4.2**"检索先行"的闭环工作流**
在"智研星图"智能体的整体架构中，"检索先行，生成在后"并非一个简单的功能选项，而是贯穿系统始终、不容妥协的核心设计原则与基础工作流逻辑。这一机制从根本上确立了LLM与传统学术数据库的协作范式，确保智能体输出的每一个学术论断都根植于真实、新鲜、可验证的外部证据，从而系统性地构建起一个高效、可信且负责任的学术辅助系统。
传统的LLM在直接处理用户查询时，本质上扮演的是一个"基于参数化记忆的生成器"，其回应源于在训练数据中所学习到的统计模式，这带来了三个固有风险：
1）幻觉：生成看似合理但实则虚构的内容；
2）时效性滞后：无法获取训练截止日期之后的最新知识；
3）证据缺失：无法为生成的内容提供具体的、可追溯的文献来源，这在严谨的学术场景中是致命的。
"智研星图"的"检索先行"工作流，旨在将LLM从"生成器"重新定位为"基于证据的合成器"。这一设计哲学建立在检索增强生成（Retrieval-Augmented Generation, RAG）模型架构的思想之上，但其实现更为严格和彻底。系统强制性地将LLM的生成能力与外部权威知识源（万方数据库）进行捆绑，使得LLM的创造性分析和语言生成能力被用于加工和处理那些经过同行评议的、最新的真实世界证据，而非其内部可能过时或不准确的参数化知识，其执行逻辑可分解为以下三个核心阶段：
**阶段一：**当用户提交一个需要外部知识的学术查询（例如："近三年人工智能在蛋白质折叠预测中的最新进展"）时，智能体的第一反应绝非直接调用LLM生成答案。相反，系统会将解析后的意图转化为万方数据库能够高效执行的精准检索指令。
**阶段二：**系统通过深度集成的万方数据库API接口执行实时检索。万方数据库作为一个包含海量中英文期刊、学位论文、会议论文的高质量学术资源库，为此提供了坚实的数据保障。检索返回的并非全文，而是一系列包含标题、摘要、关键词、作者、期刊来源、发表时间、DOI等核心元数据的文献列表。
**阶段三：**这是"生成在后"的关键环节。检索得到的文献元数据列表被作为唯一的、强制性的上下文，注入到精心设计的Prompt模板中。Prompt会以明确的指令约束LLM的行为，在这个严格框架下，LLM的核心任务不再是"回忆"，而是"阅读、理解、关联、整合与表述"。它需要理解每一篇相关摘要的核心贡献，比较不同文献之间的发现是否一致或存在分歧，从多篇文献中总结出共同趋势、核心方法或主流结论，最终以清晰、有条理的方式组织语言，生成答案。
整个工作流通过强制性前置检索，将LLM的生成空间牢牢限制在提供的证据范围内，从根本上切断了模型"凭空编造"的路径，大幅提升了输出的可靠性。同时，智能体的知识更新不再依赖于耗时的模型重训练或微调。万方数据库的实时性保证了系统总能基于最新研究生成答案，而其权威性则确保了答案的科学价值。此外，"智研星图"提供的不仅是答案，更是一个精心筛选的"入门文献包"。用户可能会因为其中一篇引用的文献而发现一个全新的研究方向，从而激发了更深层次的学术探索。
"检索先行"的RAG范式成功地将知识存储与知识使用解耦，将海量、动态更新的知识存储在万方数据库这一高效外部系统中，而让LLM专注于其最擅长的"理解与推理"工作。这种分工协作的模式，在成本、效率和效果上达到了最佳平衡。