许多研究领域依赖网络数据获取洞见并验证其方法。然而，收集全面的研究数据集通常需要人工查阅大量网页以识别和记录相关数据点，这一过程不仅劳动密集，而且容易出错。
虽然基于大型语言模型（LLM）的网络智能体已开始自动化此过程的部分环节，但它们往往难以确保所收集数据的有效性。
这些智能体确实表现出若干常见故障模式——包括虚构或遗漏数据、误解页面语义以及未能识别无效信息——这些问题往往较为隐蔽，难以通过人工检测和纠正。
为此，我们提出了“AI委员会”——一种新颖的、与模型无关的多智能体系系统，旨在自动化验证和修正网络数据集的流程。每个智能体专精于数据质量保障流程中的特定任务，涵盖从来源审查、事实核查到数据修正与完整性验证等环节。
该委员会综合利用多种LLM能力，包括针对数据集适应的上下文学习、用于复杂语义验证的思维链推理以及基于自修正循环的数据修复机制，且无需针对具体任务进行专门训练。
我们通过在三个真实数据集上应用该系统，证明了其有效性：它不仅能够跨不同LLM泛化使用，而且在数据完整性方面显著优于基线方法，最高可达78.7%，精确度更可达100%。此外，我们通过消融实验验证了委员会中每个智能体对整体性能的贡献。本研究成果已作为开源工具向研究社区发布。
