A Multi-Agent Rhizomatic Pipeline for Non-Linear Literature Analysis

📄 arXiv: 2603.28336v1 📥 PDF

作者: Julio C. Serrano. Joonas Kevari, Rumy Narayan

分类: cs.AI, cs.LG

发布日期: 2026-03-30

备注: Research note paper, 12 pages, 1 figure, 2 tables

💡 一句话要点

提出基于多智能体Rhizomatic流程的非线性文献分析方法，突破传统线性综述局限。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 非线性文献分析 多智能体系统 根茎理论 知识图谱 语义分析 动态断裂检测 大型语言模型 文献综述

📋 核心要点

  1. 传统文献综述采用线性方法，忽略了研究领域中重要的横向联系和涌现模式。
  2. 论文提出Rhizomatic Research Agent，通过多智能体系统模拟根茎理论，实现非线性文献分析。
  3. 初步实验表明，该系统能够发现传统方法难以发现的跨学科融合和研究空白。

📝 摘要（中文）

社会科学中的系统性文献综述通常采用树状逻辑——分层关键词过滤、线性筛选和分类，这抑制了复杂研究领域中固有的横向连接、断裂和涌现模式。本文介绍Rhizomatic Research Agent (V3)，这是一个基于德勒兹过程关系本体论的多智能体计算流程，旨在通过12个专业智能体在七个阶段的架构中进行非线性文献分析。该系统是为了响应(Narayan2023)的方法论基础而开发的，后者在其关于可持续能源转型的博士研究中采用了根茎式探究，但依赖于手动、研究者驱动的探索。Rhizomatic Research Agent将根茎的六个原则——连接、异质性、多样性、无意义断裂、制图学和转印——转化为一个自动化流程，集成了大型语言模型（LLM）编排、来自OpenAlex和arXiv的双源语料库摄取、SciBERT语义地形和动态断裂检测协议。初步部署表明，该系统能够发现传统综述方法系统性地忽略的跨学科融合和结构性研究空白。该流程是开源的，并且可以扩展到任何需要非线性知识映射的现象区域。

🔬 方法详解

问题定义：现有社会科学文献综述方法主要采用树状结构，依赖于层级关键词过滤、线性筛选和分类，无法有效捕捉研究领域中复杂的非线性关系，例如跨学科的联系、突发的研究进展和潜在的研究空白。这种线性方法限制了研究者对知识的全面理解，阻碍了创新性研究的产生。

核心思路：论文借鉴德勒兹的根茎（Rhizome）理论，将文献分析过程视为一个非线性的、多方向的探索过程。通过模拟根茎的连接、异质性、多样性等特征，构建一个能够发现文献之间潜在联系和断裂的系统。核心在于打破传统的线性思维，鼓励研究者从多个角度和维度审视文献，从而获得更深入的理解。

技术框架：Rhizomatic Research Agent (V3) 包含七个阶段，由12个专业智能体协同工作。首先，系统从OpenAlex和arXiv等数据源摄取文献语料库。然后，利用SciBERT等模型构建文献的语义地形图。接着，通过动态断裂检测协议，识别研究领域的突发变化。最后，利用大型语言模型（LLM）进行编排，整合各个智能体的输出，生成非线性的知识图谱。

关键创新：该方法的核心创新在于将根茎理论应用于文献分析，打破了传统线性综述的局限。通过多智能体系统模拟根茎的特性，实现了对文献之间复杂关系的自动发现和可视化。此外，系统还引入了动态断裂检测协议，能够及时捕捉研究领域的最新进展。

关键设计：系统采用模块化设计，每个智能体负责特定的任务，例如文献检索、语义分析、断裂检测等。智能体之间通过消息传递进行协作，共同完成文献分析任务。动态断裂检测协议基于统计方法，监测文献中关键词的出现频率变化，从而识别研究领域的突发变化。系统采用开源架构，方便用户进行定制和扩展。

🖼️ 关键图片

fig_0

📊 实验亮点

初步实验表明，Rhizomatic Research Agent能够发现传统综述方法难以发现的跨学科融合和结构性研究空白。例如，该系统成功识别了可持续能源转型领域中不同学科之间的联系，并发现了该领域中一些尚未被充分研究的问题。具体的性能数据和提升幅度需要在后续实验中进一步验证。

🎯 应用场景

该研究成果可应用于社会科学、自然科学等多个领域，帮助研究者进行更全面、深入的文献综述，发现新的研究方向和潜在的合作机会。该系统还可用于知识管理、技术趋势分析等领域，为决策者提供更准确的信息支持，具有重要的实际价值和未来影响。

📄 摘要（原文）

Systematic literature reviews in the social sciences overwhelmingly follow arborescent logics -- hierarchical keyword filtering, linear screening, and taxonomic classification -- that suppress the lateral connections, ruptures, and emergent patterns characteristic of complex research landscapes. This research note presents the Rhizomatic Research Agent (V3), a multi-agent computational pipeline grounded in Deleuzian process-relational ontology, designed to conduct non-linear literature analysis through 12 specialized agents operating across a seven-phase architecture. The system was developed in response to the methodological groundwork established by (Narayan2023), who employed rhizomatic inquiry in her doctoral research on sustainable energy transitions but relied on manual, researcher-driven exploration. The Rhizomatic Research Agent operationalizes the six principles of the rhizome -- connection, heterogeneity, multiplicity, asignifying rupture, cartography, and decalcomania -- into an automated pipeline integrating large language model (LLM) orchestration, dual-source corpus ingestion from OpenAlex and arXiv, SciBERT semantic topography, and dynamic rupture detection protocols. Preliminary deployment demonstrates the system's capacity to surface cross-disciplinary convergences and structural research gaps that conventional review methods systematically overlook. The pipeline is open-source and extensible to any phenomenon zone where non-linear knowledge mapping is required.