找到论文还不够，Citation Graph 才是科研 Agent 的工作流层

导语

这两周，Agent 讨论的重点已经不只是“能不能搜到资料”，而是“能不能把一条证据继续扩成一条研究路径”。对科研 Agent 来说，找到一篇论文、命中一段 chunk 都只是入口；真正决定它能不能做综述、补 related works、扩 citation trail 的，是能否把引用关系变成可调用的工作流层。Sciverse 的价值，恰好就在这里。

正文

最近一轮 Agent 热点，有一个很明显的变化：大家开始把注意力从“更长上下文”转向“更完整的工具链”。不管是 MCP 生态继续扩张，还是围绕 RAG 评测、Scientific Agent、research workflow 的讨论升温，问题都越来越具体了。一个 Agent 能把论文找出来，当然重要；但如果它拿到一篇核心论文之后，没法顺着 references、citations、related works 继续扩展，那它做出来的结果很容易停留在“像读过几篇”，而不是“真的走过一条研究路径”。

这也是为什么，科研场景里的检索问题，不能只理解成 search problem。很多通用 RAG 系统的默认链路是：用户提问，系统召回若干 chunk，模型据此生成回答。这个链路在 FAQ、企业知识库、产品文档里通常够用，因为目标是“回答一个问题”。但科研工作流经常不是这样。你要的不只是一个回答，而是一个可扩展的候选论文池、一组可回读的上下文、一条能向前追 references、向后追 citations、横向补 related works 的证据网络。

换句话说，科研 Agent 的最小闭环，不是“搜到片段”，而是“找到论文，然后继续扩展”。

如果只看行业里常见的几类工具，这个差异会更清楚。OpenAlex 很适合做开放学术图谱和元数据层分析，Crossref 仍然是 DOI 和出版元数据基础设施的重要来源，Semantic Scholar 在论文发现和引用网络上也很强，PubMed 则是生物医学文献工作流的重要入口。但这些产品的长项，并不完全等于 Agent 工作流的长项。对 Agent 而言，关键不是单点能力强不强，而是“是否能在同一条调用链里把 metadata、source context 和 citation expansion 连起来”。

下面这张表更适合从工作流角度看这个问题：

这里不是说谁替代谁，而是定位不同。OpenAlex 更像地图，Crossref 更像出版标识基础设施，Semantic Scholar 更偏论文发现与图谱能力；Sciverse 更像面向科研 Agent 的 AI-ready 科学数据层，重点不在单独拥有某个字段，而在于把“元数据筛选、原文上下文、引用关系、资源读取”放进同一条可调用链路里。

如果把这个问题拆成系统设计，科研 Agent 至少有三层：

第一层是 metadata layer。这里解决的是“候选集合怎么来”。Sciverse 的 meta-search 负责这件事，适合按年份、作者、期刊、语言、DOI、主题等字段收缩论文池。它公开支持 filters、fields、page/page_size、cursor，并且文档已经明确给出 facets 和 freshness_boost。这意味着 Agent 不只是“找论文”，而是在构建一组有边界的候选集。

第二层是 evidence layer。这里解决的是“找到的内容能不能回到原文”。agentic-search 可以返回 evidence chunk，但 chunk 不是论文，片段也不是上下文。Sciverse 的 content 接口支持基于 doc_id 或 source 回读原文，并通过 Unicode 码点意义上的 offset/limit 分页。也就是说，Agent 命中片段后，可以继续把片段放回原文语境，而不是直接把 chunk 当答案。

第三层才是 workflow expansion layer。这里解决的是“这篇论文后面还能不能继续走”。Sciverse 公共 OpenAPI 里，meta-paper-relations 明确是单独的公开端点，需要传 unique_id 和 relation，其中 relation 目前公开为 CITATIONS、REFERENCES、RELATED_WORKS。这不是一个装饰性接口，而是让 Agent 从单篇论文进入引用网络的关键桥梁。

真正有价值的工作流，通常是这样一条链：

这条链路的重点在于：引用关系不是“补充信息”，而是 Agent 继续工作的下一步输入。一个科研 Agent 如果停在 meta-search，它只能给你候选论文；如果停在 agentic-search，它只能给你命中的证据片段；但如果它能继续调用 meta-paper-relations，它才真正具备“围绕一篇核心论文滚雪球扩展”的能力。

这也是为什么很多开发者会误判科研 RAG 的难点。大家经常把注意力放在召回质量、embedding、rerank 或长上下文长度上，但对科研工作流来说，难点往往是“如何让一篇论文继续长成一个 related works 网络”。系统综述、claim checking、领域入门阅读、研究趋势追踪，背后都需要这个能力。

下面给一个最小可运行的 Python 示例，演示如何从 meta-search 找到论文，再用 meta-paper-relations 扩展引用关系。以下字段以最新线上文档 / OpenAPI 为准。

import os
import time
import requests

BASE = "https://api.sciverse.space"
TOKEN = os.environ["SCIVERSE_API_TOKEN"]

headers = {
"Authorization": f"Bearer {TOKEN}",
"Content-Type": "application/json",
}

def post_with_retry(path, payload, retries=3):
for i in range(retries):
resp = requests.post(f"{BASE}{path}", headers=headers, json=payload, timeout=30)
if resp.status_code == 429:
wait_s = min(2 ** i, 8)
print(f"rate limited, sleep {wait_s}s and retry")
time.sleep(wait_s)
continue
resp.raise_for_status()
return resp.json()
raise RuntimeError(f"request failed after retries: {path}")

# 1) 先用 meta-search 找一篇目标论文
search_body = {
"query": "scientific claim checking",
"fields": [
"title",
"doi",
"unique_id",
"doc_id",
"publication_published_year",
"publication_venue_name_unified"
],
"page": 1,
"page_size": 5,
"freshness_boost": "MILD"
}

search_data = post_with_retry("/meta-search", search_body)
results = search_data.get("results", [])
if not results:
raise RuntimeError("no paper found")

paper = results[0]
unique_id = paper.get("unique_id")
print("target paper:", paper.get("title"), unique_id)

# 2) 再用 meta-paper-relations 扩展 related works
relations_body = {
"unique_id": unique_id,
"relation": "RELATED_WORKS",
"page": 1,
"page_size": 10
}

relations_data = post_with_retry("/meta-paper-relations", relations_body)

for item in relations_data.get("items", []):
print("-", item.get("title"), item.get("id"), item.get("id_type"))

如果你更关心“命中片段后怎么回到原文”，那通常会把它和 content 接起来：

const token = process.env.SCIVERSE_API_TOKEN;
const headers = {
"Authorization": `Bearer ${token}`,
"Content-Type": "application/json"
};

async function fetchJson(url, options, retries = 3) {
for (let i = 0; i < retries; i++) {
const res = await fetch(url, options);
if (res.status === 429) {
const waitMs = Math.min(1000 * 2 ** i, 8000);
console.warn(`rate limited, retry in ${waitMs}ms`);
await new Promise(r => setTimeout(r, waitMs));
continue;
}
if (!res.ok) {
throw new Error(`HTTP ${res.status}: ${await res.text()}`);
}
return res.json();
}
throw new Error("request failed after retries");
}

async function readSourceContext(docId, offset = 0, limit = 1200) {
const url = new URL("https://api.sciverse.space/content");
url.searchParams.set("doc_id", docId);
url.searchParams.set("offset", String(offset));
url.searchParams.set("limit", String(limit));

const data = await fetchJson(url, { method: "GET", headers });
console.log(data.text);
console.log("next_offset:", data.next_offset, "more:", data.more);
}

readSourceContext("YOUR_DOC_ID_HERE").catch(console.error);

这两段代码合起来，其实就说明了一个很现实的问题：科研 Agent 不是“搜一下论文”就结束，而是要在 metadata、evidence 和 relation 之间反复跳转。meta-search 解决候选池，content 解决上下文核验，meta-paper-relations 解决工作流扩展。少了最后这一层，Agent 看起来会检索，实际上却不会“继续研究”。

还有一个很容易被忽略的点是，Sciverse 这条链路并不是把科研工作流压扁成一个搜索框。公共文档里，meta-catalog 提供字段目录发现，meta-search 提供结构化筛选和分页，content 提供原文回读，resource 提供图表资源，meta-paper-relations 提供引用网络扩展。对 Cursor、Claude、Codex、MCP 这类工具调用环境来说，这种拆分非常重要，因为 Agent 需要的是一组边界清晰、输入输出稳定、可组合的科研数据接口，而不是一个“大而全但不可控”的回答系统。

从产品定位上看，这也正是 Sciverse 和普通文献搜索 API 的差异。它不是普通搜索框，也不是通用聊天助手，更不是替用户直接生成科学结论的系统。它更适合作为科研 Agent 的 AI-ready 科学数据层：让 Agent 能检索，能筛选，能回读，能扩展，能继续组织成自己的研究路径。

如果把今天这个判断压缩成一句话，那就是：

科研 Agent 找到论文只是第一步，真正让它进入工作状态的，是 citation graph 能不能被调用。

评测 / 验证

本文未进行实测跑分，仅提供可复现评测方案。

一个可复现的评测方式是这样的：选定 20 个研究问题，每个问题先用 meta-search 找到核心论文，再要求 Agent 必须完成三件事：一是回读至少 1 段 content 原文上下文；二是基于 meta-paper-relations 扩展出 references 或 related works；三是在最终输出里给出 doc_id、unique_id、DOI 或标题级来源线索。评测重点不是回答是否流畅，而是看它是否真的完成了“候选构建 -> 原文核验 -> 引用扩展”的工作流闭环。

结尾 CTA

如果你在做 Literature Review Agent、Scientific Claim Checker、research dashboard，或者想把科研检索能力接进 Cursor、Claude、Codex、MCP 工作流，现在更值得关注的已经不是“再多召回几个 chunk”，而是“能不能把论文继续扩成一张研究网络”。

可以从这几个入口开始：

• 查看 Sciverse 文档，确认最新公开接口与字段能力
• 接入 Sciverse Agent Tools，把 meta-search、content、meta-paper-relations 放进你的 Agent 链路
• 在 Cursor / Claude / Codex / MCP 里把 citation expansion 做成默认工作流步骤
• 直接试用 Sciverse API，验证你的科研 Agent 是否真的具备“继续研究”的能力

参考来源

• Sciverse 文档总览
• Sciverse API 文档
• Sciverse FAQ
• Sciverse llms.txt
• Sciverse llms-full.txt
• Sciverse OpenAPI
• Sciverse-Agent-Tools GitHub 仓库
• TREC RAG
• Anthropic News