Deep Research — 多源深度调研系统

端到端的深度调研系统：从用户问题出发，智能选择数据源组合（arXiv 论文 + ToolUniverse 科学工具 + Web 搜索），多维度采集数据，逐源深度解读，围绕用户问题进行交叉归纳，最终生成专业研究报告。

工作流程总览

Phase 1: 问题拆解与数据源规划
→ Phase 2: 多源数据采集
    2A: arXiv 论文检索 + 筛选 + PDF 下载
    2B: ToolUniverse 科学工具数据采集
    2C: Web 搜索补充采集
→ Phase 3: 数据提取与整理
→ Phase 4: 逐源深度解读
→ Phase 5: 围绕用户问题的交叉分析与报告撰写
→ Phase 6: 生成 PDF/DOCX 研究报告

工作空间路径：所有文件输出到 /home/scienceclaw/sessionid/ 目录下。

---

Phase 1: 问题拆解与数据源规划

收到用户问题后，不要直接执行。先分析问题，拆解为多个调研维度，并规划需要哪些数据源。

1.1 问题拆解

将用户问题按以下维度展开：

维度	说明	示例
核心概念	问题的主题词	BRCA1, data center cooling
技术路线	不同的技术方案	PARP inhibitors, liquid cooling
应用场景	特定的应用环境	triple-negative breast cancer
关联领域	密切相关的交叉领域	DNA repair, homologous recombination
优化目标	关注的性能指标	survival rate, PUE

1.2 数据源决策

⚠️ 强制规则：对于任何研究型问题，ToolUniverse 和文献检索都是必选项，不可跳过。

数据源	状态	说明	典型场景
文献检索	必选	任何研究问题都必须检索学术文献。根据领域选择来源：CS/AI/物理/数学 → arXiv；生物医药/化学 → PubMed/PubTator/EuropePMC（通过 ToolUniverse）；通用学术 → OpenAlex/Semantic Scholar（通过 ToolUniverse）。多个来源可叠加使用。	所有研究型问题
ToolUniverse	必选	任何研究问题都必须使用 ToolUniverse 获取专业数据库的结构化数据。即使不涉及生物医药，也应搜索是否有适用工具（天文、地球科学、化学、统计等均有覆盖）。	所有研究型问题
Web 搜索	推荐	获取最新资讯、行业报告、非学术数据补充	市场规模、最新进展、政策法规

决策原则：

• 文献检索 + ToolUniverse 是所有研究任务的双必选底线，Web 搜索作为推荐补充
• 生物医药领域：ToolUniverse（UniProt/OpenTargets/PubMed/PubTator 等结构化数据） + 文献检索（PubTator_search_publications 或 EuropePMC_search 通过 ToolUniverse 调用，以及 arXiv 补充前沿预印本） + Web 搜索
• CS/AI/工程领域：arXiv 论文检索 + ToolUniverse（搜索领域相关工具如 HuggingFace/OpenML/DBLP 等） + Web 搜索
• 跨学科/其他领域：arXiv（如适用） + ToolUniverse（搜索领域工具，如天文 SIMBAD/NASA、地球科学 USGS、化学 COD 等） + 通用文献检索（OpenAlex/Semantic Scholar 通过 ToolUniverse） + Web 搜索
• 绝对禁止只用单一数据源就直接开始写报告

1.3 生成调研计划

将上述分析写入计划文件：

import json

plan = {
    "question": "用户原始问题",
    "dimensions": ["维度1", "维度2", "..."],
    "data_sources": {
        "literature": {
            "enabled": True,  # ⚠️ 必选 — 不可设为 False
            "arxiv": {
                "enabled": True,  # CS/AI/物理/数学/工程领域必须启用
                "queries": [
                    {"arxiv_query": "abs:%22keyword%22+AND+abs:topic", "label": "描述"},
                    # ... 8-12 个 query
                ],
                "relevance_phrases": ["phrase1", "phrase2"],
                "target_total": 50,
                "top_k": 15,
            },
            "pubmed_via_tooluniverse": {
                "enabled": True,  # 生物医药/健康领域必须启用
                "tools": ["PubTator_search_publications", "EuropePMC_search"],
                "queries": ["搜索词1", "搜索词2"],
            },
            "general_academic": {
                "enabled": True,  # 通用学术文献检索
                "tools": ["OpenAlex_search_works", "SemanticScholar_search_papers"],
                "queries": ["搜索词1", "搜索词2"],
            },
        },
        "tooluniverse": {
            "enabled": True,  # ⚠️ 必选 — 不可设为 False
            "tasks": [
                {"tool_query": "protein function", "purpose": "获取蛋白功能信息", "example_tool": "UniProt_get_function_by_accession"},
                {"tool_query": "disease targets", "purpose": "获取疾病靶点", "example_tool": "OpenTargets_get_associated_targets_by_disease_efoId"},
                # ... 根据需求列出 3-8 个 ToolUniverse 任务
            ],
        },
        "web_search": {
            "enabled": True,  # 推荐启用
            "queries": ["搜索词1", "搜索词2"],
        },
    },
    "output_dir": "/home/scienceclaw/sessionid",
}

with open("/home/scienceclaw/sessionid/research_plan.json", "w", encoding="utf-8") as f:
    json.dump(plan, f, ensure_ascii=False, indent=2)

---

Phase 2: 多源数据采集

根据 Phase 1 的计划，并行或顺序执行各数据源的采集。所有采集结果保存到 research_data/ 目录。

⚠️ 强制检查点：Phase 2 必须同时包含"文献检索"和"ToolUniverse 数据采集"两个环节。如果你发现自己只做了其中一个就准备进入 Phase 3，请停下来补齐另一个。

2A: arXiv 论文检索（如已启用）

构造 arXiv API Query

每个 query 使用 arXiv API 的搜索语法：

基本规则：

• abs: 搜索摘要字段（最常用）
• ti: 搜索标题字段
• +AND+ 连接多个条件（交集）
• +OR+ 连接多个条件（并集）
• %22 用于包裹精确短语（URL 编码的双引号）
• 单词间用 + 连接

Query 构造示例：

abs:%22data+center%22+AND+abs:cooling
abs:%22liquid+cooling%22+AND+abs:%22data+center%22
abs:%22immersion+cooling%22
ti:%22exact+phrase%22+AND+abs:keyword
cat:cs.AI+AND+abs:%22large+language+model%22

生成 search_config.json 并执行

import json

config = {
    "question": "用户原始问题",
    "queries": [
        {"arxiv_query": "abs:%22keyword%22+AND+abs:topic", "label": "描述"},
        # ... 8-12 个 query
    ],
    "target_total": 50,
    "top_k": 15,
    "output_dir": "/home/scienceclaw/sessionid/research_papers",
    "relevance_phrases": ["phrase1", "phrase2"],
    "min_score": 4
}

with open("/home/scienceclaw/sessionid/search_config.json", "w", encoding="utf-8") as f:
    json.dump(config, f, ensure_ascii=False, indent=2)

python3 /skills/deep-research/scripts/arxiv_paper_finder.py /home/scienceclaw/sessionid/search_config.json

脚本工作流程：多 Query 搜索 → 去重 → 相关性评分 → 筛选 TOP-K → 下载 PDF

评分规则：标题命中 +5 分/短语，摘要命中 +2 分/短语，多 query 命中 +3 分/额外命中，2025年+ +3分，2024年 +2分，2023年 +1分。

执行后检查：确认 all_candidates.json（40-60 篇）、selected_papers.json 质量、PDF 文件完整性。

2B: ToolUniverse 数据采集（⚠️ 必选）

使用 tooluniverse_search → tooluniverse_info → tooluniverse_run 三步流程采集专业数据。

此步骤包含两个必须完成的子任务：

1. 专业数据库采集：获取领域特定的结构化数据
2. 学术文献检索：通过 ToolUniverse 中的文献检索工具获取相关论文（此步骤必须执行，与 2A 的 arXiv 互补）

工作流程：

1. 搜索工具：对每个任务维度，用 tooluniverse_search 找到合适的工具
2. 查看规格：用 tooluniverse_info 确认参数要求
3. 执行采集：用 tooluniverse_run 获取数据
4. 保存结果：将每次调用结果保存到 research_data/ 目录

# ── 子任务 1: 专业数据库采集 ──

# 示例：蛋白功能调研
tooluniverse_search(query="protein function analysis", limit=5)
tooluniverse_info(tool_name="UniProt_get_function_by_accession")
tooluniverse_run(tool_name="UniProt_get_function_by_accession", arguments='{"accession": "P38398"}')
→ write_file("research_data/uniprot_P38398_function.json", result)

# 示例：疾病靶点
tooluniverse_search(query="disease drug targets", limit=5)
tooluniverse_run(tool_name="OpenTargets_get_associated_targets_by_disease_efoId", arguments='{"efoId": "EFO_0000305"}')
→ write_file("research_data/opentargets_breast_cancer_targets.json", result)

# ── 子任务 2: 学术文献检索（⚠️ 必须执行） ──
# 无论什么领域，都必须执行以下至少一种文献检索：

# 生物医药领域 → PubMed/PubTator
tooluniverse_run(tool_name="PubTator_search_publications", arguments='{"query": "BRCA1 mutation breast cancer", "limit": 20}')
→ write_file("research_data/pubmed_brca1_publications.json", result)

# 生物医药领域 → EuropePMC
tooluniverse_run(tool_name="EuropePMC_search", arguments='{"query": "BRCA1 PARP inhibitor", "limit": 20}')
→ write_file("research_data/europepmc_brca1_parp.json", result)

# 通用学术 → OpenAlex（覆盖所有学科）
tooluniverse_search(query="academic paper search", limit=5)
tooluniverse_run(tool_name="OpenAlex_search_works", arguments='{"query": "topic keywords", "limit": 20}')
→ write_file("research_data/openalex_results.json", result)

# CS/AI 领域 → DBLP
tooluniverse_run(tool_name="DBLP_search_publications", arguments='{"query": "large language model", "limit": 20}')
→ write_file("research_data/dblp_results.json", result)

常用 ToolUniverse 工具类别：

类别	典型工具	用途
⚠️ 文献检索（必选）	PubTator_search_publications, EuropePMC_search, OpenAlex_search_works, SemanticScholar_search_papers, DBLP_search_publications	每次调研都必须检索学术文献
蛋白分析	UniProt_get_entry_by_accession, UniProt_get_function_by_accession	蛋白结构、功能、修饰位点
疾病靶点	OpenTargets_get_associated_targets_by_disease_efoId	疾病相关靶点排名
药物安全	FAERS_count_reactions_by_drug_event	不良反应统计
基因变异	ClinVar_*, GWAS_*	临床变异、GWAS 关联
ADMET	ADMETAI_predict_*	药物动力学预测
分子对接	boltz2_docking	蛋白-配体对接
天文学	Simbad_*, SDSS_*, NASAExoplanet_*	天体数据、巡天数据
地球科学	USGS_*, ERDDAP_*, SoilGrids_*	地震、水文、海洋气候
化学材料	COD_*	晶体结构
社会统计	WorldBank_*, Eurostat_*	经济社会指标

关键原则：

• 每个 ToolUniverse 调用结果都 write_file 保存到 research_data/ 目录
• 大型结果先保存原始 JSON，再写一个清洁版的摘要文件
• 对未知工具名称，先 tooluniverse_search 发现，再 tooluniverse_info 确认参数

2C: Web 搜索补充采集（如已启用）

使用 web_search + web_crawl 获取非学术来源的补充数据：

web_search("BRCA1 PARP inhibitor clinical trials 2024")
→ write_file("research_data/web_parp_trials.md", result)

web_crawl("https://specific-url.com/report")
→ write_file("research_data/web_industry_report.md", result)

---

Phase 3: 数据提取与整理

3.1 论文文本提取（如有 arXiv 论文）

对每篇已下载的 PDF 提取全文。优先用 pdftotext -layout，不可用时回退 PyMuPDF。

# 检查工具可用性
which pdftotext && echo "pdftotext OK" || echo "pdftotext NOT FOUND"
python3 -c "import fitz; print('PyMuPDF OK')" 2>/dev/null || python3 -m pip install --user pymupdf

方案 A（首选）—— pdftotext：

cd /home/scienceclaw/sessionid/research_papers
for pdf in *.pdf; do
    txt="${pdf%.pdf}.txt"
    if [ ! -f "$txt" ]; then
        pdftotext -layout "$pdf" "$txt"
        echo "Extracted: $pdf -> $txt"
    fi
done

方案 B（回退）—— PyMuPDF：

import fitz, os, glob

pdf_dir = "/home/scienceclaw/sessionid/research_papers"
for pdf_path in sorted(glob.glob(os.path.join(pdf_dir, "*.pdf"))):
    txt_path = pdf_path.replace(".pdf", ".txt")
    if os.path.exists(txt_path) and os.path.getsize(txt_path) > 100:
        continue
    doc = fitz.open(pdf_path)
    text = ""
    for page in doc:
        text += page.get_text("text", sort=True)
    with open(txt_path, "w", encoding="utf-8") as f:
        f.write(text)
    print(f"[OK] {os.path.basename(pdf_path)} -> {os.path.basename(txt_path)} ({len(text)} chars)")
    doc.close()

3.2 ToolUniverse 数据整理

读取 research_data/ 下的所有 JSON/MD 文件，用 read_file 逐个检查数据质量，提取关键信息写入摘要文件：

write_file("research_data/data_summary.md", """
## 采集数据概览
- UniProt P38398: BRCA1 蛋白功能数据 ✓（含 RING/BRCT 结构域信息）
- OpenTargets EFO_0000305: 乳腺癌靶点排名 ✓（Top 20 靶点）
- PubTator 文献: 20 篇相关论文摘要 ✓
- Web 搜索: 最新临床试验数据 ✓
- arXiv: 15 篇精选论文 ✓
""")

---

Phase 4: 逐源深度解读

4.1 论文深度解读（如有）

对每篇论文进行结构化深度解读，采用两轮阅读策略：

第一轮（快速扫描）：从 selected_papers.json 读取 abstract，建立初步印象。

第二轮（深度阅读）：用 read_file 的 offset/limit 参数按段读取 .txt 文件，重点关注 Introduction（前 100-150 行）和 Results/Conclusion（后 1/3 部分）。

为每篇论文写入结构化摘要：

write_file("paper_summaries/summary_{paper_id}.txt", """
【论文标题】{英文原标题}
【arXiv ID】{paper_id}
【作者】{前3位作者}, et al.
【发表日期】{年-月-日}

【研究问题】
该论文要解决什么问题？1-2 句话。

【核心方法】
提出了什么技术方案/方法？关键创新点是什么？3-5 句话。

【关键发现/实验结果】
- 具体数据点 1（必须包含量化数据）
- 具体数据点 2
- 具体数据点 3

【与用户问题的关联】
这篇论文回答了用户问题的哪个方面？1-2 句话。

【局限性与未来方向】
1-2 句话。
""")

4.2 ToolUniverse 数据解读

对每个 ToolUniverse 采集的数据文件，read_file 并提取关键发现，写入摘要：

write_file("data_summaries/summary_uniprot_brca1.txt", """
【数据来源】UniProt P38398 (BRCA1_HUMAN)
【关键发现】
- BRCA1 蛋白含 1863 个氨基酸，包含 RING 结构域（1-109）和 BRCT 结构域（1646-1859）
- 参与同源重组修复（HR）、细胞周期 G2/M 检查点调控
- 已知致病突变 > 1800 个，185delAG 和 5382insC 为 founder mutations
【与用户问题的关联】
直接回答了 BRCA1 蛋白功能机制部分的需求。
""")

4.3 Web 数据解读

对 Web 搜索结果同样提取关键信息，写入摘要文件。

---

Phase 5: 围绕用户问题的交叉分析与报告撰写

此阶段是从「逐源阅读」到「综合洞察」的质变。 不再逐源叙述，而是以用户的原始问题为轴心，跨数据源提取、对比、归纳。

5.1 确定报告章节

阅读完所有 Phase 4 摘要后，动态决定章节结构（选择 4-7 个最适合用户问题的维度）：

分析维度	适用条件	文件名示例
研究背景与意义	所有调研	sec_01_background.txt
技术路线/方法分类与对比	多种方案可比较	sec_02_methods.txt
关键数据与实验发现	有量化数据	sec_03_findings.txt
蛋白/基因功能机制	涉及分子生物学	sec_04_mechanism.txt
靶向治疗/药物进展	涉及药物研发	sec_05_therapeutics.txt
应用场景分析	有明确场景差异	sec_06_applications.txt
挑战与展望	多源指出共同问题	sec_07_challenges.txt

5.2 撰写各章节

每个章节写入独立文件，每个章节 不少于 1500 字：

write_file("sections/sec_01_background.txt", content)
write_file("sections/sec_02_methods.txt", content)
...

写作风格 — 学术研究报告（CRITICAL）：

• 连续流畅的散文段落。每段 8-10 句，遵循：主题句 → 具体数据支撑的证据 → 分析/对比 → 过渡到下一个论点。
• 跨来源综合：将论文数据、ToolUniverse 数据、Web 数据交织在一起叙述。例如："UniProt 数据显示 BRCA1 蛋白的 RING 结构域（残基 1-109）具有 E3 泛素连接酶活性 [1]，而 Zhang 等人的研究进一步表明该结构域的 C61G 突变会完全消除其泛素化功能 [2]，OpenTargets 平台的靶点关联分析将 BRCA1 列为乳腺癌排名第 3 的治疗靶点，这一排名与近年 PARP 抑制剂临床试验的成功密切相关 [3]。"
• 行内引用 [1], [2]，引用编号对应最终参考文献列表。不要在每章末尾加"参考文献"列表——所有引用统一放在报告最后的 references section。
• 学术连接词："Furthermore"、"In contrast"、"These findings indicate"、"Notably"、"Taken together"、"此外"、"与之对比"、"上述结果表明"。
• 绝对禁止编号要点结构（如 "1. 标题\n\n段落. 2. 标题\n\n段落."）。使用 ## 子标题作为结构，散文段落作为内容。
• 要点列表不超过 5%，仅用于简短枚举（如 4-5 个药物名称）。
• 必须包含具体数据：数字、百分比、p 值、置信区间、对比结果。

⚠️ 语言要求（CRITICAL）：

• 所有报告内容（标题、副标题、章节标题、正文、图表标签、封面信息）必须使用用户在系统提示词 ## Language 中配置的语言。
• 用户语言为中文（zh）时，整篇报告用中文撰写；用户语言为英文（en）时，整篇报告用英文撰写。
• 除专有名词或无标准翻译的技术术语外，不要混用语言。

5.3 撰写执行摘要和结论

write_file("sections/executive_summary.txt", ...)
write_file("sections/conclusion.txt", ...)

执行摘要（400-600 字散文段落）：用户问题的核心回答 + 最重要的 3-5 个发现 + 建议。

结论与展望（600-1000 字散文段落）：综合各来源的关键结论 + 技术/领域成熟度评估 + 最有前景的方向 + 尚待解决的关键问题。

5.4 验证

python3 -c "import os,glob; [print(f'{f}: {len(open(f).read())} chars') for f in sorted(glob.glob('sections/*.txt'))]; total=sum(len(open(f).read()) for f in glob.glob('sections/*.txt')); print(f'TOTAL: {total} chars, ~{total//500} pages')"

如果总字数不足目标，做 一次修订：read_file 数据再看一遍，然后 write_file 重写最薄的 1-2 个章节。不要循环修订。

---

Phase 6: 生成研究报告

使用 pdf 或 docx skill 的模板生成专业报告。默认生成 PDF，用户要求 Word 时生成 DOCX。

6.1 复制报告生成器

# PDF 报告
cp /builtin-skills/pdf/scripts/generate_report.py /home/scienceclaw/sessionid/generate_report.py

# 或 DOCX 报告
cp /builtin-skills/docx/scripts/generate_report.js /home/scienceclaw/sessionid/generate_report.js

关键：必须用 shell cp 复制，不要自己写报告生成代码。

6.2 组装 report_data.json

编写 Python 脚本，将 sections 目录下的各章节文件 + 参考文献组装为 report_data.json：

import json, glob, os

BASE = "/home/scienceclaw/sessionid"
SECTIONS_DIR = f"{BASE}/sections"

# ── 构建参考文献列表（⚠️ CRITICAL：必须覆盖所有数据源） ──
# 正文中每个 [n] 引用标记都必须在此列表中有对应条目，
# 否则 PDF 生成时会因锚点缺失而崩溃。
references = []

# 来源 1: arXiv 论文（如有）
papers_file = f"{BASE}/research_papers/selected_papers.json"
if os.path.exists(papers_file):
    selected = json.load(open(papers_file, encoding="utf-8"))
    for p in selected:
        authors = ", ".join(p["authors"][:3])
        if len(p["authors"]) > 3:
            authors += " et al."
        references.append(f'{authors}. {p["title"]}. arXiv:{p["id"]}, {p["published"]}. https://arxiv.org/abs/{p["id"]}')

# 来源 2: ToolUniverse 数据源（必须为每个使用的工具添加引用）
# 示例：references.append("UniProt Consortium. UniProt: the Universal Protein Knowledgebase. Nucleic Acids Res, 2025. https://www.uniprot.org/")
# 示例：references.append("Ochoa D, et al. Open Targets Platform. Nucleic Acids Res, 2023. https://platform.opentargets.org/")

# 来源 3: Web 搜索来源（必须为引用的网页/报告添加引用）
# 示例：references.append("WHO. Breast Cancer Fact Sheet. 2024. https://www.who.int/news-room/fact-sheets/detail/breast-cancer")

# 来源 4: PubMed/EuropePMC 文献（通过 ToolUniverse 检索的论文）
# 示例：references.append("Smith J, et al. Title of paper. Journal Name, 2024. https://doi.org/10.xxxx/xxxxx")

# ── 章节配置（根据实际内容调整） ──
SECTION_MAP = [
    ("executive_summary.txt", "1.", "执行摘要", None),
    ("sec_01_*.txt", "2.", "研究背景与意义", None),
    ("sec_02_*.txt", "3.", "方法与技术路线", {
        "type": "chart_pie",
        "title": "研究方法分布",
        "labels": ["方法A", "方法B", "方法C", "其他"],
        "values": [35, 30, 20, 15]
    }),
    ("sec_03_*.txt", "4.", "关键发现与数据分析", {
        "type": "chart_bar",
        "title": "关键指标对比",
        "categories": ["指标1", "指标2", "指标3"],
        "series": [{"name": "数值", "values": [85, 72, 91]}]
    }),
    ("sec_04_*.txt", "5.", "机制/原理深度解析", None),
    ("sec_05_*.txt", "6.", "应用与治疗进展", {
        "type": "chart_line",
        "title": "趋势分析",
        "x_labels": ["2020", "2021", "2022", "2023", "2024"],
        "series": [{"name": "指标", "values": [40, 55, 62, 70, 78]}]
    }),
    ("sec_06_*.txt", "7.", "挑战与展望", None),
    ("conclusion.txt", "8.", "结论", None),
]

data = {
    "title": "根据用户问题生成的报告标题",
    "subtitle": "深度调研报告",
    "short_title": "调研报告",
    "report_type": "深度调研报告",
    "toc": True,
    # CRITICAL: Do NOT include page count or total pages in cover_meta —
    # the page count is unknown at assembly time and produces inaccurate information.
    "cover_meta": [
        ["报告类型", "多源深度调研报告"],
        ["生成日期", "YYYY-MM-DD"],
        ["数据来源", "arXiv / ToolUniverse / Web"],
        ["研究问题", "用户原始问题"],
    ],
    "disclaimer": "本报告由 AI 基于多源数据自动生成，包括学术论文、专业数据库和公开资料。请结合实际情况参考使用。",
    "sections": [],
}

for pattern, num, heading, chart in SECTION_MAP:
    matches = sorted(glob.glob(os.path.join(SECTIONS_DIR, pattern)))
    if not matches:
        continue
    body = open(matches[0], encoding="utf-8").read().strip()
    data["sections"].append({"type": "heading", "level": 1, "number": num, "text": heading})
    data["sections"].append({"type": "text", "body": body})
    if chart:
        data["sections"].append(chart)

# 参考文献
data["sections"].append({"type": "heading", "level": 1, "number": f"{len([s for s in SECTION_MAP if glob.glob(os.path.join(SECTIONS_DIR, s[0]))])+1}.", "text": "参考文献"})
data["sections"].append({"type": "references", "items": references})

with open(f"{BASE}/report_data.json", "w", encoding="utf-8") as f:
    json.dump(data, f, ensure_ascii=False, indent=2)
print(f"Generated report_data.json ({len(data['sections'])} section blocks)")

注意：

• 根据实际分析内容调整 SECTION_MAP，可增减章节
• 图表数据必须来自实际采集的数据，不要编造
• chart 类型：chart_pie（分布）、chart_bar（对比）、chart_line（趋势）
• 也可以在 text body 中嵌入 Markdown 表格（| col1 | col2 |），模板会自动渲染

⚠️ 图表维度约束（CRITICAL — 不遵守会导致 PDF 生成崩溃）：

• chart_bar：categories 数组长度必须 == 每个 series[i].values 数组长度。例如 3 个 categories 则每个 series 必须恰好 3 个 values
• chart_pie：labels 数组长度必须 == values 数组长度
• chart_line：x_labels 数组长度必须 == 每个 series[i].values 数组长度
• 构造图表数据后，必须人工核查数组长度一致再写入 SECTION_MAP

⚠️ 引用一致性约束（CRITICAL — 不遵守会导致 PDF 生成崩溃）：

• 正文 [n] 标记中的最大数字 n 不得超过 references 列表的条目数。例如正文用了 [1] 到 [15]，则 references 列表必须至少有 15 条
• 如果 references 为空（0 条），则正文中禁止使用任何 [n] 引用标记
• 组装完成后运行下方校验脚本检查一致性

6.3 生成最终报告

cd /home/scienceclaw/sessionid

# PDF 报告
python3 generate_report.py report_data.json final_report.pdf

# 或 DOCX 报告
node generate_report.js report_data.json final_report.docx

6.4 质量校验

python3 -c "
import json, re
data = json.load(open('/home/scienceclaw/sessionid/report_data.json'))
total = sum(len(s.get('body', '')) for s in data['sections'])
secs = sum(1 for s in data['sections'] if s['type'] == 'heading')
refs = sum(len(s.get('items', [])) for s in data['sections'] if s['type'] == 'references')
print(f'总字数: {total}')
print(f'章节数: {secs}')
print(f'参考文献: {refs}')
print(f'预估页数: {total // 500}')

# ── 引用一致性检查 ──
all_text = ' '.join(s.get('body', '') for s in data['sections'] if s.get('type') == 'text')
cited = set()
for m in re.finditer(r'\[(\d+)\]', all_text):
    cited.add(int(m.group(1)))
max_cite = max(cited) if cited else 0
if max_cite > refs:
    print(f'⚠️ ERROR: 正文引用了 [1]-[{max_cite}] 但只有 {refs} 条参考文献！需补齐至少 {max_cite} 条')
elif refs == 0 and cited:
    print(f'⚠️ ERROR: 参考文献为空但正文使用了 {len(cited)} 个引用标记！')
else:
    print(f'✅ 引用一致性: OK (最大引用 [{max_cite}], 参考文献 {refs} 条)')

# ── 图表维度检查 ──
ok = True
for i, s in enumerate(data['sections']):
    t = s.get('type', '')
    if t == 'chart_bar':
        nc = len(s.get('categories', []))
        for j, sr in enumerate(s.get('series', [])):
            nv = len(sr.get('values', []))
            if nv != nc:
                print(f'⚠️ ERROR: sections[{i}] chart_bar categories={nc} 但 series[{j}].values={nv}')
                ok = False
    elif t == 'chart_pie':
        nl = len(s.get('labels', []))
        nv = len(s.get('values', []))
        if nl != nv:
            print(f'⚠️ ERROR: sections[{i}] chart_pie labels={nl} 但 values={nv}')
            ok = False
    elif t == 'chart_line':
        nx = len(s.get('x_labels', []))
        for j, sr in enumerate(s.get('series', [])):
            nv = len(sr.get('values', []))
            if nv != nx:
                print(f'⚠️ ERROR: sections[{i}] chart_line x_labels={nx} 但 series[{j}].values={nv}')
                ok = False
if ok:
    print('✅ 图表维度: OK')
"

⚠️ 必须在 PDF 生成前运行上述校验。如果输出包含 ERROR，必须先修复再生成 PDF。

质量阈值：

• 总字数 < 5000 → 内容不足，回到 Phase 5 补充
• 任何章节 < 400 字 → 需要扩充
• 参考文献 < 10 → 检查引用是否遗漏
• 引用一致性检查有 ERROR → 必须补齐参考文献或移除多余引用标记
• 图表维度检查有 ERROR → 必须修正数组长度使其一致

注意：预估页数仅用于判断内容充足度，绝对不要把页码/页数写进 cover_meta 或报告封面——实际页数在组装时未知，写入会产生不准确信息。

---

arXiv API Query 速查

搜索字段

前缀	搜索范围
abs:	摘要
ti:	标题
au:	作者
all:	所有字段
cat:	分类（如 cs.AI, cs.LG）

组合语法

abs:%22liquid+cooling%22+AND+abs:%22data+center%22    # 精确短语 + AND
abs:%22term+A%22+OR+abs:%22term+B%22                  # OR 并集
ti:%22exact+phrase%22+AND+abs:keyword                  # 标题+摘要组合
cat:cs.AI+AND+abs:%22large+language+model%22           # 限定分类

常用分类代码

代码	领域	代码	领域
cs.AI	人工智能	cs.LG	机器学习
cs.CL	NLP/计算语言学	cs.CV	计算机视觉
cs.DC	分布式计算	cs.PF	性能
cs.AR	体系结构	cs.SE	软件工程
eess.SP	信号处理	physics.app-ph	应用物理

---

质量标准

维度	要求
数据源覆盖	必须包含文献检索 + ToolUniverse，Web 搜索推荐启用
文献检索（必选）	arXiv（如适用）候选 40-60 篇精选 12-15 篇；且通过 ToolUniverse 调用 PubMed/EuropePMC/OpenAlex 等检索 ≥ 20 篇相关论文
ToolUniverse（必选）	文献检索工具 + 领域专业工具，合计 5-12 次工具调用，数据全部保存
单篇/单源摘要	每个数据源生成结构化摘要
章节字数	每个分析章节 ≥ 1500 字散文段落
写作风格	学术散文，段落 8-10 句，bullet ≤ 5%
引用标注	所有事实性陈述标注 [n]
数据支撑	每章至少 3-5 组量化数据
报告总字数	≥ 8000 字（不含参考文献）
报告格式	PDF/DOCX，含封面+目录+图表+参考文献

---

文件组织

/home/scienceclaw/sessionid/
├── research_plan.json                # Phase 1 调研计划
├── search_config.json                # Phase 2A arXiv 搜索配置
├── research_papers/                  # Phase 2A arXiv 输出
│   ├── all_candidates.json
│   ├── selected_papers.json
│   ├── {paper_id}.pdf
│   └── {paper_id}.txt
├── research_data/                    # Phase 2B/2C 采集数据
│   ├── uniprot_*.json
│   ├── opentargets_*.json
│   ├── pubmed_*.json
│   ├── web_*.md
│   └── data_summary.md
├── paper_summaries/                  # Phase 4 论文摘要
│   └── summary_{paper_id}.txt
├── data_summaries/                   # Phase 4 数据摘要
│   └── summary_*.txt
├── sections/                         # Phase 5 报告章节
│   ├── executive_summary.txt
│   ├── sec_01_background.txt
│   ├── sec_02_methods.txt
│   ├── ...
│   └── conclusion.txt
├── generate_report.py                # Phase 6 PDF 生成器（从 pdf skill 复制）
├── generate_report.js                # Phase 6 DOCX 生成器（从 docx skill 复制，按需）
├── report_data.json                  # Phase 6 组装后的报告数据
└── final_report.pdf / .docx          # 最终报告