidad son generadas por un modelo profesor fuerte a través de cinco direcciones de búsqueda (predecesor, sucesor, hermano, línea base, encuesta).
2. Ajuste Fino Supervisado (SFT): El modelo se entrena con 5,540 ejemplos de supervisión de flujo de trabajo donde el artículo de referencia aparece en los primeros 5 resultados.
3. Optimización de Preferencias (DPO): Para mejorar la estabilidad y el manejo de errores, los autores construyen pares de preferencia corrompiendo flujos de trabajo exitosos con errores estructurales y semánticos (por ejemplo, referencias inválidas, entradas faltantes, nodos eliminados). El modelo se optimiza para preferir el flujo de trabajo correcto sobre el corrompido utilizando un objetivo DPO de tipo IPO.

3. Contribuciones Clave

1. Formulación de Inducción de Flujo de Trabajo: El artículo formula la búsqueda científica de múltiples turnos como la inducción de flujos de trabajo ejecutables estructurados en DAG, convirtiendo la retroalimentación del usuario en ediciones concretas de las estrategias de búsqueda en lugar de solo texto de consulta.
2. Modelo PAPERPILOT-9B: Un agente de 9 mil millones de parámetros entrenado con imitación de flujo de trabajo y optimización de preferencias sobre flujos de trabajo corrompidos, demostrando una mejora en la calidad de la recuperación y la estabilidad del flujo de trabajo.
3. Benchmark Reproducible: Un conjunto de evaluación de reserva con protocolos de interacción controlados (utilizando un simulador de usuario basado en LLM) para permitir comparaciones justas entre entornos de un solo turno y de múltiples turnos.

4. Resultados Experimentales

El sistema fue evaluado en un benchmark que cubre cinco direcciones de búsqueda, comparando PAPERPILOT-9B contra modelos base (Qwen3.5-9B, Qwen3.5-397B) y sistemas propietarios más grandes (GPT-5.4, OpenAI DeepResearch).

4.1 Rendimiento de Recuperación

En el entorno de múltiples turnos, PAPERPILOT-9B superó significativamente al agente de conjunto de herramientas base Qwen3.5-9B:

• Hit@5: Aumentó de 58.0 a 77.0.
• MRR: Aumentó de 47.5 a 59.4.
• nDCG@10: Aumentó de 26.8 a 32.5.
• Estabilidad del Flujo de Trabajo: Los errores de ejecución se redujeron de 9.5% a 0%.

Notablemente, PAPERPILOT-9B superó al baseline de búsqueda web de un solo turno de GPT-5.4 en Hit@5, Hit@10, Hit@15 y MRR, a pesar de utilizar un modelo más pequeño y menores costos de inferencia.

4.2 Costo-Efectividad

PAPERPILOT ofrece una relación costo-rendimiento favorable:

• OpenAI DeepResearch: Cuesta ~$6.09 por caso con 72.0 Hit@5.
• PAPERPILOT-9B: Cuesta ~$0.018 por caso alcanzando 77.0 Hit@5.
• GPT-5.4 con Toolset: Logró el rendimiento absoluto más alto (84.0 Hit@5) a $0.15 por caso.

4.3 Ablación y Análisis

• Edición de Flujo de Trabajo: PAPERPILOT-9B mostró una consistencia de edición local superior (añadir, modificar, eliminar nodos) en comparación con los modelos base, confirmando que el entrenamiento ayuda al modelo a tratar la retroalimentación como instrucciones estructurales.
• Escala de Búsqueda: Aumentar el tamaño del conjunto de candidatos más allá de $K=8$–$10$ generalmente degradó el rendimiento, lo que sugiere que los conjuntos más grandes introducen distractores que debilitan el filtrado posterior.
• Estudio Humano: En un estudio con participantes humanos, PAPERPILOT alcanzó una tasa de éxito del 74.7% y una Distancia de Top-1 de 2.4, superando significativamente a GPT-5.4 (32.0% de éxito) y OpenAI DeepResearch (8.0% de éxito).

5. Significado y Reivindicaciones

El artículo sostiene que los flujos de trabajo de búsqueda explícitos y editables proporcionan una interfaz efectiva y controlable para alinear los agentes de búsqueda de literatura con intenciones científicas complejas y evolutivas.

Puntos clave enfatizados por los autores:

• Control vs. Razonamiento Implícito: Pasar del razonamiento lingüístico implícito a la inducción de DAG explícita permite a los usuarios inspeccionar y refinar directamente la estrategia de búsqueda.
• Estabilidad mediante el Entrenamiento: Entrenar con flujos de trabajo corrompidos es esencial para que los modelos más pequeños mantengan la estabilidad durante las interacciones de múltiples turnos, evitando la acumulación de errores observada en agentes no entrenados.
• Practicidad: El enfoque demuestra que una búsqueda científica de alta calidad no requiere modelos propietarios masivos; el uso estructurado de herramientas y el control del flujo de trabajo pueden generar resultados superiores con costos significativamente menores.

Los autores reconocen limitaciones, incluyendo la dependencia de una biblioteca de operadores predefinida, los posibles sesgos de las trayectorias del modelo profesor y el uso de retroalimentación de usuario simulada en lugar de interacción del mundo real. Sugieren que trabajos futuros deberían explorar dominios más amplios y bibliotecas de operadores adaptativas.