编排 LLM 智能体进行科学研究：多项选择题生成与评估的试点研究

一项试点研究展示了人类研究者协调多个 LLM 智能体进行数据提取、语料构建及 MCQ 生成与评估的工作流。研究收集了 1,071 道 SAT Math MCQ，利用 24 项标准框架评估发现，生成题目在语法流畅度等表面质量上表现强劲，但在技能深度和难度校准上与专家基线存在差距，未实现完全等效。该过程促使研究者工作重心从题目编写转向规范制定、编排、验证及治理。