🇰🇷 한국어 | 🇺🇸 English

LFM-Scholar 🎓

🔒 아이디어를 로컬에서 안전하게 보호하면서 관련 연구를 자동으로 정리해주는 AI 에이전트

대충 연구 아이디어만 던지면, 기존에 나온 관련 연구들을 자동으로 찾아서 Related Work 섹션 초안을 작성해줍니다.

✨ Features

🚀 Quick Start

Installation

git clone https://github.com/gyunggyung/LFM-Scholar.git
cd LFM-Scholar
pip install -r requirements.txt

🪟 Windows 사용자: pip install 전에 Visual C++ Build Tools를 먼저 설치해주세요.

Usage & Example

# 기본 사용 (LFM2-2.6B 모델)
python src/main.py --idea "I want to make RNN models like LSTM and GRU faster than Transformers"

# 빠른 모드 (LFM2.5-1.2B 모델) 및 출력 파일 지정
python src/main.py --idea "I want to make RNN models like LSTM and GRU faster than Transformers" --model-variant lfm2.5 --output related_work_25.md

# 결과 확인
cat related_work.md

입력: 대충 쓴 아이디어
출력: 관련 논문 20개 + Related Work 초안 + BibTeX

Model Variants

💡 권장: 품질이 중요하면 lfm2 (기본값), 빠른 초안이 필요하면 lfm2.5

실행 결과 예시:

# 자동 추출된 검색 쿼리
['RNN', 'LSTM', 'GRU', 'want make rnn models lstm']

# 찾아진 핵심 논문들
- [cho2014learning] GRU 원본 논문 ✅
- [greff2015lstm] LSTM: A Search Space Odyssey ✅
- [shiri2023comprehensive] CNN, RNN, LSTM, GRU 비교 (2023) ✅

생성된 related_work.md:

## Related Work

Recurrent Neural Networks (RNNs) have been foundational in sequence modeling...
Long Short-Term Memory (LSTM) networks \cite{hochreiter1997long} addressed the
vanishing gradient problem...

⚙️ Configuration

config.yaml 설정:

semantic_scholar_api_key: ""  # 선택사항 (없어도 동작)
model:
  type: "gguf"
  variant: "lfm2"  # 'lfm2' (2.6B, 고품질) 또는 'lfm2.5' (1.2B, 고속)
  
  # LFM2: 파인튜닝된 2.6B 모델 (기본값)
  lfm2:
    base: "gyung/LFM-CiteAgent-2.6B-GGUF"
    file: "LFM2-2.6B-Exp.Q4_K_M.gguf"
    
  # LFM2.5: 파인튜닝된 1.2B 모델 (빠름)
  lfm2.5:
    base: "gyung/LFM2.5-CiteAgent-1.2B-v1-GGUF"
    file: "LFM2.5-1.2B-Instruct.Q4_K_M.gguf"

🔄 Search Strategy (Fallback)

1. Semantic Scholar (최고 품질, Rate Limit 있음)
      ↓ 실패 시
2. OpenAlex (Rate Limit 없음)
      ↓ 실패 시  
3. arXiv (최신 preprint)

📁 Project Structure

LFM-Scholar/
├── src/
│   ├── main.py              # 메인 진입점
│   └── agent/
│       ├── local_llm.py     # 로컬 LLM 추론
│       ├── search_tool.py   # Multi-API 검색
│       └── verifier.py      # 환각 탐지
├── benchmarks/              # 모델 벤치마크 결과
├── config.yaml              # 설정 파일
├── requirements.txt
└── README.md

⚠️ Known Limitations

• 최신 논문 검색 한계: 수일~수주 내 발표된 논문은 API 인덱싱 지연으로 검색 안 될 수 있음
• 키워드 기반 검색: 입력에 포함된 키워드 기반 검색 (완전 새로운 분야는 직접 키워드 제공 필요)
• 중복 인용 가능성: 동일 논문이 다른 테마에서 중복 인용될 수 있음 (수동 검토 권장)

🗺️ Roadmap

✅ v1.2 (Current)

• Multi-API Fallback (Semantic Scholar → OpenAlex → arXiv)
• 다중 쿼리 검색 (패턴 기반 + LLM 확장)
• 최신 논문(2024+) 우선 검색 로직
• 환각 탐지 기능
• Model Variant 선택 (--model-variant lfm2/lfm2.5)
• LFM2.5 파인튜닝 및 통합 (빠른 추론 옵션)

🔜 v2.0 (Next)

• Assistant Mode: Overleaf 연동하여 기존 텍스트에 인용 자동 삽입
• Knowledge Injection: 핵심 논문 DB로 검색 품질 향상
• Windows Overleaf 자동화: Selenium + Chrome DevTools

📋 Long-term

• 로컬 벡터 DB (오프라인 검색)
• SFT 학습 (인용 위치 식별)
• LFM2.5 추가 학습으로 품질 개선

🤝 Contributing

Issues와 PR 환영합니다!

1. Fork the repository
2. Create your feature branch (git checkout -b feature/amazing-feature)
3. Commit your changes (git commit -m 'Add amazing feature')
4. Push to the branch (git push origin feature/amazing-feature)
5. Open a Pull Request

📄 License

Apache License 2.0 - see LICENSE for details.

🙏 Acknowledgments

• citeAgent by @KyuDan1 - 이 프로젝트의 영감과 검색 방식의 기반이 되었습니다
• Step-DeepResearch - 이 논문을 읽고 작은 모델로도 학술 연구 보조가 가능하다는 확신을 얻었습니다
• Semantic Scholar API
• OpenAlex API
• arXiv API

---

Made with ❤️ by @gyunggyung