本文档属于类型a，即报告一项原创性研究的科学论文。以下是根据文档内容生成的学术报告：

Jiashun Fu、Xuyang Liu、Wensheng Cai、Haohao Fu和Xueguang Shao*（通讯作者，南开大学分析科学研究中心）的研究团队在《Journal of Chemical Information and Modeling》2025年第65卷第7844-7850页发表了题为《SPELL: An Agent for Natural Language-Driven Intelligent Spectral Modeling》的研究论文。该研究发表于”利用基于大语言模型的聊天机器人进行科学发现”的特刊中。

学术背景 近红外光谱（NIR）因其快速、高效、非破坏性等优势，已被广泛应用于化学、材料科学、环境监测、生物医学和食品安全等多个领域。然而，随着光谱数据复杂度和体量的增加，传统依靠专家经验进行算法选择、实现和优化的方式面临巨大挑战。具体表现为： 1. 不同学派对光谱数据建模有截然不同的算法和策略 2. 即使领域专家也难以掌握所有现有算法 3. 构建分析流程需要编程语言和科学计算库的专业知识 4. 不同类型和来源的光谱数据需要不同的预处理和建模方法 为解决这些问题，研究团队开发了SPELL系统，其核心目标是通过自然语言交互实现近红外光谱建模分析工作流的端到端自动化。

研究流程与方法 1. 系统架构设计 SPELL基于Python 3.9环境开发，采用PyTorch框架，包含三个核心模块：

a) 双RAG（检索增强生成）机制： - 代码RAG模块：提供光谱数据建模的领域特定算法和代码知识。包含126个预编码的代码示例（存储为txt格式），涵盖信号处理、特征选择、建模和模型迁移等任务。采用FAISS索引实现高效检索，结合语义相似性搜索（余弦相似度>0.7）和关键词匹配策略。 - 数据RAG模块：存储多年积累的光谱数据集（CSV格式），每个数据集包含元数据头标明”首选模型”。通过计算用户数据与知识库数据的平均余弦相似度，识别最相似的参考数据集并提取其”首选模型”信息。

b) LLM（大语言模型）推理模块： 支持本地部署模型（如Qwen2.5-32b或轻量级Qwen2.5-coder-14b）和云端API服务。通过精心设计的系统提示，将LLM角色定义为”近红外光谱分析和Python编程虚拟专家”。

c) 自动调试机制： 采用沙箱化的多处理子进程执行代码，通过管道通信实时捕获输出和错误。当执行失败时，整合错误信息、失败代码和会话历史构建新提示，迭代生成修正代码（最多尝试5次）。

1. 工作流程 完整工作流包含6个阶段： ① 用户自然语言输入分析需求 ② 系统解析用户意图 ③ 双RAG检索：

• 代码RAG提供专业代码示例
• 数据RAG匹配相似历史数据集 ④ 生成”增强提示”并驱动LLM生成Python代码 ⑤ 自动执行代码并展示结果 ⑥ 遇错时触发自动调试循环

主要结果 1. 逐步指令处理能力 以片剂数据集为例，SPELL成功完成了包括数据加载、MSC/SNV预处理、PCA离群值检测、MCUVE特征选择和PLS建模在内的完整分析流程。测试集预测结果显示：R2=0.84，MAE=3.85，RMSE=6.25。

1. 复杂多步指令处理 当用户提交包含6个连续分析步骤的综合指令时，SPELL能准确解析每个步骤，并生成单一整合脚本，最终结果与逐步指令处理完全一致。

2. 特征选择方法比较 系统自动比较了CARS、MCUVE、Lasso、随机森林和PLS-VIP五种特征选择方法在PLS回归任务中的表现，通过R2值对比图直观展示结果（图2f）。

3. 未知数据智能建模 对于未知来源的演示数据(demo_data_test.csv)，数据RAG模块匹配到知识库中的corn_m5_data.csv（相似度>85%），推断样本可能源自玉米。基于参考数据集的”首选模型”(PLS)生成预测代码，成功预测出水分、油脂、蛋白质和淀粉含量。

结论与价值 本研究开发的SPELL系统通过自然语言交互和大语言模型与双RAG技术的深度融合，实现了三大突破： 1. 将需要专业知识的复杂光谱建模流程转变为自然语言驱动的自动化操作 2. 通过数据RAG使LLM具备”感知”数据特征的能力，利用历史经验指导新任务 3. 建立从自然语言指令到分析结果的完整闭环工作流

其科学价值在于： - 为专门领域LLM应用提供了”代码生成+数据感知”的双重增强范式 - 建立了光谱分析领域首个整合历史数据经验的智能代理系统

应用价值表现为： - 使复杂光谱算法对非专业研究人员更易获取 - 在药品鉴别、农产品溯源等特定领域展示出显著的效率优势

研究亮点 1. 方法创新性： - 首创面向光谱分析的双RAG架构 - 开发基于执行反馈的自动调试机制 2. 技术整合： - 首次将代码生成、数据感知和自动纠错集成于单一工作流 3. 可扩展性： - 通过模块化设计支持扩展到其他分析领域（如拉曼光谱、质谱等）

局限性与发展 当前版本存在两方面限制： 1. 性能依赖： - 受限于底层LLM（需GPU本地部署或付费API服务） - 数据RAG效率与知识库规模和质量正相关 2. 发展空间： - 需要持续更新代码RAG中的最新算法 - 可考虑采用专业代码生成LLM提升可靠性

该研究已开源（GitHub: drjiashun/spell-assistant），支持信息包含代码RAG知识库设计细节、完整系统提示和案例数据集，为后续研究提供了良好基础。