科技文献检索
Where is the knowledge?
从海量文献空间中自主定位解决科研问题所需的证据与知识。
从文献空间到新科学知识
科技文献是科学知识最重要的外部载体之一。研究问题已经从“知识是否存在”，转向如何高效找到知识、准确恢复知识，并进一步利用已有知识产生新的科学认知。
核心研究主线：
Find Knowledge → Extract Knowledge → Discover Knowledge
Scientific Literature Intelligence 不把论文搜索、文档解析、问答和深度研究视为彼此孤立的任务，而是把它们组织为连续的科学知识状态转化过程。
第一阶段从海量文献中定位相关证据，第二阶段把复杂多模态文档转化为机器可操作的科学知识，第三阶段从跨文献、跨实验的分布式证据中发现新的规律、空白、边界与假设。
推动科技文献智能从“找到与理解已有知识”，
进一步走向“基于已有知识发现未知知识”。
解析与知识抽取
What knowledge is contained?
从复杂科学文档中恢复结构、对象、关系、主张与证据。
科技文献知识发现
What new knowledge can be derived?
从已有证据中归纳规律、发现空白并形成可验证的新假设。
01 · 科技文献检索
科研检索不是一次 Query–Document Matching，而是“提出问题—搜索—阅读—发现缺口—重构目标—再次搜索”的开放探索过程。
从搜索引擎走向自主科研搜索
让智能体理解科研意图、分解科学问题、规划多跳检索，利用 Citation、Author、Venue、Topic 与 Entity 等异构关系持续发现证据。
评价真正的科研搜索能力
不只评价相关性，还关注证据完整性、新颖性、权威性、多样性，以及 Search–Read–Reformulate 过程中的规划与工具调用质量。
-
1科研意图与复杂查询建模 识别显式问题背后的研究目标、约束、证据需求与知识缺口。
-
2迭代式多跳文献检索 在搜索、阅读与重构目标之间循环，追踪引用、实体与主题关系。
-
3证据检索与过程评测 评价是否找到解决科研任务所需的充分、可靠且互补的证据。
PaperScout · Agentic Search
ScholarQuest · Retrieval Benchmark
02 · 科技文献解析与知识抽取
科学论文不是纯文本，而是由正文、表格、图像、公式、算法、引用和科学符号共同构成的多模态知识载体。
让 AI 真正“看到”论文
恢复复杂版面、阅读顺序、章节层级、Figure、Table、Equation、Algorithm、Caption 及其跨模态对应，把面向人类阅读的文档转化为机器可感知内容。
从文档元素恢复科学知识
抽取 Problem、Method、Dataset、Metric、Entity、Claim、Evidence、Finding、Limitation 与 Mechanism，形成可被科研智能体继续消费的知识对象。
关键知识表示：
Claim ↔ Evidence ↔ Condition ↔ Result ↔ Source
Problem
Method
Dataset
Metric
Experiment
Claim
Evidence
Finding
Limitation
Mechanism
03 · 科技文献知识发现
从跨论文、跨实验、跨模态的分布式证据中，发现原文没有直接给出的稳定关系、研究空白、边界条件与科学假设。
科学规律发现
联合文献表格与实验结果，归纳变量关系、单调或非单调规律、隐藏交互、适用条件与失效区间。
科研空白发现
识别尚未解决的问题、缺失实验条件、冲突结论、未探索变量组合与潜在边界条件。
科学假设生成
组织支持与冲突证据、可能机制、适用边界和可检验预测，形成证据驱动而非自由想象的假设。
候选对象发现
从文献知识生成并排序值得验证的材料、分子、药物靶点、科学关系或方法—问题组合。
证据驱动发现路径：
Evidence → Pattern → Gap → Mechanism → Hypothesis → Verification
现有工作的统一位置
当前工作已经覆盖检索、评测、推理和深度研究，下一步需要补强知识抽取与证据驱动发现，使研究组合形成完整链条。
| 研究阶段 | 核心问题 | 代表工作或布局 |
|---|---|---|
| Literature Retrieval | 如何自主找到科研任务所需的文献与证据？ | PaperScout |
| Retrieval Evaluation | 如何评价复杂科研搜索能力？ | ScholarQuest |
| Parsing & Extraction | 如何把复杂科学文档转化为结构化知识？ | 下一阶段重点布局 |
| Understanding & Reasoning | AI 是否真正能够理解和推理文献知识？ | PaperArena |
| Deep Research | 如何完成复杂、开放的文献研究过程？ | Mind2Report |
| Knowledge Discovery | 如何从文献证据中发现新规律与新假设？ | 下一阶段重点布局 |
下一阶段重点补齐两层能力
Search 与 Deep Research 已有明确基础，下一步应把中间知识层做扎实，并建立真正以文献证据为起点的科学发现方法。
Scientific Knowledge Extraction
面向复杂多模态科技文献，重点研究 Table、Figure、Equation、Claim–Evidence、Experiment 与领域结构化科学数据，使知识真正可被机器操作。
Evidence-driven Scientific Discovery
从真实文献证据而非 LLM 想象出发，建立 Tables / Experiments → Pattern → Gap → Hypothesis 的可追踪发现路径。