在锂离子电池寿命预测研究中，相关论文数量的快速增长与高度分散的实验设置对系统性文献调研与方法比较提出了重大挑战。为解决这些问题，我们提出了一种用于自动化文献分析与知识提取的多智能体框架。通过解析、检索与验证智能体的协同工作，该框架能够自动从科学出版物中提取、对齐并整合关键实验信息。该框架将任务类型、数据集配置、输入窗口、训练规模及预测误差等核心要素结构化，构建出可溯源的实验数据库。该数据库支持统一统计分析与跨研究比较，能够揭示诸如输入设置趋同性、性能指标分布离散度以及数据规模对寿命预测影响等群体级规律。我们的研究凸显了多智能体方法在文献分析和研究基础设施建设中的潜力，为数据驱动的电池寿命预测提供了可扩展框架。

引言

随着全球对清洁能源需求的激增，锂离子电池已成为电动汽车、便携式电子设备和电网级储能系统的核心储能技术[[1], [2], [3]]。可靠的寿命预测在电池全生命周期管理和研发评估中起着至关重要的作用。特别是在受控循环协议下评估不同电池设计，有助于估算剩余使用寿命（RUL）和寿命终止（EOL），为工程设计提供实用指导。如图1a所示，准确的寿命预测支持可靠的电池管理和策略优化，同时也能缩短新型电池材料和设计的评估周期。这进一步有助于降低储能系统在全生命周期内的运营和维护成本[[4], [5], [6], [7]]。
为应对电池老化过程的高度复杂性，近年来研究重点已逐步从基于物理的建模转向数据驱动的预测方法。如图1b所示，自2017年以来锂电池寿命预测的数据驱动研究数量持续增长，2024至2025年呈现显著上升趋势。凭借其建模非线性关系的能力，机器学习与深度学习算法已成为该领域不可或缺的工具[[8], [9], [10], [11]]。与此同时，文献数量的快速增长使得研究者系统理解和比较现有研究成果的难度日益增加。
在此背景下，若干关键挑战逐渐显现。实验数据与方法论创新分散于大量会议和期刊论文中，且常以非结构化的文本、表格或图表形式呈现，缺乏标准化的描述或组织框架。因此，文献综述往往需要人工提取并比对不同研究中的实验设置与结果，这使得特定数据集和条件下跨论文算法比较的工作既费时费力又难以持续。数据驱动方法的持续发展依赖于对现有成果的系统性整合与复用；然而，由于缺乏结构化的表征方式与可对齐的实验设置，研究者有限的信息处理能力难以支撑这一过程。这种情况可能导致知识体系碎片化，甚至在某些情况下造成科研资源的重复配置[12]。
人工智能领域的最新进展，尤其是大语言模型[[13], [14], [15]]（LLMs）与智能代理技术，为科学文献的自动化理解创造了新机遇[[16], [17], [18], [19]]。然而，通用语言模型在处理专业领域中高度复杂、依赖上下文的实验细节时仍存在明显局限。因此，亟需开发一种领域专用的多代理系统，通过模拟人类专家的认知过程，实现从海量科学文献中自动精准提取关键信息的能力[[20], [21], [22], [23], [24]]。
针对上述挑战，本研究提出一种用于分析锂离子电池寿命预测文献的多智能体系统。如图1c所示，该系统通过自动化框架从非结构化科学论文中提取结构化信息，包括电池数据集规格、算法架构、预测设置和实验结果。这些信息涵盖电池特性与循环条件、特征工程策略与网络设计、输入窗口与预测目标，以及RMSE和MAPE等评估指标。基于该框架，我们构建了用于电池寿命预测研究的结构化实验数据库，支持跨研究的系统化比较与方法论趋势分析。通过持续完善该数据库，旨在降低文献综述的工作量，并为数据驱动电池管理方法的迭代开发提供基础。

上一篇：影响roadhawk蓄电池性能的技术因素
下一篇：机电维修roadhawk蓄电池以及机电管理