LINUX SB 快照站

用了几种agent，也都用调用gpt，claude御两家的模型，给一个proposal让它自己补全文献+撰写全文+排版+参考文献插入，都分布一点点跑通了。
但我现在有一个没跑通，就是它没办法帮我作图，或者说拼图。
做review整理，会把参考文献的代表性图拿出来重新拼成组图，放到文章里面；
我在想它能不能自己到各个学术网站，willy，spring等等，下载原图，判断代表数据，然后一个top内容的拼接在一起，直接用于发表；有没有大佬讨论一下，看有没有可能做到！！

挺难的，我一直觉得图片格式对于大模型处理起来是非常困难的事情。我也让agent拼过图，效果挺一般的，很难找到正确的位置。

@Lucky-W #1 我有一个想法，就是把拼图做成一个死板的八股文，让它填空。
比如我做一个A4大小画布的psd工程文件，分2X3的布局，让它下载原图，插入到里面。
之后自己打开这个psd文件对里面的图层简单裁剪。
但我没token了，试不了

下载原图这个功能现在很多搜索/爬虫工具都能做到。对于内容的平接，如果是将图片内容进行拼接，当前Figma就可以做到。
个人认为AI学术最重要的就是检索能力，减少幻觉的出现。一篇paper需要将paper进行模块化。比如part1,2,3等等。这些part可以是开发者自己设定，也可以是AI进行划分。然后给到subagent去完成。这样可以减少上下文避免幻觉。当前业界为了提高学术检索和生成的准确性，常规做法就是让LLM将检索回来的内容简明重点的概括一下，或者去填一个to-do list。这需要根据模型而定，你说你用的claude系列模型，在claude自己的技术报告说明，对于opus系列模型，to-do list会降低自身的推理能力。（当然这些技术报告也不能全信，因为这个逼养的在关于claude code技术报告说自家Agent用的工具是不多的，就20多个，结果源码一泄露50多个工具）
其实更好的做法是交互式，用户提问，plan_agent根据用户的问题进行规划和追问。然后调用一个coding_agent根据规划创建sub_agent。由这些sub_agent完成每个段落。你说的图片可以专门的创建一个sub_agent去完成。当然这个架构开发难度可能稍高，好处是适应性和个性化很强。

@answeryt #3 感谢大佬！"交互式，用户提问"这个做法我写自己的正经article的时候再用，但有点想更懒省事，直接把综述一类的内容丢给他，我尝试一下，正好今天gpt重置了，感谢大佬。