Consensus Scholar Agent：使用 GPT-5 與 Responses API 的研究自動化

多代理架構用於研究綜合

Scholar Agent 透過使用協調的專門代理工作流程，將 Consensus 從垂直搜尋引擎轉變為代理式助理。此模組化設計確保推理精確，並透過限制每個代理的範圍來減少幻覺。

系統使用四個主要代理：

  • Planning Agent：規劃代理：分解使用者的查詢並決定所需的行動順序。
  • Search Agent：搜尋代理：掃描 Consensus 論文索引、使用者私人圖書館與引用圖譜。
  • Reading Agent：閱讀代理：個別或批次解讀學術論文。
  • Analysis Agent：分析代理：綜合最終結果，決定視覺結構，並撰寫輸出。

此架構實踐了團隊所稱的「情境工程」，系統會在最終生成之前組裝「研究情境包」——一個包含中繼資料與發現的結構化集合。如果沒有符合品質門檻的相關研究，系統會被程式設計為拒絕回答，而非捏造資訊。

透過 Responses API 與 GPT-5 的技術實作

Consensus 從 Chat Completions API 轉移至 Responses API，以更好支援多代理路由，提升了成本效益與可靠性。團隊根據早期評估選擇 GPT-5，因為它在工具呼叫準確度與規劃穩定性兩個關鍵領域上優於 GPT-4.1、Sonnet 4 與 Gemini 2.5 Pro。

此變更使開發團隊能專注於將代理行為映射到實際研究工作流程，而非優化提示詞。

市場採用與臨床應用

Consensus 採用了直面消費者的模式，目標對象為學生、教師與臨床醫師，而非透過學術機構銷售。此策略使平台在全球觸及超過 800 萬名研究人員，且在過去一年營收成長了 8 倍。

  • User Base：使用者基礎：在研究所學生、博士候選人與教師之間快速成長。
  • Medical Mode：醫療模式：專為尋求臨床證據的從業者設計的新功能。
  • Institutional Partnerships：機構合作夥伴關係：公司最近與 Mayo Clinic 醫學圖書館簽約。

未來可擴展性

平台的模組化架構設計允許隨著模型能力擴展而整合新代理。未來規劃的功能包括能夠複製實驗、執行統計分析與生成圖表的代理。

Sources