三 基于Dify的智能体开发
3.2idea对比查新
在网络安全这一高度依赖创新驱动的科研领域，研究者日常工作中最核心也最棘手的任务之一，莫过于对自身萌生的研究设想进行快速而全面的对比查新。所谓查新，不仅是简单检索是否有人做过类似工作，更是要精准判断该设想相对于已有成果的独特性、先进性及潜在价值。这一过程直接关系到论文选题的创新性、项目申请的竞争力乃至技术突破的可能性，因此堪称科研决策的“第一粒扣子”。
然而，传统查新实践面临着多重痛点：首先，信息过载使得研究者难以在浩如烟海的论文库中高效定位高度相关的对比文献，尤其是在网络空间安全这样一个交叉融合且演进迅猛的领域，新技术、新攻击、新防御层出不穷，依靠关键词检索往往遗漏关键脉络；其次，查新质量高度依赖个人经验与领域熟悉度，主观性强且难以标准化，新手研究者常常因无法准确判断创新点而陷入重复劳动的困境；再者，手动整理对比分析耗时费力，从阅读摘要、提取方法到归纳异同，往往需要数天甚至数周时间，严重拖慢了研究节奏。
正是洞察到这一普遍存在的科研瓶颈，网安研途智能体将“智能化Idea对比查新”确立为系统开发的重中之重。当研究者输入一个初步构想或技术方案描述时，智能体可生成一份格式规范的查新报告，从而将研究者从繁琐的文献筛选中解放出来，使其能够将宝贵精力聚焦于更深层次的思考与设计。
为实现这一目标，系统采用了多智能体协同的任务拆分策略，通过两个专门化的LLM分别承担“核心要素解析与检索扩展”与“深度对比分析生成”的角色，形成高效的查新流水线。
当用户输入一个研究想法时，系统首先调用第一个LLM，其角色定位为“网络安全领域的科研助手”，精通漏洞检测、LLM安全、对抗攻击等细分方向。该Prompt的核心任务是深度理解用户描述的Idea，并将其转化为可用于精准检索的英文查询短语。
你是一名网络安全领域的科研助手，精通漏洞检测、修复、LLM安全、对抗攻击、智能体等方向。
用户将提出一个研究想法（idea），请完成以下任务：
1.仔细阅读用户的idea描述。
2.提取其中核心的技术实体、方法、数据集、评估指标、攻击方式等关键要素。
3.将这些要素转化为3~5条独立的英文检索短语，每条短语应直接对应潜在相关文献的标题或摘要关键词。
4.检索短语要求：
-使用英文，简洁具体（例如“LLM adversarial attack detection”而非“detecting attacks in large language models”）。
-每个短语应是一个名词短语，长度不超过10个单词。
-覆盖idea的不同侧面（如“漏洞类型”、“修复策略”、“数据集名称”、“LLM安全机制”等）。
5.以JSON数组格式输出：
{
"idea_phrase": ["phrase1", "phrase2", ...]
}
用户输入：
请开始你的分析与任务执行。
Prompt设计要点如下：
（1）角色锚定：明确LLM扮演“科研助手”，引导其以专业、严谨的态度处理学术概念。
（2）任务细化：要求提取技术实体、方法、数据集、评估指标、攻击方式等关键要素，避免模型泛泛而读。
（3）检索短语生成：强制输出3-5条独立的英文名词短语，每条均需简洁具体（如“LLM adversarial attack detection”），且覆盖Idea的不同侧面。这种设计直接服务于RAG系统的多角度召回，确保知识库检索的全面性与准确性。
（4）结构化输出：规定JSON数组格式，便于下游系统自动化解析与迭代调用。
系统在代码执行节点中解析返回的JSON，提取对应字段，并将其作为迭代检索模块的输入，逐一在向量化的论文知识库中搜索相关片段。迭代检索能够聚合多个维度的文献信息，为后续深度分析奠定坚实的资料基础。
当所有相关论文片段收集完毕后，系统调用第二个LLM，赋予其“资深研究员”的身份，要求基于召回文献对用户Idea进行全面的对比查新，并输出结构化报告。
你是一名网络安全领域的资深研究员，正在协助同行进行文献查新与研究对比。
用户提交了一个研究想法（idea），并已从本地文献库中召回了若干高度相关的英文论文片段（见下方“参考文献片段”）
【任务要求】
请基于提供的参考文献片段，对用户的想法进行对比查新分析，输出一份结构化报告。报告必须包含以下五个部分，每部分需结合具体文献进行说明，并引用文献编号（如[1][2]）：
1.新颖性评估：
-该idea的核心创新点是什么？
-与召回文献相比，哪些方面是已有工作未涉及的？
-若有部分重叠，请明确指出重叠内容并区分差异。
2.相似工作对比：
-列出与idea最相似的2~3篇文献，简要概述其方法/结论。
-逐一对比相似文献与idea在目标、技术路线、实验设置等方面的异同。
3.潜在优势与不足：
-基于现有文献推断该idea可能带来的改进（如性能提升、攻击成功率、泛化性等）。
-指出现有文献已解决的问题，以及该idea可能面临的挑战或未覆盖的风险。
4.研究可行性建议：
-根据已有方法，推荐可借鉴的基线模型、数据集或评估指标。
-建议可进一步阅读的文献方向（即使当前未召回，可基于领域知识推测）。
5.总结结论：
-一句话概括该idea相对于现有工作的价值。
【格式要求】
-使用Markdown格式，标题层级清晰。
-引用文献时标注编号，如“[1]”，并在报告末尾列出对应的参考文献来源（标题、作者、年份，如有）。
-语言风格：客观、严谨、学术化。
【用户idea和研究领域】
{query}
【参考文献片段】
{context}
请开始分析：
Prompt设计要点如下：
（1）角色升级：将LLM设定为“资深研究员”，暗示其应具备归纳、批判与前瞻能力，生成的内容需具有学术深度。
（2）结构化约束：强制要求报告包含“新颖性评估”、“相似工作对比”、“潜在优势与不足”、“研究可行性建议”、“总结结论”五个部分，每部分均需结合具体文献并引用编号。这种结构化模板不仅规范了输出格式，更引导模型从多个维度系统思考，避免遗漏关键分析点。
（3）忠实于资料：明确要求“基于提供的参考文献片段”进行分析，并标注文献编号，确保结论的可追溯性与可信度。
（4）格式要求：采用Markdown、文献编号、学术化语言，使输出结果可直接用于研究笔记或论文写作。
最终，LLM生成一份完整的查新报告，以Markdown格式呈现，研究者可直接阅读或存档，极大提升了文献调研的效率与质量。
上述两个Prompt的设计体现了任务导向、角色扮演、结构化输出与RAG协同的工程智慧：
（1）任务解耦，各司其职：将复杂的“Idea查新”拆分为“要素提取+检索扩展”与“深度分析生成”两个独立子任务，由不同LLM分别承担。第一个Prompt聚焦于信息抽取与查询构建，输出简洁、机器可读；第二个Prompt专注于综合分析与学术写作，输出丰富、人类可读。这种解耦避免了单个LLM因任务过重而出现遗漏或幻觉，同时便于针对每个子任务优化Prompt。
（2）角色扮演提升专业性：两个Prompt均赋予LLM明确的角色身份：“科研助手”与“资深研究员”。角色锚定能有效激活模型在对应领域的知识储备与语言风格，使输出更贴合学术场景。例如，第一个Prompt要求提取“技术实体”、“方法”等要素，模型会自然联想到论文常用术语；第二个Prompt要求“新颖性评估”、“相似工作对比”，模型则会调用学术评审的思维框架。
（3）结构化输出增强可用性：第一个Prompt强制输出JSON数组，使得检索短语可直接被代码调用，实现了自然语言到机器指令的无缝转换。第二个Prompt强制输出五个结构化部分，并引用文献编号，使得报告逻辑清晰、论证有据，符合科研人员的阅读习惯。结构化输出还便于后续存储、检索或二次加工。
（4）约束条件引导高质量生成：第一个Prompt对检索短语提出具体要求（英文、名词短语、不超过10词、覆盖不同侧面），有效避免了模型生成冗长、模糊的查询词，提升了检索召回率。第二个Prompt通过要求“结合具体文献”、“指出重叠与差异”、“推测挑战与建议”等，迫使模型进行深度推理，而非简单罗列文献摘要。
（5）RAG协同，确保事实准确性：两个Prompt均与RAG技术紧密结合：第一个Prompt生成的检索短语用于召回知识库中的相关片段，第二个Prompt明确要求基于召回片段进行分析。这种设计将LLM的生成能力与私有知识库的事实基础相结合，既发挥了LLM的归纳推理优势，又避免了其编造文献或脱离语境的幻觉，确保了查新结果的真实可靠。
综上，网安研途智能体通过多智能体协同与精细化Prompt设计，成功构建了一个高效、精准的Idea对比查新助手。该设计不仅体现了Prompt工程在引导LLM行为方面的强大威力，也为同类科研辅助工具提供了可复用的优秀范式。研究者只需输入一个初步构想，即可在数分钟内获得一份系统化的查新报告，从而将宝贵精力聚焦于真正的创新突破。
