欢迎访问本站，持续更新中…
RSS

WikiFw 维基框架

论文检索粒度变了 AI引用终于能逐条溯源

9 天前 RAG文献检索AI引用知识库

论文检索粒度变了 AI引用终于能逐条溯源

化学文献检索场景

做检索增强生成的人对"引用幻觉"应该不陌生：模型回答里给出的参考文献，看着像模像样，点开 DOI 却经常对不上内容，甚至整篇论文都不存在。问题出在检索粒度上——传统文献检索返回的是论文列表，模型拿到的是整篇论文的语义，它自己决定引用哪一句，错了也没人拦得住。

AskChem 这个新系统换了个思路：检索单位不再是论文，而是论文里拆出来的"主张"（claim）。

检索单位从论文变成主张

AskChem 把每篇论文转换成结构化的原子级主张，每个主张附带来源 DOI 和原文引用或定位信息。目前已经索引了 240 万条主张，覆盖 14.7 万篇论文。检索时直接命中"某篇论文在某个位置说了某个结论"，证据是现成的，不用再回到全文里翻。

论文拆解为原子级主张

对做 AI 文献综述、知识库、Agent 检索的人来说，工作流的变化很直接：原来"检索论文→人工拼接证据→验证来源"，变成"检索主张→直接拿到带定位的证据"。中间最耗时的验证步骤被省掉了。

测试数据也支持这个方向。在 AskChem-Bench 上，GPT-5.5 配合 AskChem 检索后，DOI 解析率达到 100%，没有检索时是 88.3%。需要说明的是，测试只对比了 GPT-5.5 这一个模型，其他模型的表现没有覆盖。

对做 Agent 的人来说，这个差异会直接体现在工作流上。传统检索给 Agent 的是一篇论文，Agent 要自己判断"哪一段支撑了我的回答"，判断错了引用就错了；主张级检索给 Agent 的是一个已经定位好的结论，引用路径是预先铺好的。系统还支持把相关主张组织成证据图谱，回答"这篇论文和那篇论文是什么关系"这类问题时，不用逐篇翻全文。检索从"给资料"变成了"给结论和出处"。

真正的成本在索引侧

主张级检索的代价，不在查询端，在建库端。

把论文拆成主张、给每个主张挂 DOI 和原文定位，这是一次性的结构化加工，工作量比论文级索引高一个量级。存储和检索的复杂度也会跟着涨。论文没有给出检索速度、资源消耗的实测数据，这部分目前是未知数。

更大的不确定性在于主张拆分的质量。240 万条主张靠什么流程拆出来的、不同论文类型（会议论文、预印本）是否都能覆盖、主张与原文的映射错误率有多少，论文都没有评估。如果拆分本身有噪声，"检索到的主张"就只是"看起来可靠"。

值得先验证再接入

这类"结论级检索"基建如果做扎实，对 RAG 的引用可靠性是实打实的提升——本质是把人工整理证据的力气前置到建库阶段，让每次检索都能拿到带出处的结论。这个方向值得关注。

但对想接入的团队，我的建议是先小范围验证主张拆分的准确率，再决定是否替换现有检索管线。索引规模不是价值本身，结构化质量才是。另外，新论文持续进入后，与已有主张之间的重叠、矛盾如何处理，增量更新怎么维护，目前也没有公开信息说明。这些是决定这套基建能不能长期跑下去的问题。

关于维基框架

维基框架关注企业应用开发中的长期维护问题。在实际项目中，业务系统往往同时涉及权限、微服务、接口协议、部署环境等复杂因素，因此我们希望提供一套更容易扩展和维护的基础框架。