核心概念

藥物資產盡職調查的第一關，是針對特定適應症找出所有具競爭關係的藥物，並整理別名、作用機制、標的、研發階段、監管狀態與公司資料。然而「競爭者」並非固定集合，而是由投資人的策略定義；資料又分散於論文、專利、試驗登錄、新聞稿與授權資料庫，且疾病本體、藥名別稱、語言與更新頻率都不一致。這使它成為比一般網頁搜尋更接近高召回、多跳證據整合的 Agent 任務。

Vinogradov 等人於 AAAI-26 提出 BIOPTIC AGENT 與對應基準，將某私人生技創投基金 2019–2025 年的多模態盡職調查備忘錄結構化為「適應症—競爭藥物—正規化屬性」的評估資料。這是以既有專家工作產物建立領域基準，並非宣稱得到客觀完備的全球真值；因此其評測應理解為對特定投資脈絡下覆蓋率的量測。

方法與主要發現

研究以階層式多 Agent 流程解析備忘錄：先擷取藥物資產，再拆出適應症、競爭者與屬性；輸出要求可回指原文證據並經 JSON schema 驗證。實際查找階段則採高召回的網路探索，接著以 LLM-as-a-judge Competitor Validator 過濾錯誤候選，將「盡量不要漏」與「不要把不相干的藥算進來」分成可管理的兩段。這一分工可對照 RAG 檢索增強生成架構：檢索層追求覆蓋，後段以證據、規則與驗證控制輸出品質。

在作者建置的資料集上，BIOPTIC AGENT 回報 83% recall，高於 OpenAI Deep Research 的 65% 與 Perplexity Labs 的 60%；這些數字只適用於該私有資料、任務定義與測試時點，不能推論為各系統在所有生醫檢索任務的總體排名。作者另稱其在一個生技 VC 個案中，將競爭分析周轉時間由約 2.5 天降為約 3 小時（約 20 倍）；這是生產案例訊號，仍須以更多機構與前瞻性結果驗證。

對實務的意義

這篇論文最實用的不是「模型能取代盡調」，而是指出完整性、精確性與可追溯性必須拆開設計。高風險決策中，遺漏長尾競爭者會影響試驗比較組、授權、定價與投資判斷；但錯列候選也會浪費分析資源。系統應保存來源證據、別名正規化過程、資料日期與排除理由，並把專家覆核保留在高影響結論上。

這與 AI Agent 設計模式 的工具型工作流相呼應：模型負責規劃、搜尋與彙整，系統層則承擔資料權限、結構驗證與稽核。也與 AgentHallu：LLM Agent 幻覺歸因自動化基準測試 的提醒一致：不能只檢查最終清單；應追蹤是哪個檢索、命名對齊或驗證步驟造成遺漏與誤判。對生命科學應用而言，AI 的合理定位仍是加速證據盤點與提出待核問題，而非自行作成投資、臨床或監管判斷。

摘要翻譯

本文描述並評測一個用於快速藥物資產盡職調查的代理式 AI「競爭者發現」元件。代理收到適應症後，需找出其競爭格局中的全部藥物，並擷取標準化屬性。此任務的競爭定義依投資人而異，資料則受到付費授權、跨登錄庫分散、適應症本體不一致、藥名別稱繁多、多模態與快速變動等限制。作者以五年私人生技創投盡調備忘錄建構結構化評估集，並加入 LLM-as-a-judge 驗證代理以剔除錯誤候選、抑制幻覺。在該基準中，BIOPTIC AGENT 的召回率為 83%，高於兩個比較系統；作者也報告一個 VC 個案的分析時程顯著縮短。

來源

  • Vinogradov, V. et al. (2026). LLM-Based Agents for Competitive Landscape Mapping in Drug Asset Due Diligence. AAAI-26.
  • 原始週報摘錄與官方摘要快照：raw/articles/llm-agent-drug-asset-due-diligence-ai-paper-weekly-2026-w40.md

反向連結

以下頁面引用了本頁：