📄 本文（日中雙語）
📢 読者の皆様へ ※ 現在日本語を勉強中のため、AIツールの補助を受けて作成しています。 (目前日文學習中，內文經 AI 輔助完成。)
◆ 開発背景：論文スクリーニングの効率化
自作の文献検索ツール（BioLitScreen-Pro）に、LLM（大規模言語モデル）を活用した自動要約機能を統合しました。大量の論文からコアとなる研究内容（「第1篇與癌症無關」、「第2篇探討骨肉瘤微環境」など）を瞬時に把握し、スクリーニングの速度を劇的に向上させることが目的です。
💡 【中文摘要】 我在自製的文獻搜尋工具（BioLitScreen-Pro）中導入了 LLM 自動摘要功能。目標是幫助研究者快速掌握論文核心（例如精準標註與課題相關性），大幅提升文獻預篩效率。
◆ 課題とエンジニアリング上のトレードオフ
LLMの導入にあたり、ローカル環境のハードウェアリソース制限という課題に直面しました。
- ローカル実行の限界：高性能GPUがないため、ローカルでLLMを動かすのは非現実的。
- クラウドAPIの活用：トレードオフとしてクラウドサーバー経由でLLMモデルを呼び出す構成を選択。
新たな挑戦：クラウド経由にしたことで、ネットワークの安定性やリクエストのタイムアウト、接続切断といった問題が発生。現在、APIリトライメカニズムや非同期処理（Async）、キャッシュ化の導入によるレイテンシ削減と安定性向上を検証・研究しています。
💡 【中文摘要】 開發挑戰與架構取捨（Trade-off）：
- 硬體限制：本機設備有限，直接在 Local 跑大模型不切實際。
- 雲端部署：退而求其次選擇雲端伺服器/API 呼叫 LLM 系統。 面臨瓶頸：雲端連線帶來網路不穩定與回應延遲（Latent/Disconnection）等問題。目前正研究引入非同期處理（Async）、重試機制（Retry）與快取（Cache）來提升連線穩定度。
◆ 今後の展望：IC50活性予測システムへのLLM統合
現在はプロトタイプ（草稿版）の段階ですが、API連携の安定化およびネットワークエラーのハンドリングを最適化した後、現在開発中の 「IC50活性予測システム（MAP-IC50 / Streamlit Dashboard）」 に本LLMモジュールを統合する予定です。
文献の自動スクリーニングから、多層的なパラメータに基づくIC50活性計算までをシームレスに繋ぐことで、ドライ（情報科学）とウェット（創薬研究）を融合させた、より堅牢な研究支援プラットフォームへと進化させていきます！
💡 【中文對照與摘要】
未來展望：將 LLM 模組整合至 IC50 活性預測系統 目前專案屬於 POC / 草稿階段，待 API 連線穩定度與異常處理（Error Handling）優化完成後，計畫將此 LLM 模組全面整合至正在開發的 「IC50 活性預測系統（MAP-IC50 / Streamlit Dashboard）」 中。
從前端的「文獻自動預篩」到後端的「基於多維度參數之 IC50 活性計算」，實現無縫銜接的 Dry/Wet 結合自動化研究平台！
