把 50 年方法演化的因果拓扑，转化为面向人与智能体的六个产品。
百万级 AI 论文构成的方法演化因果图谱，节点级查询、子图导出、祖先链追溯。
基于因果图谱生成科研创意——以拓扑约束代替组合幻觉，给出可追溯的研究路径。
5 维度科研创意评估：新颖性、可行性、显著性、有效性、清晰度，所有打分都基于图谱拓扑。
为 AI 智能体提供结构化科学记忆。/api/docs、/api/query、/api/search、/api/eval 等端点，一切以 JSON 流转。
开源知识图谱与论文池，CC-BY 许可。可下载、可二次构建，为开放科学而存。
由演化链自动生成的方法学研报：领域瓶颈、研究前沿与可追溯证据链。
每一个自动科研系统都在临时拼凑知识表示。 没人真正理解方法为何演化、解决了什么约束、 以及真正的前沿位于何处。
LLM 参数只是有偏的快照。罕见但关键的方法迁移，被压在分布的长尾里丢失。
"没人试过"和"试过但失败了"这两件事，在参数空间里是不可区分的。
"A 以精度为代价优化了 B 的效率，C 想兼得但失败了"——这种关系，没有任何地方记录。
Google Scholar、Semantic Scholar、Connected Papers 都停在文档粒度，没有任何一个能追溯方法的演化。
一条 8 段式流水线，把原始引文数据淬炼成可计算的因果拓扑。
沿引文图行走。每篇论文约 40 条引用，是演化边的天然候选。
粗筛：基于引文上下文的启发式规则。精排：对两篇论文做完整 LLM 分析。
"LoRA"、"Low-Rank Adaptation"、"Hu 等人的方法"——合并为同一节点，保留权威身份。
池外论文先建占位，保留入边。日后入池升级为正式节点——信息零丢失。
父子层级：Attention → MHA → GQA。方法之间存在父子层级关系。
内部主键 + 外部 ID 集（arXiv、DOI、S2）。arXiv 升级为期刊版后增量合并，绝不产生重复。
三级准入：Tier 1 顶会期刊自动入池，Tier 2 高引 arXiv，Tier 3 仅在被引用时建占位。
定期同步只处理新论文，不重跑全量——图谱以增量方式生长。
API manifest、OpenAPI 文档、LLM 上下文与健康检查已开放：/api、/api/docs、/api/assist/context、/api/health。
POST /api/query
Content-Type: application/json
{
"query": "FlashAttention",
"max_nodes": 50
}{
"papers": {
"conf_NeurIPS_2022_1189": {
"paper_id": "conf_NeurIPS_2022_1189",
"title": "FlashAttention: Fast and
Memory-Efficient Exact Attention with IO-Awareness",
"year": 2022,
"venue_tier": "tier1",
"citation_count": 2603
}
},
"methods": {
"flash_attention": {
"method_id": "flash_attention",
"canonical_name": "Flash Attention",
"level": "technique"
}
},
"edges": [
{
"source_paper_id": "conf_NeurIPS_2022_1189",
"target_paper_id": "conf_ICML_2020_504",
"edge_type": "compares",
"dimensions": ["inference_speed"],
"confidence": 0.9
}
],
"center_id": null
}GET /api/papers/conf_NeurIPS_2022_1189/neighborhood?depth=1&limit=80
Accept: application/json{
"papers": {
"conf_NeurIPS_2022_1189": {
"title": "FlashAttention: Fast and
Memory-Efficient Exact Attention with IO-Awareness",
"year": 2022
},
"conf_ICML_2020_504": {
"title": "Transformers are RNNs:
Fast Autoregressive Transformers with Linear Attention",
"year": 2020
}
},
"methods": {
"linear_attention": {
"canonical_name": "Linear Attention",
"level": "technique"
}
},
"edges": [
{
"source_paper_id": "conf_NeurIPS_2022_1189",
"target_paper_id": "conf_ICML_2020_504",
"edge_type": "compares",
"mechanism": "FLASHATTENTION is benchmarked
against Linear Attention..."
}
],
"center_id": "conf_NeurIPS_2022_1189"
}GET /api/papers/conf_NeurIPS_2022_1189
Accept: application/json{
"paper_id": "conf_NeurIPS_2022_1189",
"title": "FlashAttention: Fast and
Memory-Efficient Exact Attention with IO-Awareness",
"year": 2022,
"venue": "Conference NeurIPS 2022",
"venue_tier": "tier1",
"citation_count": 2603,
"status": "full",
"external_ids": { "arxiv": "2205.14135" }
}从 /api 发现能力清单，再用 /api/docs 查看完整 OpenAPI schema。
/api/search、/api/query、/api/path 与 /api/assist/context 提供可分页、可追溯的图谱检索。
/api/ideas 与 /api/eval 输出证据引用、实验计划、风险假设和结构化评审。