PEARL：科学推理图提取的可审计修复

PEARL是一个无需训练的框架，用于修复LLM生成的科学推理图，使其符合语义有效性。在ARCHE基准的五个70篇论文档案上，它将严格通过数从0/350提升至300/350，平均REA从0.339提升至0.906。

此前LLM生成的推理图常出现语法错误、标签漂移、根节点方向错误等问题，PEARL通过无训练框架实现了可审计修复，将严格通过率从0%提高到85.7%，为需要可审查推理痕迹的AI科学家工作流提供了可靠基础。

PEARL基于Peircean模式将LLM输出显式物化为图内容，然后利用证据导向的评判反馈修复被拒绝的边类型、局部推理步骤和终端根节点，同时保留完整审计轨迹。

对于研究代理和AI科学家工作流，PEARL提供了一层可靠性层，无需重新生成图即可获得有效结构化的推理图，可能降低手动校验和调试成本，并提升结果的可审计性。

• 将PEARL集成到学术文献综述工具中，自动提取并修复论文中的推理链，支持可追溯的文献分析。
• 基于PEARL构建可审计的AI研究助手，使其输出的科学结论附带完整的推理图审计记录。
• 在科研数据管理平台中嵌入PEARL，用于标准化和验证跨论文的因果关系抽取结果。

• PEARL在更大规模或不同领域的文献上是否保持相同效果？
• PEARL的修复过程需要多少计算资源？
• 审计轨迹能否有效支持人为审查和验证？