时间：2025年10月11日（周六）09:00
地点：望江校区基础教学楼B座318实验室
Part1
分享者：邓子祎
分享内容：
Liu Y, Chen S, Cheng H, et al. How AI Processing Delays Foster Creativity Exploring Research Question Co-Creation with an LLM-based Agent[C]//Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems. 2024: 1-25.
论文简介：
在跨学科研究领域，构建新颖且有价值的研究问题（RQs）通常需要研究者进行大量文献调研，过程不仅耗时费力，还需经历反复迭代的思路精炼，尤其在整合多领域知识时挑战显著。为此，本文提出了一个名为 CoQuest 的交互式系统，支持研究者与基于LLM的智能体协同创建RQs。该系统采用三面板设计：研究问题流编辑器、论文图可视化器 和 AI思考面板，支持用户以树状结构组织问题、查看相关文献、理解AI生成问题的逻辑。系统还提供了两种交互模式：广度优先生成（同时生成多个并行问题）和深度优先生成（依次生成序列化问题），以探索AI在协同创作中的主动性对用户体验和结果的影响。该论文通过包含20名人机交互研究者的用户实验发现：广度优先设计让用户感觉更具创造力且更值得信赖，而深度优先设计则生成更具新颖性和惊喜感的研究问题。研究还揭示，AI生成延迟时间可被用户用于多线程探索与反思，反而提升了用户的控制感和创作质量。
Part2
分享者：王翔坤
分享内容：
Guo Z, Xia L, Yu Y, et al. Lightrag: Simple and fast retrieval-augmented generation[J]. arXiv preprint arXiv:2410.05779, 2024.
论文简介：
LightRAG 是一种高效且轻量化的检索增强生成框架，通过引入图结构索引和双层级检索机制，显著提升了传统 RAG 系统在知识检索和上下文理解方面的能力。该系统在文本索引过程中构建图结构，支持低层级事实检索和高层级主题关联检索，从而更全面地捕捉信息间的复杂依赖关系。此外，LightRAG 采用增量更新算法，能够快速整合新数据，适应动态变化的知识环境，并在保持响应速度的同时提高答案的准确性和连贯性。实验表明，其在多项知识密集型任务中优于现有方法，尤其在处理长文档和复杂查询时表现突出。该框架已开源，适用于实际应用中高效、可扩展的检索增强生成需求。
