ScholarPeer：一种面向自动同行评审的上下文感知多智能体框架

自动同行评审已从简单的文本分类发展为结构化反馈生成。然而，当前最先进的系统仍局限于“表面级”批评：虽擅长内容总结，却常因缺乏人类专家所具备的外部上下文，而难以准确评估论文的新颖性与重要性，或识别深层方法论缺陷。本文提出ScholarPeer——一种支持检索的多智能体框架，旨在模拟资深研究者的认知过程。该框架通过历史学家智能体动态构建领域叙事，借助基线侦察智能体识别缺失的对比，并利用多维度问答引擎验证主张，将评审意见锚定于实时的大规模文献中。在DeepReview-13K上的评估表明，ScholarPeer在成对比较中显著优于现有方法，并缩小了与人类评审在多样性方面的差距。