MOOSE-Copilot: A Web-Based Interactive Assistant for Unified Exploratory and Fine-Grained Scientific Hypothesis Discovery

📄 arXiv: 2605.29475v1 📥 PDF

作者: Hongran An, Zonglin Yang

分类: cs.CL, cs.AI, cs.CE, cs.HC

发布日期: 2026-05-28

备注: Accepted to ACL 2026 (System Demonstrations)

💡 一句话要点

MOOSE-Copilot：用于统一探索式和精细化科学假设发现的交互式Web助手

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

关键词: 科学假设发现 人机交互 大型语言模型 Web应用 探索式研究

📋 核心要点

  1. 现有LLM在科学假设发现中缺乏统一的探索和精细化能力，且依赖自主运行，忽略了人工指导的重要性。
  2. MOOSE-Copilot通过形式化的人机交互协议，允许科学家通过蓝图、路由和反馈来指导LLM的生成过程。
  3. 实验表明，注入专家信号显著优于自主基线，系统提供直观的Web界面，降低了使用门槛。

📝 摘要（中文）

大型语言模型(LLMs)在科学假设发现方面展现出卓越潜力。然而，现有方法面临两个关键限制：它们将发散的探索性构思和收敛的精细化改进视为孤立的任务，并且在几乎没有人工指导的情况下自主运行。我们提出了MOOSE-Copilot，这是第一个通过形式化的人机交互(HAII)协议来弥合这种抽象差距的统一框架。我们的系统使科学家能够通过三个明确的信号来指导生成过程：初始蓝图、阶段间路由和再生反馈。定量评估表明，注入这些结构化的专家信号明显优于纯粹的自主基线，并在oracle指导下建立了性能上限。此外，为了普及这种范式，我们开发了一个直观的基于Web的界面，具有交互式树可视化功能。这明确消除了复杂命令行代理工具的陡峭学习曲线，使跨学科研究人员能够直接利用、可视化编排和加速端到端的科学突破。

🔬 方法详解

问题定义：现有基于LLM的科学假设发现方法通常将探索性构思和精细化改进视为两个独立任务，缺乏统一性。此外，这些方法通常以自主方式运行，忽略了领域专家的人工指导，导致结果可能缺乏针对性和可靠性。现有工具学习曲线陡峭，阻碍了跨学科研究人员的使用。

核心思路：MOOSE-Copilot的核心思路是构建一个统一的框架，通过形式化的人机交互协议，将探索性构思和精细化改进整合到一个流程中。该框架允许科学家通过提供初始蓝图、阶段间路由和再生反馈等信号来指导LLM的生成过程，从而提高结果的质量和相关性。同时，提供易于使用的Web界面，降低使用门槛。

技术框架：MOOSE-Copilot包含以下主要模块：1) 初始蓝图：允许用户提供初始假设或研究方向作为LLM的起点。2) 阶段间路由：允许用户在不同的探索路径之间进行选择，引导LLM朝着更有希望的方向发展。3) 再生反馈：允许用户对LLM生成的中间结果提供反馈，例如指出错误或提出改进建议。4) Web界面：提供交互式树可视化，方便用户查看和管理探索过程。整个流程通过HAII协议进行协调，确保LLM的生成过程与用户的意图保持一致。

关键创新：MOOSE-Copilot的关键创新在于其统一的框架和形式化的人机交互协议。它首次将探索性构思和精细化改进整合到一个流程中，并允许科学家通过明确的信号来指导LLM的生成过程。此外，直观的Web界面降低了使用门槛，使更多研究人员能够利用LLM进行科学假设发现。

关键设计：MOOSE-Copilot的关键设计包括：1) HAII协议：定义了用户与LLM之间的交互方式，包括信号的类型、格式和时机。2) Web界面：采用交互式树可视化，方便用户查看和管理探索过程。3) LLM选择：系统支持多种LLM，用户可以根据自己的需求选择合适的模型。4) 提示工程：针对不同的任务设计了特定的提示，以提高LLM的生成质量。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

定量评估表明，注入结构化的专家信号（初始蓝图、阶段间路由和再生反馈）明显优于纯粹的自主基线。在oracle指导下，MOOSE-Copilot达到了性能上限，证明了其有效性。交互式Web界面显著降低了使用门槛，使得非专业用户也能轻松上手。

🎯 应用场景

MOOSE-Copilot可应用于各种科学研究领域，例如生物医学、材料科学和社会科学等。它可以帮助研究人员更快地发现新的假设、设计更有效的实验和分析更复杂的数据。该系统有望加速科学发现的进程，并促进跨学科合作。

📄 摘要（原文）

Large language models (LLMs) show remarkable potential in scientific hypothesis discovery. However, existing approaches face two critical limitations: they treat divergent exploratory ideation and convergent fine-grained refinement as isolated tasks, and they operate autonomously with little to no human guidance. We present MOOSE-Copilot, the first unified framework to bridge this abstraction gap through a formalized human-AI interaction (HAII) protocol. Our system empowers scientists to steer the generative process via three explicit signals: initial blueprints, inter-stage routing, and regenerative feedback. Quantitative evaluations demonstrate that injecting these structured expert signals significantly outperforms purely autonomous baselines, establishing a performance ceiling under oracle guidance. Furthermore, to democratize this paradigm, we develop an intuitive web-based interface featuring interactive tree visualization. This explicitly eliminates the steep learning curve of complex command-line agentic tools, empowering interdisciplinary researchers to directly leverage, visually orchestrate, and accelerate end-to-end scientific breakthroughs.