科研 Agent 的第一道坎：不是模型不够强，而是证据拿不稳

m0_61134850

345人浏览 · 2026-06-05 13:27:19

m0_61134850 · 2026-06-05 13:27:19 发布

而是证据拿不稳

过去一年，科研圈最刺眼的问题之一不是“AI 不会写”，而是“AI 写得太像真的”。

Nature 近期连续讨论了一个现象：AI 生成的幻觉引用正在进入科学文献。一些论文里的参考文献看起来格式完整、作者可信、标题合理，但 DOI 对不上，甚至文献根本不存在。

这件事把科研 Agent 的核心问题暴露得很清楚：

真正危险的不是模型不会总结，而是模型在没有可靠证据链的情况下总结得很流畅。

所以今天再讨论科研 AI，不能只问“哪个模型更聪明”，而要问另一个更底层的问题：

当一个 Agent 要回答科研问题时，它到底从哪里拿证据？能不能回到原文？能不能拿到页码、doc_id、图表和元数据？能不能被复查？

我把 Sciverse、OpenAlex、Semantic Scholar、Crossref、Europe PMC、arXiv 放到同一个框架里看了一遍。结论是：这些工具都能“找论文”，但它们适合的工作流完全不同。

一、先看数据量和定位

产品	公开数据规模 / 范围	更适合做什么	对 Agent 的关键限制
Sciverse	5.16 亿知识记录，814 种语言，1.3M+ 期刊与会议	科研 Agent、科学 RAG、全文证据读取、图表资源获取	需要 Token 和账号权限，生态还在扩展
OpenAlex	2026 roadmap 提到 4.77 亿 works	开放学术知识图谱、机构/作者/引用/主题分析	语义搜索主要基于标题和摘要，不天然返回正文 evidence chunk
Semantic Scholar	S2AG 论文描述为 200M+ papers、2.4B+ citation edges	论文发现、引用关系、作者/论文图谱	API 更偏 paper metadata / graph，不是全文证据工作流
Crossref	2026 public data file 约 1.8 亿记录	DOI 元数据、出版物注册信息、引用关系	不抓全文，不适合做语义证据检索
Europe PMC	3300 万+ publications，生命科学方向强	生物医学文献、OA 全文、图表、补充材料	学科范围相对集中
arXiv	2.3M+ 预印本，AI/物理/数学等更新快	追踪最新预印本	覆盖面窄，主要是预印本，不是全学科知识底座
Google Scholar	覆盖广，用户认知强	人工检索	没有稳定官方 API，不适合 Agent 自动化接入

如果只是“人搜论文”，Google Scholar 仍然很好用。

但如果目标是让 Claude、Cursor、Codex 或自研 Agent 自动检索、核对、读取、生成 evidence pack，问题就变了。

Agent 不只需要一个论文列表。它需要结构化、可调用、可追溯的科学证据。

二、真正的差异不在“能不能搜”，而在返回颗粒度

普通学术 API 常见返回是：

{
  "title": "...",
  "authors": [],
  "year": 2025,
  "doi": "...",
  "abstract": "..."
}

这对人有用，但对 Agent 还不够。

Agent 真正需要的是：

{
  "title": "...",
  "doc_id": "...",
  "chunk": "可引用的正文片段",
  "page_no": 7,
  "offset": 18234,
  "score": 0.82
}

因为只有这样，它才能继续做三件事：

拿 doc_id 读原文；

拿 page_no / offset 定位证据；

把 evidence chunk 写进答案，而不是凭空生成引用。

这也是 Sciverse 和 OpenAlex、Crossref、Semantic Scholar 的主要差异点。

OpenAlex 很强，尤其是开放知识图谱和 metadata。它现在也提供 semantic search，但官方文档说明语义搜索主要基于 title + abstract embedding。它非常适合找“相关论文”，但如果你要让 Agent 直接拿“正文证据片段”，还需要额外链路。

Crossref 是 DOI 元数据基础设施，不是全文检索系统。

Semantic Scholar 强在 paper graph、citation graph、作者和论文关系。

Sciverse 的优势在于它把 Agent 常用动作拆成了 5 个接口：

agentic-search：自然语言问题 → 文献 evidence chunks

meta-search：结构化条件 → 论文元数据列表

content：doc_id → 分段读取全文

resource：file_name → 下载图表 / 附件资源

meta-catalog：查看 meta-search 可筛选、可排序字段

这套接口不是为“搜索页面”设计的，更像是为 Agent 工作流设计的。

三、快速对比：同一个问题，各家怎么调

假设问题是：

“perovskite solar cell stability interface engineering”

1. Sciverse：拿 evidence chunk

curl -X POST "https://api.sciverse.space/agentic-search" \
  -H "Authorization: Bearer $SCIVERSE_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "query": "perovskite solar cell stability interface engineering",
    "top_k": 5
  }'

适合：科研问答、RAG evidence、综述 Agent。

预期返回：相关文献片段、标题、doc_id、页码或位置、score。

2. OpenAlex：找相关 works

curl "https://api.openalex.org/works?api_key=$OPENALEX_API_KEY&search.semantic=perovskite%20solar%20cell%20stability%20interface%20engineering&per-page=5&select=id,title,publication_year,doi,relevance_score"

适合：开放学术图谱、论文发现、作者/机构/主题分析。

注意：更偏 work-level 检索，不是直接返回正文证据片段。

3. Semantic Scholar：查论文和引用图谱

curl "https://api.semanticscholar.org/graph/v1/paper/search?query=perovskite%20solar%20cell%20stability%20interface%20engineering&limit=5&fields=title,year,abstract,authors,citationCount,openAccessPdf"

适合：论文检索、引用量、作者、开放 PDF 线索。

注意：很好用，但不是“chunk → content → resource”的证据链结构。

4. Crossref：查 DOI 元数据

curl "https://api.crossref.org/works?query.title=perovskite%20solar%20cell%20stability&rows=5"

适合：查 DOI、出版信息、期刊信息。

注意：不要把 Crossref 当全文搜索。它的价值是元数据可信和 DOI 体系。

5. Europe PMC：生命科学全文与图表

curl "https://www.ebi.ac.uk/europepmc/webservices/rest/search?query=CRISPR%20off-target%20detection&format=json&pageSize=5"

适合：生命科学、医学、OA 全文、图表、补充材料。

注意：如果你的场景是生物医学，Europe PMC 很强；如果是跨学科科学 Agent，范围就不够宽。

6. arXiv：追最新预印本

curl "https://export.arxiv.org/api/query?search_query=all:AI%20agent%20scientific%20discovery&start=0&max_results=5&sortBy=submittedDate&sortOrder=descending"

适合：AI、CS、物理、数学等方向追新。

注意：arXiv 不是全学科检索，也不是正式出版物知识库。

四、Sciverse 的实际使用链路

如果你要做一个科研 Agent，不建议一上来就“让模型搜索并回答”。

更稳的链路是：

用户问题
  ↓
agentic-search 找 evidence chunks
  ↓
根据 doc_id 去重
  ↓
content 读取原文上下文
  ↓
必要时 resource 拉取图表
  ↓
LLM 只基于 evidence 生成答案
  ↓
输出 doc_id / 页码 / DOI / 引用线索

下面是一个最小 Python 示例。

import os
import requests

BASE_URL = "https://api.sciverse.space"
TOKEN = os.getenv("SCIVERSE_API_TOKEN")

HEADERS = {
    "Authorization": f"Bearer {TOKEN}",
    "Content-Type": "application/json",
}

def agentic_search(query: str, top_k: int = 5):
    r = requests.post(
        f"{BASE_URL}/agentic-search",
        headers=HEADERS,
        json={"query": query, "top_k": top_k},
        timeout=30,
    )
    r.raise_for_status()
    return r.json()

def read_content(doc_id: str, offset: int = 0, limit: int = 1200):
    r = requests.get(
        f"{BASE_URL}/content",
        headers={"Authorization": f"Bearer {TOKEN}"},
        params={"doc_id": doc_id, "offset": offset, "limit": limit},
        timeout=30,
    )
    r.raise_for_status()
    return r.json()

def build_evidence_pack(query: str):
    search_data = agentic_search(query)
    hits = search_data.get("hits") or search_data.get("results") or []

    pack = []

    for hit in hits:
        doc_id = hit.get("doc_id")
        if not doc_id:
            continue

        content = read_content(doc_id)

        pack.append({
            "title": hit.get("title"),
            "doc_id": doc_id,
            "chunk": hit.get("chunk"),
            "page_no": hit.get("page_no") or hit.get("page"),
            "offset": hit.get("offset"),
            "source_text": content.get("text", "")[:1000],
        })

    return {
        "query": query,
        "evidence": pack,
    }

if __name__ == "__main__":
    result = build_evidence_pack(
        "perovskite solar cell stability interface engineering"
    )

    for i, item in enumerate(result["evidence"], 1):
        print(f"\n## Evidence {i}")
        print("Title:", item["title"])
        print("Doc ID:", item["doc_id"])
        print("Page:", item["page_no"])
        print("Chunk:", item["chunk"])
        print("Source:", item["source_text"][:500])

这个脚本能干什么？

它不是让模型“凭感觉写综述”，而是先生成一个 evidence pack。

Agent 拿到 evidence pack 后，才开始回答。

这一步很重要。因为科研场景里，答案不是第一生产物，证据才是。

五、结构化筛选不要让模型猜字段

如果用户问：

“帮我找 2023 年以后 Nature 上关于 LLM hallucination detection 的论文。”

这时候不应该直接让模型拼字段。

正确做法是先查 meta-catalog：

curl -X GET "https://api.sciverse.space/meta-catalog" \
  -H "Authorization: Bearer $SCIVERSE_API_TOKEN"

然后再用 meta-search：

curl -X POST "https://api.sciverse.space/meta-search" \
  -H "Authorization: Bearer $SCIVERSE_API_TOKEN" \
  -H "Content-Type: application/json" \
  -d '{
    "query": "LLM hallucination detection",
    "filters": [
      {
        "field": "publication_published_year",
        "operator": "FILTER_OP_GTE",
        "value": 2023
      }
    ],
    "sort": [
      {
        "field": "publication_published_year",
        "order": "SORT_ORDER_DESC"
      }
    ],
    "page": 1,
    "page_size": 10
  }'

这里的关键不是代码有多复杂，而是产品逻辑：

agentic-search 负责自然语言 evidence；

meta-search 负责结构化论文列表；

content 负责原文核验；

resource 负责图表资源；

meta-catalog 负责告诉 Agent 不要乱猜字段。

六、哪类用户最适合用 Sciverse

我会把用户分成四类。

第一类是科研 Agent 开发者。

他们需要让 Agent 自动找论文、读原文、输出引用。Sciverse 对他们的价值最大，因为它直接解决 evidence chunk 和 doc_id 问题。

第二类是科学 RAG 团队。

如果你的 RAG 数据源不能回到原文，那它只能算“相关文本生成”。Sciverse 的 content/resource 能让 RAG 从检索走向核验。

第三类是做技术情报和专利分析的人。

Sciverse 的知识底座覆盖文献、图书、专利等类型，更适合做跨来源探索。这里要注意，具体字段和权限要以当前账号开放能力为准，不要把所有产品能力混成一句“大而全”。

第四类是 MinerU 用户。

MinerU 把用户手里的 PDF、网页、截图解析成可读内容；Sciverse 则可以在解析后继续查外部科学证据。

这条链路非常自然：

MinerU 解析文档
  ↓
提取标题 / 摘要 / 表格 / 图注 / 关键词
  ↓
Sciverse 检索相关科学资料
  ↓
读取原文 / 获取图表 / 生成 evidence pack
  ↓
交给 Agent 做总结或比对

注意，这里不建议默认替用户调用 API。更合理的是：引导用户登录 Sciverse、获取自己的 Token，或者跳转官网和 Docs。

七、如果要做评测，别只测“有没有结果”

很多学术搜索评测只看 top 10 有没有相关论文。这个指标太粗了。

面向 Agent，我建议测 7 个指标：

维度	为什么重要
覆盖率	查询是否能返回结果
相关性	结果是否真的回答问题
返回颗粒度	是论文级、摘要级，还是正文 chunk 级
可追溯性	是否有 doc_id、DOI、页码、offset
可继续读取	是否能从结果继续读全文
多模态资源	是否能拿图表、附件、实验图
Agent 接入成本	是否有 API、MCP、Skills、SDK、CLI