LangGraph를 사용한 AI 기반 연구 가설 생성

LangGraph를 사용한 AI 기반 연구 가설 생성

Open Coscientist는 Google Research의 AI Co-Scientist 연구 논문을 기반으로 한 오픈 소스 적응형 구현체입니다. 이 프로젝트는 설명된 멀티 에이전트 아키텍처 (multi-agent architecture)를 사용하여 연구 가설을 생성, 검토, 순위 지정 및 진화시키는 구현을 제공합니다. LangGraph 워크플로우를 통해 8~10개의 전문화된 AI 에이전트를 오케스트레이션하며, 과학 문헌에 근거한 새로운 가설을 생성하는 것을 목표로 합니다.

이 데모에서는 Open Coscientist를 사용하여 알츠하이머병의 조기 발견을 위한 새로운 접근 방식에 대한 가설을 생성합니다.
YouTube에서 전체 데모를 보려면 클릭하세요.
*

이 엔진은 모든 LLM (Large Language Model)과 작동하며 외부 데이터 소스 없이도 실행할 수 있습니다.

고품질의 가설 생성을 위해, 시스템은 출판된 연구에 대해 문헌 인지 추론 (literature-aware reasoning)을 수행할 수 있도록 MCP (Model Context Protocol) 서버 통합을 제공합니다. 설정 및 구성 세부 사항, 그리고 기본 참조 MCP 서버를 실행하려면 MCP Integration을 참조하세요.

pip install open-coscientist

API 키를 설정하세요 (LiteLLM이 지원하는 모든 제공업체 가능):

export GEMINI_API_KEY="your-key-here"
# 또는: export ANTHROPIC_API_KEY="your-key-here"
# 또는: export OPENAI_API_KEY="your-key-here"

개발 관련 내용은 CONTRIBUTING.md를 참조하세요.

참고: 문헌 검토 (literature review)를 실행하려면, 문헌 검토 도구/기능을 갖춘 MCP 서버를 반드시 제공해야 합니다. 제공된 참조 구현 MCP 서버를 사용할 수 있습니다. 그렇지 않으면 출판된 연구 데이터가 사용되지 않습니다.

모델 지원: 100개 이상의 LLM 제공업체 (OpenAI, Anthropic, Google, Azure, AWS Bedrock, Cohere 등)를 위해 LiteLLM을 사용합니다. 성능이 낮은 모델과 함께 작동하려면 constants.py의 토큰 사용량 및 초기 가설 개수와 같은 기타 파라미터를 조정해야 할 수도 있습니다.

import asyncio
from open_coscientist import HypothesisGenerator
async def main():
...

examples/run.py를 참조하세요.

내장된 Console Reporter가 포함된 전체 예제 CLI 스크립트는 examples/run.py를 참조하세요. 주의사항, 가설 생성(hypothesis generation) 과정에 문헌 검토(literature review) 내용이 포함되려면 반드시 문헌 검토 MCP 서버를 실행해야 합니다.

멀티 에이전트 워크플로우 (Multi-agent workflow): Supervisor, Generator, Reviewer, Ranker, Tournament Judge, Meta-Reviewer, Evolution, Proximity Deduplication

풍부한 가설 출력 (Rich hypothesis output): 각 가설은 text, explanation (일반인용 요약), 구조화된 [C*] 인용이 포함된 literature_grounding, 그리고 experiment (제안된 검증 설계)를 포함합니다.

문헌 검토 통합 (Literature review integration): 선택 사항인 MCP 서버를 통해 실제로 출판된 연구에 접근할 수 있으며, 구조화된 인용은 전체 소스 메타데이터로 연결됩니다.

도메인 불가지론적 커스텀 (Domain-agnostic customization): YAML 기반 설정을 통해 코드 변경 없이도 사용자 정의 MCP 서버, 문헌 소스, 도메인별 프롬프트 가이드를 가져올 수 있습니다 (Domain Customization 섹션 참조).

실시간 스트리밍 (Real-time streaming): 결과가 생성되는 즉시 스트리밍합니다.

지능형 캐싱 (Intelligent caching): LLM 응답 캐싱을 통해 더 빠른 개발 반복(iteration)이 가능합니다.

Elo 기반 토너먼트 (Elo-based tournament): Elo 레이팅을 활용한 가설 간의 쌍체 비교(pairwise comparison)를 수행합니다.

반복적 정교화 (Iterative refinement): 다양성을 유지하면서 상위 가설들을 진화시킵니다.

생성 후 강화 (Post-generation enrichments): 구성 가능한 도구 호출(tool calls)을 통해 각 가설에 도메인 특화 데이터(예: 관련 CVE, 지식 그래프 문구)를 부착합니다.

워크플로우는 MCP 가용성을 자동으로 감지하고 그에 따라 조정합니다.
기능 참조용 MCP 서버는 mcp_server/ 디렉토리에 포함되어 있습니다.

Architecture (아키텍처)

• 워크플로우 다이어그램, 노드 설명, 상태 관리 (State Management)
  MCP Integration (MCP 통합)
• 문헌 검토 (Literature Review) 설정 및 구성
  Generation Modes (생성 모드)
• 세 가지 생성 (Generate) 노드 모드 설명 및 이를 활성화하기 위한 파라미터
  Configuration (구성)
• 모든 파라미터, 캐싱 (Caching), 성능 튜닝
  Domain Customization (도메인 맞춤화)
• YAML 설정을 통한 새로운 도메인 (사이버 보안, 생물 정보학 등) 적응
  Literature Review Tools Configuration (문헌 검토 도구 구성)
• 커스텀 MCP 서버 및 다중 소스 문헌 검토를 위한 YAML 스키마 (Schema) 참조
  Logging (로깅)
• 파일 로깅, 로그 로테이션 (Rotating logs), 로그 레벨
  Development (개발)
• 기여하기, 노드 구조, 테스트

노드 (Node)	목적 (Purpose)	주요 작업 (Key Operations)
Supervisor (감독자)	연구 계획 (Research planning)	연구 목표 분석, 핵심 영역 식별, 워크플로우 전략 수립
Literature Review (문헌 검토, 권장)	학술 문헌 검색 (Academic literature search)	데이터베이스 (PubMed, Google Scholar) 쿼리, 실제 출판된 논문 검색 및 분석 (MCP 서버 필요; 없을 경우 LLM의 잠재적 지식만 사용)
Generate (생성)	가설 생성 (Hypothesis creation)	다양성을 위해 높은 온도를 가진 LLM을 사용하여 N개의 초기 가설 생성
Reflection (성찰, 권장)	문헌 비교 (Literature comparison)	문헌 검토 결과와 가설을 비교 분석하여 새로운 기여도를 식별하고 실제 연구와 대조하여 검증 (문헌 검토 필요)
Review (검토)	적응형 평가 (Adaptive evaluation)	적응형 전략(5개 이하인 경우 비교 배치, 5개 초과인 경우 병렬 처리)을 사용하여 6가지 기준에 따라 가설 검토
Rank (순위 지정)	종합 순위 (Holistic ranking)	LLM이 종합 점수와 검토 피드백을 고려하여 모든 가설의 순위를 매김
Tournament (토너먼트)	쌍별 비교 (Pairwise comparison)	무작위 쌍별 매치업을 통해 Elo 토너먼트를 실행하고 레이팅 (Rating) 업데이트
Meta-Review (메타 검토)	통찰력 합성 (Insight synthesis)	모든 검토 내용을 분석하여 공통적인 강점, 약점 및 전략적 방향 식별
Evolve (진화)	가설 정교화 (Hypothesis refinement)	다양성을 유지하기 위해 문맥 인지 (Context awareness)를 활용하여 상위 k개의 가설을 정교화
Proximity (근접성)	중복 제거 (Deduplication)	유사한 가설들을 클러스터링하고 유사도가 높은 중복 항목 제거

번들로 제공되는 MCP 서버는 PubMed 참조 구현(reference implementation)을 제공합니다. 이 시스템은 도메인에 구애받지 않습니다(domain-agnostic). YAML 설정 파일을 통해 어떤 MCP 서버, 문헌 소스, 프롬프트 가이드라인을 사용할지 제어할 수 있으며, 코드 변경은 필요하지 않습니다. 생물 의학(INDRA + PubMed), 사이버 보안(arXiv + Google Scholar + NVD), 그리고 다중 소스 학술 연구를 위한 예시 설정이 포함되어 있습니다.

문헌 검토(literature review)를 설정하려면 MCP Integration을, 연구 분야에 맞게 조정하려면 Domain Customization을 참조하십시오.

Open Coscientist는 Google Research의 AI Co-Scientist에서 영감을 받은 소스 공개(source-available) 구현체입니다. Google의 원본 시스템은 폐쇄형 소스(closed-source)이지만, 이 프로젝트는 그들의 발표된 연구 논문에 기술된 멀티 에이전트 가설 생성 아키텍처(multi-agent hypothesis generation architecture)를 채택하였습니다.

참고 문헌:

블로그: Accelerating scientific breakthroughs with an AI Co-Scientist
논문: Towards an AI co-scientist

이 버전은 LangGraph 기반의 구현을 제공합니다. 병렬 실행(parallel execution), 스트리밍 지원(streaming support) 및 캐싱(caching)을 위한 몇 가지 최적화가 포함되어 있습니다.

이 작업을 사용하신다면, 본 구현체와 Google Research의 원본 논문을 모두 인용해 주시기 바랍니다:

@article{coscientist2025,
title={Towards an AI co-scientist},
author={Google Research Team},
...