LLMMapReduce-V3: Enabling Interactive In-Depth Survey Generation through a MCP-Driven Hierarchically Modular Agent System
Dit artikel introduceert LLM×MapReduce-V3, een hiërarchisch modulair agentsysteem dat gebruikmaakt van Model Context Protocol (MCP) servers en een dynamische planner om interactieve, door mensen gestuurde generatie van uitgebreide, diepgaande onderzoeksoverzichten mogelijk te maken die bestaande baselines overtreffen in inhoudelijke diepgang en lengte.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een enorme, deskundige encyclopedie-inzending wilt schrijven over een complex onderwerp, zoals "De Geschiedenis van Kunstmatige Intelligentie". Dit alleen doen is overweldigend. Je zou honderden boeken moeten lezen, je gedachten moeten ordenen, duizenden woorden moeten schrijven en ervoor moeten zorgen dat alles logisch verloopt.
LLM×MapReduce-V3 is een nieuw, slim team van digitale assistenten die je precies hierbij helpen, maar met een twist: jij blijft in de bestuurdersstoel zitten.
Zo werkt het, uitgelegd via eenvoudige analogieën:
1. De "Lego" Bouwset (Het MCP-systeem)
Eerdere AI-tools waren als een vooraf gebouwd speelhuisje: je kon ernaar kijken, maar je kon niet gemakkelijk de muren veranderen of de keuken vervangen. Als je een andere indeling wilde, zat je vast.
Dit nieuwe systeem is als een enorme doos met Lego-steentjes.
- De Steentjes (MCP-servers): Elke specifieke taak—zoals "zoeken in de bibliotheek", "een boek samenvatten" of "een diagram tekenen"—is een apart, onafhankelijk Lego-steentje genaamd een MCP-server.
- De Bouwer (De Planner Agent): In plaats van een rigide, vooraf geschreven script te volgen, is er een slimme "voorman"-agent. Deze kijelt naar jouw verzoek en de beschikbare Lego-steentjes. Het besluit: "Oké, eerst moeten we boeken zoeken, dan moeten we ze groeperen, en dan moeten we een ruwe opzet maken."
- De Magie: Omdat de steentjes afzonderlijk zijn, kun je ze uitwisselen. Als je een specifieke universiteitsbibliotheek wilt gebruiken in plaats van het algemene internet, vervang je gewoon dat ene steentje. Je kunt ook je eigen aangepaste steentjes toevoegen als je speciale behoeften hebt.
2. Het Drie-aktenstuk (De Workflow)
Het systeem verdeelt de enorme taak van het schrijven van een overzichtend artikel in drie hoofdfasen, die worden afgehandeld door verschillende gespecialiseerde agents:
Akte 1: De Detective (Analysis Agent)
Je geeft het systeem een onderwerp. De Detective begint niet direct met zoeken. Het praat eerst met jou om te begrijpen precies wat je wilt. "Wil je de nadruk leggen op de geschiedenis of de toekomst?" "Ben je geïnteresseerd in de wiskunde of de ethiek?" Vervolgens gaat de Detective op pad om "bewijs" (onderzoekspapers) te verzamelen en organiseert deze in nette stapels op basis van waar ze over gaan.Akte 2: De Architect (Skeleton Agent)
Nu het bewijs is verzameld, bouwt de Architect het skelet (de opzet) van het artikel.- Stap A: Het bouwt een ruw frame (Skeleton Initialization).
- Stap B: Het leest het bewijs en voegt "post-its" toe die suggereren waar meer detail nodig is of waar het huidige plan zwak is (Digest Construction).
- Stap C: Het blijft het frame verfijnen, waarbij het ervoor zorgt dat de kamers logisch met elkaar verbonden zijn en dat er niets ontbreekt (Skeleton Refinement).
- Cruciaal punt: Bij elke stap kun jij ingrijpen. Als je de opzet niet leuk vindt, vertel je de Architect om het aan te passen. Het systeem luistert en past zich aan.
Akte 3: De Schrijver (Writing Agent)
Zodra het skelet perfect is en jij het hebt goedgekeurd, stapt de Schrijver in. Het vult de muren in, schrijft de paragrafen en zorgt voor een academische en professionele toon. Het regelt ook de lastige zaken, zoals het controleren of elke citatie correct is en zelfs het tekenen van diagrammen (zoals stroomdiagrammen) als je daarom vraagt.
3. Waarom is dit beter dan andere AI-tools?
Het paper vergelijkt dit systeem met andere "Deep Research"-tools (zoals die van Perplexity of OpenAI).
- Andere Tools: Zij zijn als een fastfood drive-thru. Je bestelt een burger en zij geven je een burger. Het is snel, maar je kunt ze niet vragen om de augurk te verwijderen, extra kaas toe te voegen of de broodjes te vervangen door een bagel. Het zijn "gesloten" systemen.
- LLM×MapReduce-V3: Het is als een maatwerkkeuken. Je kunt de chef precies vertellen hoe je je maaltijd wilt hebben. Als je halverwege het recept wilt veranderen, stopt de chef, luistert en past hij het aan.
4. Het Resultaat
De auteurs testten dit systeem door menselijke experts de artikelen te laten vergelijken die door hun systeem zijn gegenereerd met die van andere populaire AI-tools.
- Het Oordeel: De experts zeiden dat dit systeem langere, diepere en gedetailleerdere artikelen produceerde.
- De Reden: Omdat het systeem ruimte biedt voor human-in-the-loop interactie. Het raadt niet alleen wat je wilt, maar het vraagt het, luistert en verfijnt het plan totdat het overeenkomt met jouw specifieke onderzoeksdoelen.
Kortom: Dit paper introduceert een flexibel, modulair AI-team dat fungeert als je persoonlijke onderzoeksassistent. Het breekt de angstaanjagende taak van het schrijven van een lang academisch overzicht artikel af in kleine, beheersbare stappen, gebruikt een slimme "voorman" om het werk te coördineren, en laat jou — het allerbelangrijkste — het proces bij elke stap begeleiden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.