---
title: 文献综述助手 (又名不想看文献)
emoji: 📚
colorFrom: blue
colorTo: indigo
sdk: gradio
sdk_version: "4.25.0"
app_file: app.py
pinned: false
---
# MedicalReviewAgent 不想看文献
## 项目概述
- 整一个帮我写综述的Agent，希望他能完成文献内容的收集，文本分类和总结，科学事实对比，撰写综述等功能
- 计划用到RAG, function calling等技术
- 还在不断摸索中，欢迎大佬指导！
## 流程图
基本上就是在上海AIlab的茴香豆上面改的 这里主要讲解使用流程 架构和茴香豆一样 [茴香豆架构](https://github.com/InternLM/HuixiangDou/blob/main/docs/architecture_zh.md)
### 文献库和知识库构建
### 人机合作写文章
## 功能
1. **模型服务配置**
- **远程模型选择**：允许用户选择使用远程大模型或本地模型。提供多种大模型提供商选择，如kimi、deepseek、zhipuai、gpt。
2. **文献查找+数据库生成**
- **文献查找**：
- 用户可以输入感兴趣的关键词，设置查找数量，并进行PubMed PMC文献查找。
- 支持用户上传已有的PDF文献文件，可处理复杂PDF结构。
- **文献库管理**：
- 支持删除现有文献库。
- 提供文献库概况的实时更新。
- **数据库生成**：
- 用户可以设置块大小用于构建数据库
- 用户可以设置聚类数量用于文本聚类
- **数据库管理**：
- 支持生成新的数据库，删除现有数据库，并查看数据库概况。
3. **写综述**
- **抽样标注文章聚类**：
- 用户可以选择特定的块大小和聚类数，设置抽样标注比例，并开始标注过程。
- **获取灵感**：
- 基于标注的文章聚类，大模型提供灵感，帮助用户生成综述所需的问题框架。
- **综述生成**：
- 用户可以输入想写的内容或主题，点击生成综述按钮，系统将自动生成综述文本并提供参考文献。
## 亮点
1. **高效的文献查找和管理**
- 通过关键词快速查找相关文献，支持上传已有PDF文献，方便文献库的构建和管理。
2. **灵活的数据库生成**
- 提供灵活的数据库生成参数设置，支持多次生成和更新数据库，保证数据的及时性和准确性。
3. **智能的综述生成**
- 基于先进的大模型技术，提供自动化的文章聚类标注和灵感生成功能，帮助用户快速生成高质量的综述文本。
4. **用户友好界面**
- 直观的操作界面和详细的使用指导，让用户能够轻松上手和使用各项功能。
5. **远程和本地模型支持**
- 支持多种大模型提供商的选择，满足不同用户的需求，无论是本地模型还是远程大模型，都能灵活配置和使用。
## 安装运行
新建conda环境
```bash
conda create --name ReviewAgent python=3.10.14
conda activate ReviewAgent
```
拉取github仓库
```bash
git clone https://github.com/jabberwockyang/MedicalReviewAgent.git
cd MedicalReviewAgent
pip install -r requirements.txt
```
huggingface-cli下载模型
```bash
cd /root && mkdir models
cd /root/models
# login required
huggingface-cli download Qwen/Qwen1.5-7B-Chat --local-dir /root/models/Qwen1.5-7B-Chat
huggingface-cli download maidalun1020/bce-embedding-base_v1 --local-dir /root/models/bce-embedding-base_v1
huggingface-cli download maidalun1020/bce-reranker-base_v1 --local-dir /root/models/bce-reranker-base_v1
```
启动服务
```bash
conda activate ReviewAgent
cd MedicalReviewAgent
python3 app.py
```
gradio在本地7860端口运行
## 技术要点
基于茴香豆加了几个功能
1. 本地和远程模型灵活配置
- 本地模型是qwen1.5 7b chat
- 用户也可以在前端界面填写自己的API，本地远程模型任意切换
3. 文献搜索和文本清洗
- 用户键入文献检索关键词，自动从PubMed公开数据库上搜索并下载文献全文
- xml到txt的文本清洗，去除reference 等无关信息
4. 基于[Ragflow](https://github.com/infiniflow/ragflow/blob/main/README_zh.md)的deepdoc库的PDF识别
- 输出文献中的文字和表格，其中文字存储为 txt, 表格存储为图片，json, html三个格式
- 目前工作流中仅利用文字，表格数据的利用开发中
5. chunk size可调的数据库生成
- default 1024 [ref](https://www.llamaindex.ai/blog/evaluating-the-ideal-chunk-size-for-a-rag-system-using-llamaindex-6207e5d3fec5)
6. 嵌入kmeans聚类
- 基于Faiss库
- k可调
7. 基于LLM的聚类内容标注
- 为节省算力，可以抽样标注
- 标注后本地储存避免重复标注
8. 基于LLM的子问题生成
- 聚类标注内容作为context，生成对应的子问题
9. 基于LLM的综述生成
- 输入可以是用户自己的问题，也可以参考之前llm生成的子问题
- 为了比较同一个科学问题的不同来源的观点，修改了一部分茴香豆的Retriever逻辑
- retreiver 优化 [ref](https://medium.aiplanet.com/evaluating-naive-rag-and-advanced-rag-pipeline-using-langchain-v-0-1-0-and-ragas-17d24e74e5cf)
- 返回topk =10的分段
- 由于LLM捞针能力在头尾两端较靠谱，用langchain_community.document_transformers.LongContextReorder 将相关性较高的文本分布在头尾两端
10. gradio前端
## TODO
1. 自然语言到文献搜索参数的functional call功能
- 比如：
- 输入：帮我搜索近五年特应性皮炎相关的孟德尔随机化文章，不要综述
- 输出：
```json
{"keywords":["atopic dermatitis","mendelian randomisation"],
"min-year":2019,
"max-year":2024,
"include-type":null,
"exclude-type":"review"
}
```
2. 摸索适用于不同需求的chunk size和 k值
- 比方说用来找某个实验方法用多大浓度的试剂，和总结某研究领域的前沿进展所用到的chunksize应该是不一样的吧🤔
- 后者的大小其实取决于前者叭🤔
3. 表格数据利用
## 感谢
1. [茴香豆](https://github.com/InternLM/HuixiangDou)
2. [E-utilities](https://eutils.ncbi.nlm.nih.gov/entrez/eutils/efetch.fcgi?db=pmc&id=PMCID)
3. [Ragflow](https://github.com/infiniflow/ragflow/blob/main/README_zh.md)
4. [Advanced RAG pipeline](https://medium.aiplanet.com/evaluating-naive-rag-and-advanced-rag-pipeline-using-langchain-v-0-1-0-and-ragas-17d24e74e5cf)