论文不再只能以全文形式一次性读入。Paper Schema 将问题、方法、实验与证据组织成可检索、可比较、可按需下钻的知识结构。
Agent 缺少的不是更多文本，而是一条可以继续工作的论证骨架
今天的论文依然以人类连续阅读为中心。标题、摘要、方法、实验和讨论组成一条长叙事；真正的研究问题、核心贡献、方法组件与证据关系，需要读者自行重建。
全文切片解决了“在哪里出现”，却没有直接回答“论文解决了什么问题、方法由什么组成、实验如何支持结论”。研究 Agent 会在每次精读、对比和综述中重复完成这一步，并反复消耗上下文。
Paper Schema 的目标不是再生成一份摘要，而是把论文表达成可以检索、组合和核验的中间结构，同时保留返回原文段落、表格和引用的路径。
“把“读懂论文”从一次性的上下文推理，变成可以复用的知识积木。”
位于论文元数据与全文之间
一篇论文被转换为五类相互连接的对象。上层 Agent 不必猜测长文本中的隐含结构，而可以根据任务直接选择需要的材料。
- Paper
- 论文主题、研究问题、核心贡献与主要结果。
- Entity
- Problem、Component、Finding、Measure、Resource 等科学对象。
- Relation
- 对象之间的 uses_component、evaluates、supports、resolves 等论文内部关系。
- Evidence
- 公式、表格、实验结果、比较结论、代码与数据资源。
- Provenance
- 把结构对象和证据精确带回对应的原文位置。
Paper Schema 不是全文替代品，也不是自动写作黑盒。它提供原子材料，由 Agent 根据任务继续组合。
不是把全文压缩得更短，而是让 Agent 决定下一步打开什么
面对一篇论文，Agent 可以从最小信息开始，只在问题需要时逐层增加上下文。
- 01先看论文卡片标题、主题、研究问题、核心贡献和主要结果。
- 02再看结构对象只读取当前任务相关的 Problem、Method、Dataset、Measure 或 Finding。
- 03继续查看关系与证据理解方法如何解决问题、实验如何评估方法、结果支持什么结论。
- 04最后回到少量原文只为最终采用的证据补充对应段落与邻接上下文。
从发现论文，到读取结构、核验证据与准备研究材料
当前paper-schema提供的能力通过 9 个 Agent 意图工具组织为六类能力。
- 发现论文
- 按关键词、DOI、作者、venue、年份和资源状态寻找已完成 Schema 抽取的论文。
- 读取对象
- 查看论文内部的 Problem、Component、Finding、Measure 与 Resource。
- 理解关系
- 查询论文内部对象之间的逻辑和实验关系。
- 核验证据
- 搜索公式、表格、结果和资源，并按 provenance 回到有限原文。
- 查看引用
- 保留完整 Reference 列表，并对已解析论文扩展受限引用图。
- 准备材料
- 按 survey、benchmark、method、reproduction 目标裁剪 Agent 可消费的材料包。
真正的价值，发生在agent使用过程中
下面四个场景列举了不同agent工作流使用Paper Schema进行消费的优势。
单篇论文结构化精读
研究者希望快速理解一篇论文解决的问题、方法组成、实验设计和主要结论。
Agent 先读取论文概览，再选择与当前问题相关的 Entity，沿 Relation 理解方法、实验与结论，只为决定性 Evidence 补取原文。阅读结果具有稳定结构，后续追问也不需要重新加载整篇论文。
- 按任务选择对象
- 沿关系理解论证
- 结论回到原文证据
多论文方法对比与复现
多篇论文使用不同写法描述方法、数据、指标和实验条件，直接对读很难形成一致判断。
method 与 reproduction 材料包把 Problem、Method、Component、Dataset、Setup、Measure 和 Evidence 放进同一比较框架。代码、数据、超参数或实验语境的缺失会变成显式缺口，并进一步形成复现准备清单。
- 统一比较维度
- 区分方法与实验条件
- 显式暴露复现缺口
使用Claude Science/书生端砚等智能体平台撰写科研综述报告
这是一个最常用的科研场景。研究者从一个问题出发，希望获得结构清晰、覆盖合理并且证据可核验的综述。
在智能体平台如：书生端砚中，安装paper schema skill，通过更广覆盖的元数据或语义检索负责发现候选论文；Paper Schema 负责结构化阅读、相关工作扩展、survey 材料编排和关键证据定位；agent 再据此组织方法路线、观点差异、证据强度与研究空白。
- 广域检索负责召回
- Paper Schema 负责结构与证据
- 科研智能体 负责综合与写作
用 FrontierLens 从研究问题构建有证据的主题研究图
研究者输入一个问题，系统不一次性生成一张“全局知识图谱”，而是围绕当前会话检索种子论文，逐步展开论文结构、跨论文联系和可回溯证据。
FrontierLens 调用 Paper Schema 搜索论文，并读取每篇论文的 Paper、Entity、Relation、Evidence 与已解析 Citation。用户先在主题图中识别研究路线，再打开论文结构和关系，最后沿 Evidence 的 provenance 返回原文段落核验结论。整个过程保留来源和边语义，让“发现—理解—核验”发生在同一条研究链路中。
Shannon4Science/sciverse-frontier-lens从研究问题开始，生成当前会话的研究导读
输入“目前有哪些提高 Transformer 模型推理速度的方法？”后，FrontierLens 先生成检索规划，搜索种子论文并组织卡片式阅读路径。研究者可以同时看到当前图谱规模、导读论文数量和主题边界，先判断这次研究覆盖了什么。
在关系图中查看论文群落与研究路线
切换到关系图后，论文和研究对象按类别组织成可筛选网络。用户可以缩放图谱、控制类别显示、点击节点或关系检查来源，并导出当前会话子图，从整体结构中识别方法群落与连接路径。
打开论文，先读结构再读全文
从主题图选择一篇论文后，FrontierLens 读取 Paper Schema 中的 Entity 与 Relation，把方法组件、核心贡献、实验设置、关键结论和指标放到同一张论文结构图中。左侧导读帮助快速判断重点，右侧结构图支持继续下钻。
沿 Evidence 和 provenance 回到原文核验
选择关键 Entity 或 Evidence 后，原文证据面板依据 paragraph 或 marker provenance 定位对应段落。缺少精确定位时，产品会明确显示近似搜索或相关版本状态，而不是把推断伪装成原文事实。
FrontierLens 构建的是围绕当前研究问题的有限会话图谱，不等同于已经完成全局实体规范化、冲突治理和长期维护的领域知识库。Related Suggestion 是发现线索，不是事实关系；Citation Graph 也只包含已解析论文边。
以下能力还在持续构建中
- 01当前主要覆盖已完成 Schema 抽取的 100 万+ AI 会议论文；未命中不代表研究不存在。
- 02跨论文 Entity 发现表示相似或相关，不代表已经完成全局身份对齐。
- 03Citation Graph 只包含已解析论文边，不能替代完整引用数量。
- 04Materials 是任务导向的有限材料，必须检查 returned、total 与 truncated。
- 05完整系统综述仍需组合更广覆盖的检索；领域图谱仍需额外的规范化、治理和质量控制。