《Journal of Food Engineering》：Agentic AI for food property data: From literature to database to new discovery
编辑推荐：
•多智能体大语言模型系统将食品文献转化为结构化数据库•十种大语言模型在介电数据上达到了超过95%的精确率和超过99%的数值准确率•数据库揭示了介电常数与损耗因子之间的幂律关系•基于检索增强生成（RAG）的助手可从数据库中提供带引用来源的定量回答引言食品特性是指食品与传热（热学
- •
多智能体大语言模型系统将食品文献转化为结构化数据库
- •
十种大语言模型在介电数据上达到了超过95%的精确率和超过99%的数值准确率
- •
数据库揭示了介电常数与损耗因子之间的幂律关系
- •
基于检索增强生成（RAG）的助手可从数据库中提供带引用来源的定量回答
引言
食品特性是指食品与传热（热学特性）、传质（质构特性）、电磁加热（介电特性）、质构与结构（流变学与力学特性）、化学变化（反应动力学）以及微生物安全性（微生物动力学）相关的可测量特征（Ling et al., 2015; Peng et al., 2017; Rao et al., 2014; Tang, 2005）。这些特性决定了食品的质量、安全性和感官体验，是产品开发与工艺设计中不可或缺的关键信息（Rao et al., 2014）。人工智能（AI）与计算建模的最新进展对大规模、高精度、结构化且机器可读的食品特性数据集提出了迫切需求。然而，大部分食品特性数据分散在数千篇独立出版物中，不同实验条件下针对特定材料的测量结果以不同格式报告。目前，大多数食品特性尚无集中化且机器可读的数据库。
从文献中手动提取食品特性数据耗时费力、易出错且难以规模化。对于每篇论文，研究人员都需要定位相关数据、解读实验条件，并将报告值迁移至结构化数据库中。数据以多种格式呈现，包括文本、具有不同列布局的表格，以及具有不同绘图类型的图表。该过程需对每篇论文重复执行，并随新研究的发表而不断更新。构建高质量数据库还需要领域专业知识。例如，收集介电特性数据需要了解电磁理论和传输线原理（Nelson, 1991; Tang, 2005）。此类专业知识对于判断仪器是否经过适当校准、测量是否正确执行以及报告值是否适用于介电加热应用至关重要。
从科学文献中自动提取数据一直是活跃的研究领域。早期方法主要依赖于结合预定义规则和针对特定任务调优的自然语言处理（NLP）流程。此类方法通常需要大量标注的训练数据和针对每个应用的相当程度的定制，从而限制了其通用性和广泛采用（Polak & Morgan, 2024）。大语言模型（LLMs）现已开辟了新的可能性。ChatGPT（Singh et al., 2026）和Gemini（Gemini Team et al., 2023）等AI聊天机器人能够解析上传的文档并提取结构化信息。然而，聊天系统需要手动上传文件和逐条提示交互，限制了可扩展性和可重复性。为解决这一问题，近期研究将大语言模型嵌入编程式提取流程中。例如，ChatExtract（Polak & Morgan, 2024）表明，带有工程化提示的对话式大语言模型可以从材料科学文献中提取材料-数值-单位三元组，其精确率和召回率接近90%。ChemMiner（Chen et al., 2025）和ReactionSeek（Li et al., 2026）开发了多智能体和多阶段工作流，以处理化学文献中的共指消解和多模态输入。尽管取得了上述进展，但大多数现有框架主要面向反应提取或知识三元组提取而开发，许多其他科学数据提取任务仍未得到充分解决。食品特性挖掘与反应或三元组提取不同，因为每条记录必须将数值与相关材料及实验条件相关联，而这些信息往往分散在出版物的多个部分中。因此，该任务要求进行测量级重建和科学验证，而非简单的实体提取。
为填补这一空白，我们开发了一个多智能体大语言模型系统，从科学文献中构建食品特性数据库。介电特性被选为案例研究，因为其手动提取尤其具有挑战性：它们取决于多种实验条件，如食品材料、频率、温度、水分含量和组成，且以异质格式报告，包括表格、图表、文本和拟合方程。研究目标为：（1）设计并实现用于文献提取的智能体工作流；（2）使用多种大语言模型将AI模型性能与专家整理的参考数据集进行对比评估；以及（3）展示具有来源感知能力的编译数据库如何支持探索性特性分析和带引用来源的数据检索。
章节摘要
多智能体系统概述
AI智能体是一种以大语言模型作为推理引擎，自主规划、决策并行动以实现目标的系统（Schick et al., 2023）。多智能体系统扩展了这一概念，通过为多个智能体分配专门角色，使其协作和委派以完成任何单个智能体无法处理的复杂任务（Lu et al., 2025; Wang et al., 2024）。我们的系统由三个大语言模型智能体组成，其角色和指令通过技能定义（Anthropic, 2025，见第2.7节）：智能体Ⅰ
系统性能与大语言模型基准测试
对十种大语言模型的介电特性提取性能进行了评估（表1）。我们重点关注两类AI错误：（1）大语言模型可能幻想在原文中不存在的数值（假阳性），或（2）大语言模型可能遗漏确实存在的数值（假阴性）。所有十个模型均达到了高提取保真度：精确率≥95%，数值准确率≥98%（其中多个模型达到100%）。但召回率从79%到99%不等。这种差异可能反映了每个AI
结论
本研究开发了AgentXtract，一个用于从科学文献中提取、验证和整理食品特性数据的多智能体大语言模型流程。以介电特性作为案例研究，AgentXtract结合了承担不同任务的专用智能体。将十种大语言模型与人工整理的参考数据集进行基准测试，其性能表现各异。使用选定模型后，AgentXtract在约30分钟内提取了超过4,000个数据点，API成本为9美元。结果表明
CRediT作者贡献声明
周旭（Xu Zhou）：撰写——初稿、可视化、验证、软件、方法论、形式化分析、数据整理、概念构思。张翼（Yi Zhang）：撰写——审阅与编辑。王少金（Shaojin Wang）：撰写——审阅与编辑。唐玉明（Juming Tang）：撰写——审阅与编辑
未引用参考文献
Anil et al., 2023; Glover et al., 2000.
利益冲突声明
据我们所知，署名作者不存在任何形式的利益冲突，包括财务方面的冲突。
致谢
作者感谢宾夕法尼亚州立大学提供的创业资金资助。
周旭（Xu Zhou）| 张翼（Yi Zhang）| 夏伊姆·S·萨布拉尼（Shyam S. Sablani）| 王少金（Shaojin Wang）| 唐玉明（Juming Tang）
