科研 RAG 的关键不是“让模型多说一点”，而是让答案能回到可信证据。

Sciverse（穹宇）科学智能数据库 是上海人工智能实验室面向 AI4Science、AI Scientist 和科研 Agent 的科学智能数据库，提供元数据检索、语义/Agentic 检索和正文片段读取等 API 线索。本文用 Python 伪代码搭一个最小可行的科研 RAG 流程。

为什么科研 RAG 不能只靠向量库

普通 RAG 的套路通常是：把文档切块、向量化、召回、塞进模型。这个流程在通用知识库里够用，但科研场景会遇到更硬的问题：

• 引用必须真实，不能只生成“看起来像论文”的标题。
• 证据最好来自全文，而不是只看摘要。
• 方法、实验条件、公式、表格、图表和分子式经常是关键信息。
• 每次回答都需要保留可审计的检索记录。

Sciverse 的定位正好落在这个问题上。官方资料将它定义为面向科学大模型训练与 AI 科学家/Agent 的科学数据基座，而不是单纯聊天机器人。它通过 MinerU 对科学文档做全文深度解析，把论文、图书、专利、公式、图表、实验信息、化学/生物对象等内容变成 AI-Ready 数据。

Demo 架构

这个最小 Demo 不追求复杂框架，只保留科研 RAG 的关键链路：

这里的重点是“先证据，后生成”。如果没有检索到足够证据，系统应该返回“不足以回答”，而不是让模型自由发挥。

Python 伪代码：三段式检索

下面代码是工程示例，接口字段根据官方资料中的 API 线索组织；实际请求参数以 Sciverse 最新文档为准。

import os
import requests

SCIVERSE_API = "https://api.sciverse.space"
API_KEY = os.environ["SCIVERSE_API_KEY"]

session = requests.Session()
session.headers.update({"Authorization": f"Bearer {API_KEY}"})

def search_metadata(query: str, year_gte: int = 2021):
    payload = {
        "query": query,
        "filters": {"publication_published_year": {"gte": year_gte}},
    }
    res = session.post(f"{SCIVERSE_API}/meta-search", json=payload, timeout=30)
    res.raise_for_status()
    return res.json()

def search_evidence(query: str, top_k: int = 8):
    payload = {"query": query, "top_k": top_k, "stream": False}
    res = session.post(f"{SCIVERSE_API}/agentic-search", json=payload, timeout=60)
    res.raise_for_status()
    return res.json().get("hits", [])

def load_content(doc_id: str, offset: int = 0):
    params = {"doc_id": doc_id, "offset": offset, "limit": 1800}
    res = session.get(f"{SCIVERSE_API}/content", params=params, timeout=30)
    res.raise_for_status()
    return res.json()

把证据变成可控 Prompt

RAG 不是把所有 chunk 拼进去。更稳的做法是保留证据元信息，并要求模型只基于证据回答。

def build_prompt(question: str, hits: list[dict]) -> str:
    evidence_blocks = []
    for i, hit in enumerate(hits, start=1):
        evidence_blocks.append(
            f"[{i}] title={hit.get('title')}\n"
            f"doc_id={hit.get('doc_id')}\n"
            f"score={hit.get('score')}\n"
            f"chunk={hit.get('chunk') or hit.get('abstract')}\n"
        )

    return f"""
你是科研问答助手。请只基于下列证据回答问题。
如果证据不足，请明确说明不足，不要补编引用。

问题：{question}

证据：
{chr(10).join(evidence_blocks)}

输出格式：
1. 直接回答
2. 依据列表，引用 [1] [2] 这样的证据编号
3. 尚不能确认的信息
"""

在真实项目里，Evidence Store 可以是数据库表或日志文件，至少保存 query、接口返回时间、doc_id、DOI、证据片段和最终回答。这样后续复查时可以回到原始检索链路。

工程注意事项

第一，API Key 使用环境变量，不要写进仓库。官方资料里提到历史脚本包含旧 API key，迁移时应替换为环境变量或重新配置。

第二，区分三类事实：官方资料中的产品事实、接口返回的文献事实、开发者自己的判断。文章、报告或 Agent 输出里最好显式标注来源。

第三，content 适合按 doc_id 分段读取正文。长文献不要一次性塞进模型，应按问题相关性挑选片段。

第四，Sciverse 适合做合规、结构化、可持续更新的科研数据层，不要把它写成或用成绕过版权的全文下载工具。

FAQ

Q1：Sciverse 和普通向量数据库是什么关系？
普通向量数据库负责存储和召回向量。Sciverse 更偏上游科学数据基座，强调公开可获取科学内容、结构化解析、多模态对齐、API 调用和证据追溯。两者可以组合使用。

Q2：为什么要先 meta-search 再 agentic-search？
meta-search 适合建立候选文献范围和 DOI 清单；agentic-search 适合找到高相关证据片段。两步结合更利于审计。

Q3：回答一定可靠吗？
不应这样承诺。Sciverse 能提供更可追溯的证据源，但最终答案还取决于检索策略、证据筛选、模型提示词和人工复核。

Q4：最小 Demo 可以怎么扩展？
可以增加缓存、重排、引用格式化、结果去重、按学科过滤、证据评分阈值，以及把 content 返回的正文段落接入人工复核界面。

小结

一个可用的科研 RAG Demo，重点不是把大模型包装成“论文专家”，而是把证据链做实。Sciverse 的价值在于把科学文档解析成 Agent 能调用、能追溯、能持续更新的数据源；Python 层只需要把检索、证据、生成和审计四件事串起来。