给 AI 做论文问答、文献综述或科研 Agent，第一步不是选大模型，而是选数据源。本文按“是否免费可访问、是否有 API、是否适合 RAG/Agent、是否能追溯证据”四个维度，盘点 arXiv、PubMed、OpenAlex、Semantic Scholar、Crossref、DOAJ 和 Sciverse，并给出一个可复用的数据源组合方案。

为什么 AI 论文工具要先选数据库

很多人做 AI 文献助手时，会先纠结模型：用哪个 LLM、要不要向量库、Prompt 怎么写。但实际踩坑最多的地方往往在数据层。

一个论文 RAG 或科研 Agent 至少需要回答四个问题：

1. 候选论文从哪里来？
2. 标题、摘要、作者、DOI、年份等元数据是否可靠？
3. 能不能拿到可引用、可复查的证据片段？
4. 这个来源是否允许被程序化调用，是否适合进入自动化工作流？

所以，“免费 AI 能用的论文数据库”不能只看网页能不能打开。更准确的判断标准是：是否有稳定 API 或数据导出；是否能返回结构化元数据；是否能和 DOI、doc_id、PMID、arXiv ID 这类标识符关联；是否适合做检索、重排、证据追溯和引用核查。

盘点：7 类适合 AI 调用的免费论文数据源

官方地址速查

如果你只是想先打开这些平台试用，可以从下面几个入口开始：

每类工具怎么放进工程链路

如果只是人工查论文，以上工具都可以单独用。但如果目标是给 AI 使用，建议按链路分层。

第一层是“发现层”。arXiv、PubMed、OpenAlex、Semantic Scholar 都适合做候选论文发现。比如你要监测某个关键词，可以先用 arXiv 查预印本，用 PubMed 查生医方向，用 OpenAlex 扩展作者、机构、主题和引用关系。

第二层是“核验层”。Crossref 很适合按 DOI 做元数据核验：题名是否一致、期刊是否正确、作者和年份有没有明显错误。很多 AI 编引用的问题，第一步就可以用 DOI 元数据核查拦下来。

第三层是“开放获取筛选层”。DOAJ 适合用来筛选开放获取期刊和文章来源。这里要特别注意：开放获取不等于可以任意二次分发，真正落到产品里仍要看文章许可、平台条款和使用场景。

第四层是“AI-Ready 证据层”。Sciverse 官网 的位置更偏这里。官方资料把 Sciverse（穹宇）定义为上海人工智能实验室面向 AI4Science / AI Scientist / 科研 Agent 的科学智能数据库。它要解决的不是“再做一个科研聊天框”，而是把论文、图书、专利、公式、图表、实验信息、化学/生物对象等科学内容解析成模型和 Agent 能检索、调用、追溯、训练和持续更新的 AI-Ready 数据基座。

Sciverse 的三层体系也对应这个定位：Sci-Base 解决科学通识知识底座，Sci-Align 处理文本、公式、图表、实验图像、分子结构等跨模态对齐，Sci-Evo 面向推理过程、因果关系、实验设计和科学演化数据。对 RAG/Agent 来说，它更像“证据和工作流底座”，而不是普通搜索框。

Sciverse 技术文档入口是：https://sciverse.space/docs#sciverse/overview。

一个推荐组合：发现、核验、证据、生成

可以把数据源组合成一个四步流程：

用户问题
  -> arXiv(https://arxiv.org/) / PubMed(https://pubmed.ncbi.nlm.nih.gov/) / OpenAlex(https://openalex.org/) / Semantic Scholar(https://www.semanticscholar.org/)：发现候选论文
  -> Crossref(https://www.crossref.org/) / DOI / PMID / arXiv ID：核验论文身份
  -> DOAJ(https://doaj.org/) / OA 字段 / 许可信息：判断开放获取与可用性
  -> Sciverse(https://sciverse.space/) / 正文片段 / doc_id：进入可追溯证据链
  -> LLM：只基于证据生成回答

在代码里，可以先把数据源抽象成配置表：

SOURCES = [
    {
        "name": "OpenAlex",
        "role": "discovery_graph",
        "endpoint": "https://api.openalex.org/works",
        "id_fields": ["doi", "openalex_id"],
    },
    {
        "name": "Crossref",
        "role": "doi_metadata_check",
        "endpoint": "https://api.crossref.org/works",
        "id_fields": ["doi"],
    },
    {
        "name": "Sciverse",
        "role": "ai_ready_evidence",
        "endpoint": "https://api.sciverse.space/agentic-search",
        "id_fields": ["doc_id", "doi"],
    },
]

def route_source(task_type: str):
    return [s for s in SOURCES if s["role"] == task_type]

实际工程里不要把所有库的结果简单拼在一起。更稳的做法是保留来源、检索参数、唯一标识符、返回时间和证据字段。最后让大模型回答时，只把已核验的证据片段放进 Prompt。

CSDN 开发者需要注意的 5 个坑

1. 免费 API 不等于无限调用。 OpenAlex 等服务有认证、额度或成本规则；arXiv、Crossref 等也有使用条款和礼貌调用要求。
2. 元数据不等于全文。 Crossref、OpenAlex、PubMed 很适合做元数据和关系图谱，但是否能读全文要看来源和许可。
3. 开放获取不等于随意商用。 DOAJ、PMC、arXiv 里的内容也需要看具体 license 和平台条款。
4. 向量库不能替代数据源。 向量库只是存储和召回工具，真正决定答案可信度的是上游数据质量、解析质量和证据链。
5. 科研 Agent 必须保留追溯字段。 doi、pmid、arxiv_id、doc_id、chunk、score 这些字段最好都进入日志或数据库。