Analiza literatury naukowej z zakresu materiałoznawstwa stanowi wyzwanie dla obecnych systemów AI, ponieważ wymaga jednoczesnego rozpatrzenia składu, przetwarzania, charakteryzacji i właściwości materiałów. Tradycyjne podejścia retrieve-then-generate miały problemy z pogodzeniem tak różnorodnych zadań w jednym architekturze. AlphaAgent zmienia to podejście, wprowadzając framework agentowy z wyraźnym rozdzieleniem umiejętności. System działa na podstawie dwóch głównych kontraktów umiejętności. Pierwsza umiejętność zajmuje się pobraniem informacji - przekształca zapytania użytkownika w konkretne intencje wyszukiwania, przeszukuje indeks zawierający ponad 300 tys. prac naukowych z Journal Citation Reports kategorii Metallurgy i Metallurgical Engineering, oraz reformułuje zapytania, gdy początkowe dowody są niewystarczające. Druga umiejętność obsługuje generowanie raportów - analizuje pełne teksty artykułów w formacie PDF, produkując strukturalne raporty dla każdego artykułu oraz podsumowania porównawcze. W ślepej ewaluacji na 40 pytaniach z zakresu nauk o materiałach, z których połowa wymagała głębokich analiz, AlphaAgent znacznie przewyższył system bazowy o porównywalnym modelu bazowym, indeksie dokumentów i skali wyszukiwania. Największe przewagi system wykazał w wyjaśnianiu mechanizmów oraz świadomości ograniczeń wiarygodności źródeł. Wyniki wskazują, że jawne rozdzielenie zadań, ulepszenie intencji wyszukiwania i generowanie tekstu uwzględniające dowody znacząco poprawiają jakość analizy literatury przez systemy oparte na dużych modelach języka.