HERMES: a multi-agent framework for structured knowledge extraction from ultra-long documents in geoscience
作者: Ziqi Song, Zongyuan Xiang, James G. Ogg, Bruce S. Lieberman, Gabi Ogg, Natalia López Carranza, Wen Du, Yufei Ye, Shuan Li, Zhong Peng, Shaoqi Yu, Juye Wei, Ying Zhou, Jieping Ye, Jiang Yang
分类: cs.CL
发布日期: 2026-08-14
备注: 31-page main manuscript with 6 figures and 3 tables; supplementary information included
💡 一句话要点
提出HERMES框架以解决地球科学文献知识提取问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 知识提取 多代理系统 地球科学 结构化数据 文献处理
📋 核心要点
- 现有文献中的非结构化文本和复杂布局使得科学知识的计算机访问变得困难，限制了知识的提取和利用。
- HERMES框架通过协调的大语言模型，整合了领域约束和验证规则，实现了从超长文献中提取结构化数据的统一过程。
- 在《无脊椎动物古生物学专论》中，HERMES成功提取了大量化石数据，效率提升约六倍，且在不同地球科学领域表现出良好的迁移能力。
📝 摘要（中文）
地球科学领域的权威知识大多被困于传统的专著和历史文献中，非结构化文本和复杂布局阻碍了计算机访问。本文介绍了HERMES，一个可扩展的多代理框架，用于从超长科学文献中提取结构化数据。HERMES利用协调的大语言模型，将领域约束、验证规则和证据追踪整合到统一的文档级提取过程中，涵盖解析文本、表格、图形和标题。该系统在《无脊椎动物古生物学专论》的55卷中应用，生成了一个包含32,277个化石分类实体和451,878个属性的结构化数据库，在线发布。提取性能在化石组之间保持稳定，平均F1分数约为0.90和0.91，效率提升约六倍。该研究为将历史科学文献转化为面向FAIR的结构化数据提供了可行路径。
🔬 方法详解
问题定义：本文旨在解决从超长科学文献中提取结构化知识的难题。现有方法在处理非结构化文本和复杂布局时效率低下，难以实现高效的数据提取。
核心思路：HERMES框架通过引入协调的大语言模型，结合领域特定的约束和验证规则，提供了一种统一的文档级提取方法，能够有效处理多种文献格式。
技术框架：HERMES的整体架构包括多个模块：文本解析、表格和图形处理、证据追踪及数据验证。各模块协同工作，确保提取过程的高效性和准确性。
关键创新：HERMES的主要创新在于其多代理系统和文档级提取能力，能够在处理复杂文献时保持高效性和准确性，这与传统方法的逐段处理方式有本质区别。
关键设计：在设计中，HERMES采用了特定的损失函数来优化提取效果，并通过参数调优确保模型在不同文献类型中的适应性。
🖼️ 关键图片
📊 实验亮点
HERMES在《无脊椎动物古生物学专论》中提取了32,277个化石分类实体和451,878个属性，平均F1分数分别达到0.90和0.91。相较于完全手动的基线，提取效率提升约六倍，且在不同地球科学领域的迁移能力表现良好。
🎯 应用场景
HERMES框架在地球科学领域具有广泛的应用潜力，能够帮助研究人员从历史文献中提取结构化数据，促进知识的再利用和整合。该系统为数据密集型学科提供了可持续的基础设施，支持大规模知识集成，推动科学研究的进步。
📄 摘要（原文）
Authoritative scientific knowledge in geoscience remains largely trapped in legacy monographs and historical literature, where unstructured text and complex layouts hinder computational access. We introduce HERMES, a scalable multi-agent framework that extracts structured data from ultra-long scientific documents. Using a coordinating large language model, HERMES integrates domain constraints, validation rules and evidence tracing within a unified document-level extraction process that incorporates parsed text, tables, figures and captions. Applied to the 55-volume Treatise on Invertebrate Paleontology, the system produced a structured database of 32,277 fossil taxonomic entities and 451,878 attributes, released online at https://treatise.geolex.org. Extraction performance remained stable across fossil groups (average F1 scores of approximately 0.90 for entities and 0.91 for attributes), improving per-volume efficiency approximately sixfold relative to the tested fully manual baseline. Evaluation in palaeomagnetism and geochemistry, conducted without additional model training, demonstrated transfer across distinct geoscience domains. This work provides a practical pathway to transform historical scientific literature into FAIR-oriented structured data, offering a sustainable infrastructure for data-intensive disciplines and large-scale knowledge integration.