基于LLM的智能体在药物资产尽职调查中的竞争格局映射

在本文中，我们介绍并评估了一种用于快速药物资产尽职调查的智能体（agentic AI）系统中的竞争者发现组件。该竞争者发现AI智能体在接收到某一适应症（indication）后，能够检索出该适应症所对应的所有竞争性药物，并提取这些药物的标准化属性。由于竞争者定义具有投资者特定性，相关数据通常受付费墙保护或需授权使用，且分散于多个注册库中，不同数据源在适应症定义上存在本体不一致问题，药物名称存在大量别名，数据形式多样（多模态），且更新频繁。尽管当前基于大语言模型（LLM）的AI系统被视为解决该问题的最佳工具，但其仍无法可靠地检索出全部竞争药物名称，且该任务尚无公认的公开基准。 为弥补评估体系的缺失，我们利用基于LLM的智能体，将一家私人生物技术风险投资机构过去五年积累的多模态、非结构化尽职调查备忘录，转化为一个结构化的评估语料库，实现从适应症到竞争药物及其标准化属性的映射。此外，我们提出了一种“竞争者验证”型LLM作为裁判（LLM-as-a-judge）智能体，用于过滤预测结果中的假阳性，以提升精确率并有效抑制幻觉现象。 在该基准测试中，我们的竞争者发现智能体实现了83%的召回率，显著优于OpenAI Deep Research（65%）和Perplexity Labs（60%）。该系统已投入生产环境，服务企业级用户。在与一家生物技术风险投资机构的合作案例中，分析师完成竞争分析的平均耗时从原先的2.5天缩短至约3小时（提升约20倍），显著提升了工作效率。