科研助手 Agent 需求分析

1. 目标与范围

1.1 核心目标

面向研究者的全生命周期智能助手：构建覆盖科研全流程的 AI Agent 系统，从研究发现、选题论证、规划设计、实验执行、写作投稿、传播推广到成果复盘的完整闭环支持。

强调可验证与可追溯性：建立完整的证据链体系，包括来源标注、引用一致性检查、数据与代码血缘管理、实验可重现性验证，确保研究过程的透明度和可信度。

提供智能化闭环能力：通过 AI 技术实现选题评估与优化、实验设计与编排、写作质量提升、投稿策略制定、审稿意见分析与回复生成等核心功能的自动化和智能化。

1.2 系统范围

功能覆盖范围：

• • 研究前期：文献调研、知识图谱构建、研究问题识别、选题评估、技术路线设计
• • 研究中期：实验设计、数据收集、结果分析、进度管理、风险控制
• • 研究后期：论文写作、期刊匹配、投稿管理、审稿应答、成果传播
• • 全程支持：项目管理、团队协作、知识管理、合规检查、影响力追踪

用户群体范围：

• • 学术研究者：硕博研究生、博士后、青年教师、资深学者、跨学科研究团队
• • 产业研究员：企业 R&D 人员、技术专家、创新团队、产学研合作项目
• • 支持角色：导师、项目经理、研究助理、图书馆员、期刊编辑

技术边界范围：

• • 输入处理：多模态文档解析（PDF、图像、表格）、音视频转录、结构化数据导入
• • 知识处理：自然语言理解、知识抽取、推理计算、多语言支持
• • 输出生成：文本生成、图表制作、报告编写、可视化展示
• • 集成能力：外部数据源接入、第三方工具集成、API 服务调用

1.3 价值主张

1. 1. 效率提升：通过自动化和智能化减少重复性工作，将研究者从繁琐的事务性任务中解放出来，专注于创新性思考和核心研究工作。
2. 2. 质量保障：基于大数据和 AI 算法提供客观的评估和建议，减少主观偏见，提高研究设计的科学性和论文写作的规范性。
3. 3. 知识增值：通过知识图谱和智能推荐发现潜在的研究机会和合作可能，促进跨学科融合和创新突破。
4. 4. 风险控制：提供全程的风险识别和预警机制，帮助研究者及时发现和解决问题，提高项目成功率。

1.1 用户画像与角色

1.1.1 主要用户群体

研究人员（核心用户）：

• • 新手研究者（硕士生、博士一年级）：需要选题指导、文献梳理、基础方法学习。
• • 进阶研究者（博士高年级、博后）：关注创新点挖掘、实验设计、写作投稿。
• • 资深研究者（PI*、教授）：重视项目规划、团队协作、影响力追踪。
• • 跨学科研究者：需要多领域知识整合、术语对照、方法迁移。
• • 产业研究员：关注技术转化、专利布局、市场应用。

PI（Principal Investigator，首席研究员）是科研项目的主要负责人和学术带头人，通常是具有博士学位和丰富研究经验的教授或副教授级别研究人员。PI 对整个研究项目承担主要的科学和行政责任，包括制定研究方向、管理团队、申请资金、确保研究质量和合规性等。在本文档中，PI 与教授并列提及，体现了这类用户既有学术职位又承担项目领导责任的双重角色特点。

支持角色：

• • 数据/工程支持：数据处理、复现环境与实验编排的技术辅助者。
• • 管理与合规角色：IRB/伦理审查、版权许可与开源策略把关者。
• • 图书馆员/信息专员：文献资源管理、检索策略优化。

1.1.2 使用场景分类

• • 个人研究：独立完成的小型研究项目。
• • 团队协作：多人参与的大型项目，需要任务分工与进度协调。
• • 跨机构合作：涉及多个机构的联合研究。
• • 产学研结合：学术研究与产业应用的结合项目。

1.2 边界与假设

1.2.1 技术边界

• • 语言支持：初期以中英文为主，逐步扩展到其他主要学术语言。
• • 学科覆盖：优先支持计算机科学、工程技术、生物医学，逐步扩展到社会科学、人文学科。
• • 研究类型：支持实证研究、理论研究、综述研究、方法学研究。
• • 数据范围：初期专注公开学术与开源资源；涉密数据需企业自有合规网关。

1.2.2 功能边界

• • 辅助定位：输出为辅助与建议，不替代研究者的原创与判断；所有结论需可验证。
• • 质量保证：对外部源的可用性与质量存在波动，系统提供来源与置信度标注。
• • 伦理合规：严格遵循学术诚信，不生成虚假数据或引用，所有内容可追溯。

1.2.3 使用假设

• • 用户具备基本的学术研究素养和计算机操作能力。
• • 用户能够对系统输出进行批判性评估和验证。
• • 用户遵循所在机构和领域的学术规范与伦理要求。

1.3 典型用例概览（跨章节闭环）

1.3.1 核心闭环场景

• • 闭环场景-1 文献聚合 → 选题评分 → 研究提案摘要
• • 涉及用例：UC-2.1-1（多源文献检索与聚合）→ UC-2.2-1（选题评分与优先排序）→ UC-2.3-1（实验设计助手与功效分析）
• • 适用场景：新研究项目启动、课题申请准备
• • 预期收益：提高选题质量，降低重复研究风险
• • 使用频次：中频（每月 1-3 次）
• • 闭环场景-2 研究图谱 → 空白区识别 → 个性化选题推荐
• • 涉及用例：UC-2.1-2（研究图谱构建与空白区识别）→ UC-2.2-1（选题评分与优先排序）→ UC-2.2-6（跨学科融合机会识别）
• • 适用场景：寻找创新点、确定研究方向
• • 预期收益：发现研究机会，提升创新性
• • 使用频次：低频（每季度 1-2 次）
• • 闭环场景-3 写作提纲 → 相关工作对齐 → 实验设计联动
• • 涉及用例：UC-2.5-2（章节助手与相关工作对齐）→ UC-2.5-3（引用可验证性与反幻觉校验）→ UC-2.3-1（实验设计助手与功效分析）
• • 适用场景：论文写作、实验规划
• • 预期收益：提高写作效率，确保逻辑一致性
• • 使用频次：高频（每周 2-5 次）
• • 闭环场景-4 专利差异化分析 → 权利要求草案 → 许可策略
• • 涉及用例：UC-2.2-2（专利先验检索与差异化分析）→ UC-2.7-1（专利景观分析与申请策略）→ UC-2.6-2（知识产权与转化评估）
• • 适用场景：技术转化、知识产权保护
• • 预期收益：降低侵权风险，优化专利布局
• • 使用频次：低频（按需使用）

1.3.2 扩展场景

• • 多学科研究整合：跨领域文献整合、术语对照、方法迁移
• • 产业化转化支持：技术成熟度评估、市场分析、商业化路径
• • 国际合作促进：合作伙伴匹配、文化差异提醒、沟通模板
• • 教学科研结合：课程设计、案例开发、学生指导

2. 全生命周期场景

2.1 发现与研读（Research Discovery & Reading）

数据源与 API 限制：

• • arXiv：通过 arXiv API 获取，每日调用限制 1000 次，支持 CS/Physics/Math 等学科，更新频率日更新
• • Semantic Scholar：免费 API，每月限制 5000 次调用，提供引用图谱和作者档案，更新频率周更新
• • PubMed：通过 NCBI E-utilities，无需 API key 但需遵守使用条款，医学文献为主，日更新
• • OpenAlex：开源学术图谱，API 调用限制宽松，支持复杂查询，月更新核心数据
• • Crossref：DOI 注册机构，免费 API 限制 50 次/分钟，提供元数据和引用关系，实时更新
• • CNKI/万方：需机构订阅，中文文献为主，通过图书馆代理访问，更新频率各异

技术实现架构：

• • 数据获取层：RESTful API 调用、RSS 订阅、OAI-PMH 协议、机构代理访问
• • 数据标准化：统一元数据格式（标题、作者、摘要、关键词、引用），处理编码和格式差异
• • 质量控制：基于影响因子、引用次数、出版源的信誉评分，过滤掠夺性期刊
• • 去重算法：相似度计算（标题>80% + 作者>60%），DOI 匹配优先，机器学习辅助去重
• • 缓存机制：Redis 缓存热点数据，本地数据库存储历史数据，增量更新策略

核心功能模块：

• • 文献检索与聚合：多源整合、智能去重、质量过滤、相关性排序
• • 研究图谱增强：作者-机构-资助-合著-引用网络、主题演化与冷热点、空白区识别、成熟度与 SOTA 映射
• • 书目与引用管理：自动抽取 BibTeX、去重、引用风格转换（IEEE / ACM / APA 等）、参考文献一致性检查
• • 数据与代码追踪：Papers with Code / GitHub 关联、复现难度与活跃度评估、仓库质量评分

2.1.1 UC-2.1-1 多源文献检索与聚合

• • 触发：用户输入主题/关键词与时间范围。
• • 输入：关键词、起止年份、源选择、语言过滤、相关性阈值。
• • 步骤：跨源检索 → 去重合并 → 质量/相关性打分 → 生成证据链。
• • 输出：排序后的文献列表（来源、摘要、链接、评分、BibTeX）。
• • 异常处理：
• • 数据源不可用：自动切换备用源或提供离线缓存
• • 网络超时：设置重试机制，最大重试 3 次
• • 结果为空：扩大关键词范围或降低相关性阈值
• • 重复率过高：优化去重算法，人工审核边界案例
• • 边界条件：
• • 关键词长度：最少 2 个字符，最多 200 个字符
• • 时间范围：最早支持 1900 年，最晚支持当前年份
• • 单次返回量：最多 1000 条文献，超过时分页处理
• • 成功标准：相关文献召回率 >85%，重复率 <5%，来源可追溯性 100%。
• • 业务价值：节省 60-80% 文献搜集时间，提高文献质量。

2.1.2 UC-2.1-2 研究图谱构建与空白区识别

• • 触发：用户选择领域或初始文献集。
• • 输入：作者/机构/引用关系、主题标签、时间线、最小样本阈值。
• • 步骤：实体抽取 → 图构建 → 社区/演化分析 → 空白区与 SOTA 映射。
• • 输出：图谱视图、热点/冷点列表、潜在突破点建议、置信度评分。
• • 异常处理：
• • 数据稀疏：当节点数<50 或边数<100 时，提示样本不足并建议扩展数据集
• • 图谱断裂：识别孤立子图，提供连通性分析和连接建议
• • 空白区误判：结合时序分析，区分真正空白与新兴研究方向
• • 算法失效：提供多种社区发现算法备选（Louvain、Infomap、Label Propagation）
• • 边界条件：
• • 时间窗口：最少需要 3 年数据，建议 5 年以上数据
• • 文献数量：最少 100 篇高质量文献，推荐 500 篇以上
• • 领域范围：支持单一学科和跨学科分析，跨学科最多 5 个领域
• • 注意：避免将数据稀疏误判为空白；标注置信度与样本覆盖率；跨学科研究需要更大样本量。
• • 成功标准：空白区识别准确率 >75%，热点预测精确率 >70%，图谱连通性 >90%。
• • 业务价值：发现研究机会，避免重复研究，提升创新性。

2.1.3 UC-2.1-3 引用一致性校验与书目管理

• • 触发：用户导入参考文献列表（Bib/书目）。
• • 步骤：元数据补全 → 风格转换 → 重复/缺失项校验 → 一致性检查。
• • 输出：规范化书目、差异报告、修复建议。
• • 成功标准：无重复、风格正确、与正文引用一致。
• • 业务价值：减少投稿被拒风险，提高论文规范性。

2.1.4 UC-2.1-4 跨语言文献整合与翻译辅助

• • 触发：用户需要整合多语言文献资源。
• • 输入：多语言关键词、目标语言、专业术语词典。
• • 步骤：多语言检索 → 术语对照 → 摘要翻译 → 质量评估。
• • 输出：多语言文献库、术语对照表、翻译质量评分。
• • 成功标准：术语翻译准确率 >90%，覆盖主要学术语言。
• • 业务价值：扩大文献覆盖面，促进国际学术交流。

2.1.5 UC-2.1-5 学术争议与观点分析

• • 触发：用户关注某个有争议的研究话题。
• • 输入：争议话题、时间范围、观点分类标准。
• • 步骤：观点抽取 → 立场分类 → 证据强度评估 → 争议演化分析。
• • 输出：争议地图、观点对比表、证据强度评分、发展趋势。
• • 成功标准：观点分类准确率 >85%，争议点识别完整。
• • 业务价值：帮助研究者理解学术争议，选择合适的研究立场。

2.2 选题与论证（Topic Selection & Justification）

• • 选题评分与优先级：新颖度、影响力、可行性、数据可得性、算力与成本、时间窗口综合评分。
• • 先验艺术/专利检索：Google Patents / USPTO / WIPO / CNIPA 检索，侵权风险与差异化分析。
• • 风险清单与缓解策略：技术、数据、伦理、合规、资源与依赖的风险识别与缓解方案。
• • 合作建议与专家图谱：潜在合作者/导师/审稿人画像与冲突回避提示。

2.2.1 UC-2.2-1 选题评分与优先排序

• • 输入：候选选题、约束（资源/时间/数据可得性）、评估维度权重、历史成功案例。
• • 步骤：指标计算 → 多目标加权 → 可行性与窗口评估 → 排序 → 置信度评估。
• • 输出：评分表、优先级队列、建议取舍与理由、置信度评分、风险提示。
• • 异常处理：
• • 数据不足：当可用文献<20 篇或专利<10 件时，提示数据稀疏风险
• • 指标冲突：新颖度高但可行性低的选题，提供权衡建议
• • 时效性问题：热点领域快速变化时，提供时效性警告
• • 边界条件：
• • 评估维度：支持 5-10 个评估维度，权重总和为 100%
• • 历史数据：需要至少 50 个历史项目数据训练评估模型
• • 时间窗口：考虑 1-3 年的技术发展趋势和市场需求
• • 成功标准：评分一致性 >75%（与专家评估），高风险识别准确率 >85%，排序合理性 >80%。
• • 业务价值：提高选题成功率 30-40%，优化资源配置，降低研究失败风险。

2.2.2 UC-2.2-2 专利先验检索与差异化分析

• • 输入：技术关键词、同义词、IPC 分类码。
• • 步骤：跨库检索 → 家庭/法律状态聚合 → 近似文本比对 → 差异点挖掘。
• • 输出：相关专利清单、重叠风险、差异化建议。
• • 注意：法律解释需标注非法律建议，给出来源与更新日期。
• • 成功标准：专利覆盖率 >95%，风险评估准确率 >85%。
• • 业务价值：降低专利侵权风险，指导技术创新方向。

2.2.3 UC-2.2-3 合作建议与冲突回避

• • 输入：目标方向、机构偏好、排除名单。
• • 步骤：专家画像 → 合作网络 → 潜在审稿冲突 → 推荐列表。
• • 输出：合作建议、人脉图谱、冲突提示与回避建议。
• • 成功标准：合作匹配度 >80%，冲突识别准确率 >90%。
• • 业务价值：促进有效合作，避免审稿冲突。

2.2.4 UC-2.2-4 研究时机判断与窗口分析

• • 触发：用户考虑某个研究方向的进入时机。
• • 输入：研究主题、技术成熟度、市场需求、政策环境。
• • 步骤：趋势分析 → 竞争态势评估 → 技术成熟度评估 → 时机评分。
• • 输出：时机评分、最佳进入窗口、风险与机会分析。
• • 成功标准：时机预测准确率 >70%，窗口识别及时性 >85%。
• • 业务价值：把握研究时机，提高成果影响力。

2.2.5 UC-2.2-5 社会影响与伦理评估

• • 触发：用户需要评估研究的社会影响和伦理风险。
• • 输入：研究内容、应用场景、潜在影响群体、伦理框架。
• • 步骤：影响分析 → 伦理风险识别 → 缓解措施建议 → 合规检查。
• • 输出：影响评估报告、伦理风险清单、缓解措施、合规建议。
• • 成功标准：风险识别完整率 >90%，缓解措施可行性 >80%。
• • 业务价值：确保研究合规，提升社会责任感。

2.2.6 UC-2.2-6 跨学科融合机会识别

• • 触发：用户寻找跨学科研究机会。
• • 输入：主要学科、相关学科、研究问题、方法偏好。
• • 步骤：学科交叉分析 → 方法迁移评估 → 合作机会识别 → 融合路径设计。
• • 输出：融合机会清单、方法迁移建议、合作伙伴推荐、实施路径。
• • 成功标准：机会识别准确率 >75%，方法迁移可行性 >70%。
• • 业务价值：促进学科交叉创新，拓展研究视野。

2.3 规划与资源（Planning & Resources）

• • 方法路线图：问题分解、候选方法、评测指标、基线与对照设定。
• • 实验设计助手：变量控制、样本量与功效分析、Ablation 计划、随机化与偏倚控制。
• • 数据管理计划（DMP）：采集、清洗、标注、版本与血缘、开放数据策略与发布计划。
• • 伦理与合规：IRB / 隐私 / GDPR / 生物安全 / 医疗合规模板与检查清单。
• • 资源与预算：GPU / 云资源选择、成本估算与排程，成果产出甘特图与里程碑规划。

2.3.1 UC-2.3-1 实验设计助手与功效分析

• • 输入：效应量预估（基于先导实验或文献）、显著性阈值（默认 α=0.05）、统计功效目标（默认 1-β=0.80）、变量与对照设置、资源约束。
• • 步骤：效应量验证 → 样本量计算 → 随机化方案设计 → 盲法建议 → Ablation 计划 → 统计分析方法选择 → 敏感性分析。
• • 输出：实验设计蓝图、样本量建议、统计检验方案、随机化方案、风险与依赖项、效应量追踪计划。
• • 异常处理：
• • 效应量不确定：提供样本量范围建议（最小/最大/推荐）
• • 资源不足：提供折衷方案（如序贯设计、自适应设计）
• • 复杂多因素实验：推荐分层设计或正交设计
• • 非正态数据：提供非参数检验替代方案
• • 边界条件：
• • 样本量上限：考虑实际资源限制，提供可行性评估
• • 最小效应量：基于科学意义设定，不盲目追求统计显著性
• • 多重比较：自动应用 Bonferroni 或 FDR 校正
• • 成功标准：统计功效达到预设目标（通常 ≥80%），样本量计算准确性 >90%，设计可行性 >95%。
• • 业务价值：减少样本量浪费 30-50%，提高实验成功率 25-35%，避免重复实验成本。

2.3.2 UC-2.3-2 DMP 生成与版本血缘管理

• • 步骤：数据来源登记 → 处理流程 → 版本策略 → 血缘与发布策略。
• • 输出：DMP 文档、数据字典、版本/血缘图谱与合规清单。
• • 成功标准：数据血缘完整率 >95%，合规检查通过率 >90%。
• • 业务价值：确保数据可追溯，满足开放科学要求。

2.3.3 UC-2.3-3 资源排程与预算评估

• • 输入：实验矩阵、资源选项（GPU/云）、时间窗口。
• • 步骤：成本估算 → 排程模拟 → 风险缓冲 → 里程碑设置。
• • 输出：预算与排程计划、甘特图、超支预警阈值。
• • 成功标准：成本预估误差 <15%，进度预测准确率 >80%。
• • 业务价值：优化资源利用，控制项目成本。

2.3.4 UC-2.3-4 多方案比较与决策支持

• • 触发：用户面临多个技术方案选择。
• • 输入：候选方案、评估维度、权重设置、约束条件。
• • 步骤：方案建模 → 多维度评估 → 敏感性分析 → 决策建议。
• • 输出：方案对比表、决策矩阵、风险分析、推荐方案。
• • 成功标准：方案评估准确率 >85%，决策满意度 >80%。
• • 业务价值：提高决策质量，减少方案选择风险。

2.4 执行与实验（Execution & Experimentation）

实验工具链集成：

• • MLflow：开源实验追踪，支持多种 ML 框架，本地/云端部署，API 限制宽松
• • Weights & Biases (W&B)：商业化实验管理，免费版有限制，强大的可视化能力
• • TensorBoard：TensorFlow 生态，轻量级，适合深度学习实验
• • Sacred：Python 实验管理，代码侵入性小，支持 MongoDB 后端
• • DVC (Data Version Control)：数据版本控制，与 Git 集成，支持大数据集

容器化与复现环境：

• • Docker：标准化环境，支持 GPU 加速，镜像分层存储，版本管理
• • Conda：Python 环境管理，跨平台，丰富的科学计算包
• • Poetry：Python 依赖管理，精确的版本锁定，更好的依赖解析
• • Pipenv：Pipfile 替代 requirements.txt，自动生成锁定文件