La investigación científica típicamente sigue un ciclo iterativo donde se proponen hipótesis, se validan contra conclusiones experimentales y se refinan en consecuencia. Si bien los avances recientes en modelos de lenguaje grande (LLMs) han permitido un progreso significativo en la automatización de etapas individuales de este proceso, los sistemas existentes suelen desarrollarse como soluciones independientes, lo que dificulta la coordinación de múltiples actividades de investigación dentro de un flujo de trabajo de investigación coherente. En este estudio, presentamos un marco modular para la validación y el refinamiento automatizados de hipótesis en la investigación científica. En lugar de introducir nuevos modelos específicos para tareas, el marco integra técnicas establecidas, incluyendo la validación de hipótesis basada en inferencia de lenguaje natural (NLI), el refinamiento de hipótesis guiado por atribución y la recuperación de evidencia externa basada en generación aumentada por recuperación (RAG), en un flujo de trabajo unificado y controlable. Evaluamos el marco propuesto en textos científicos en el dominio de la química para evaluar su aplicabilidad en escenarios prácticos de investigación científica. Experimentos extensos demuestran la efectividad del marco propuesto y sugieren que produce señales intermedias confiables que mejoran la transparencia y la trazabilidad a lo largo de la validación y el refinamiento de hipótesis. Nuestro trabajo ofrece una solución modular para implementar sistemas basados en LLM en flujos de trabajo de investigación científica.