LatteReview：AI 多智能体系统文献评审框架

从大海捞针到精准筛选：学术文献评审的 AI 革命

想象这样一个场景：你正在准备一篇系统综述（Systematic Review），需要从 PubMed、Web of Science、Scopus 等数据库筛选出 5000 篇文献，逐篇判断是否纳入研究——这通常需要 2-3 名研究人员花费数周时间反复阅读标题摘要，还常常因个人偏好导致筛选标准不一致。这就是学术文献评审的现实困境。

LatteReview 正是为解决这一痛点而生。这是一个低代码（Low-Code）的 Python 库，通过 AI 多智能体（Multi-Agent）协作，自动化完成文献筛选、摘要评审、概念抽象和数据提取等系统性评审流程。它的核心理念是：像品一杯拿铁咖啡一样，轻松愉悦地完成繁重的文献评审工作。

项目起源与学术背景

LatteReview 由伊朗科技大学（Iran University of Science and Technology）研究团队开发，首个版本于 2024 年 12 月发布，项目维护者 Pouria Rouzrokh 博士同时活跃于医学影像 AI 研究领域。项目已在 arXiv 发表论文（arXiv:2501.05468），并获得了 GitHub 119 颗星、4 个 open issues 的社区关注。

值得关注的是，该项目从设计之初就瞄准了循证医学和系统综述的严谨性要求——系统综述对文献筛选流程的透明性和可重复性有极高要求，因此 LatteReview 不仅输出筛选结果，还记录每篇文献被拒绝/纳入的详细理由，确保整个过程可审计、可复现。

核心架构：多智能体如何协作评审

LatteReview 的架构可以类比为一场多角色评审会议：

• Junior Reviewer（初级评审员）：使用保守策略，倾向于排除可疑文献，避免误纳
• Senior Reviewer（高级评审员）：使用探索性策略，更愿意纳入边缘文献
• Expert Reviewer（专家评审员）：当 Junior 和 Senior 意见不一致时介入，给出最终裁决

这三种角色的底层是 LiteLLM 封装的各大 LLM 提供商——OpenAI GPT-4o、Gemini 2.5、Claude、GROQ，以及通过 Ollama 支持的本地模型（如 Llama 3）。

项目提供了四种开箱即用的审查器（Reviewer）：

1. TitleAbstractReviewer：最常用的标题+摘要审查器
2. ScoringReviewer：打分型审查器，输出定量评分
3. AbstractionReviewer：概念抽象审查器，用于提取研究方法、数据集等元信息
4. BasicReviewer：基础审查器，适用于自定义评审逻辑

工作流层面，ReviewWorkflow 支持多轮（A/B/C 轮）评审，每轮可并行启动多个审查器，最后汇总意见。系统还支持 RAG（检索增强生成），可以为审查器注入领域特定的上下文知识。

真实场景：从安装到跑通第一个评审

安装只需一行命令：pip install lattereview。准备好 .env 文件写入 API Key 后，最小示例不到 30 行代码即可启动一个包含两名 Junior 和一名 Senior 的评审流程。数据输入支持 CSV 和 Excel 格式，输出为标准化的评审结果表（含每篇文献的纳入/排除状态和理由）。

对于没有编程背景的研究者，LatteReview 的门槛在于 LLM API Key 的获取与配置——OpenAI 和 Google 均提供免费额度，但需要科学上网。对于机构用户，建议使用 Ollama 部署本地模型（Llama 3 等），完全私有化部署，数据不离开本地网络。

技术亮点与局限性

亮点方面，LiteLLM 的模型无关设计让 LatteReview 可以无缝切换 LLM 提供商，用户不受单一供应商绑定。异步批处理设计使大量文献的并发评审成为现实，nest-asyncio 解决了 Jupyter 环境下的事件循环嵌套问题。Pydantic 模型校验确保了工作流配置的严格性，减少运行时错误。

局限性同样明显：无 Web UI，所有操作需要 Python 编程，对非技术用户不够友好。缺少 Docker 支持，团队协作和复现环境构建成本较高。系统依赖 LLM API 成本——大规模文献评审（如 5000 篇）若使用 GPT-4o，费用可能达到数十美元。LICENSE 文件显示 NOASSERTION，即未明确授权方式，商用前需注意。

行业意义与趋势

LatteReview 代表了一个正在快速增长的研究工具方向：AI for Science 中的"AI for Systematic Review"。传统系统综述需要 6-18 个月完成，而基于 LLM 的自动化工具正在将这一时间压缩到数天。2024 年以来，Evidence Synthesis Technology (EviSYNTH)、ASReview、Covidence 等工具都在拥抱大模型，学术文献评审正经历从"人工密集型"到"AI 辅助型"的关键转型。

对于国内研究者而言，LatteReview 的 Ollama 支持提供了本地部署的可能性——使用 ChatGLM、Qwen 等国产模型可以在合规前提下实现完全私有化的文献评审。在 AI for Science 浪潮中，这类工具正在从"锦上添花"变为"刚需配置"。