一句话总结

纽约大学的研究人员提出 AskChem，一个以声明为中心的基础设施，将化学论文转化为携带出处的原子化声明，并暴露分面分类法、证据图谱和动态分类体系，支持跨论文综合；该系统索引了来自 147K 篇论文的 2.4M 条声明，将 AI 阅读器的 DOI 可解析率提升至 100%，并在所有测试系统中实现了最高的引用密度。

核心贡献

• 一种携带出处的声明表示，将化学论文分割为原子化、带类型的断言，并以源 DOI 和逐字引用或证据定位符作为基础，部署在来自 147K 篇论文的 2.4M 条声明之上。
• 在共享声明存储之上构建了互补结构，包括用于分层检索和浏览的稳定分面分类法、通过类型化关系链接声明的证据图谱，以及将论文置于科学原理之下的探索性动态分类体系。
• 通过 Web UI、REST API、SDK 和 MCP 服务器提供面向人类和 Agent 的接口，并配套 AskChem-Bench；在该基准中，基于 GPT-5.5 的阅读器实现了 100% 可解析的 DOI，并在五个测试系统中达到最高引用密度，而无检索的基线仅为 88.3%。

引言

化学家经常需要综合分散在多篇论文中的证据，例如比较催化剂性能指标，但现有的文献搜索工具返回的是文档级结果。这迫使研究人员手动提取和验证单个声明，过程缓慢且容易出错。基于 LLM 的助手面临同样的局限：文档检索并不暴露底层声明或其关系，并且模型在依赖参数化记忆时可能会虚构引用。作者提出了 AskChem，一个围绕携带出处的科学声明重新定位搜索的系统。通过从 147K 篇论文中提取原子化、带类型的断言，并附带源 DOI 和逐字引用，AskChem 能够直接检索特定发现、进行跨论文综合，并通过分面分类法、证据图谱和以原理为中心的层次结构实现结构化导航。

数据集

作者围绕三个相互关联的组件构建 AskChem 数据集，这些组件均从科学论文中提取，并用作实时检索和探索索引。

• 声明 240 万条原子化、带类型的科学断言。每条声明均以源 DOI 和逐字引用为基础，并包含结构化字段（反应物、条件、测量值、材料）以及提取置信度分数。每条声明都携带论文级元数据（DOI、期刊/会议、年份、引用次数、通过 OpenAlex 消歧的作者）。

• 稳定分面分类法 307,000 个已填充的分类节点，按 L1/L2/L3 路径组织。五个内容视图捕获声明的主题（反应类型、物质类别、应用、技术、机理主题），另有视图用于声明类型、提取的测量值、时间和来源作者。分类法从论文文本中归纳生成，然后通过规范路由、同义词规范化和近似重复子类别的模糊聚类进行稳定化处理。

• 证据图谱 171,342 条类型化、有向边连接声明。关系类型包括 cites_as_evidence、supports、extends、contradicts 和 derives_from，每条边都带有置信度分数和出处。对 148 条边的手动验证（146 条可判定）显示边类型精确率为 97.9%。

来源与提取 声明来自 147,000 篇论文，时间跨度为 1925–2026 年。两个互补的管道填充存储：高通量提取器大规模处理摘要，而深度提取器读取全文 PDF 以捕获摘要中常缺失的声明类型（假设、局限性、令人惊讶的发现）。所有输出均根据声明模式进行验证，该模式强制执行出处字段、数值范围和化学特定字段，因此 2.4M 条声明 100% 具有源基础。

处理 提取的声明存储在 SQLite 中，配备 FTS5 全文搜索和向量索引。分类路径从论文中反复出现的术语自动归纳，然后为生产检索进行稳定化。关系边由专用的提取层生成，每条边都附带置信度评分和出处。

数据使用方式 该数据集作为 AskChem 平台的操作索引，而非训练集。混合搜索结合了词汇（FTS5）、论文级、分类节点和稠密向量召回，使用倒数排名融合。分类分面允许用户对结果进行分组并浏览类别层次结构。证据图谱充当关系层：API 端点返回声明的入边和出边证据链接，Web 界面在热门搜索结果上构建图谱，使用户能够从一个发现导航到支持、扩展或反驳它的声明。

方法

作者围绕以声明为中心的表示设计 AskChem，用原子化、带类型的科学断言取代完整论文，作为主要检索单元。一条声明以源 DOI 和逐字引用为基础，并包含结构化字段，如反应物、条件、测量值或材料，以及提取置信度分数。这种表示确保单个发现，而非整个文档，成为可被搜索、分组、链接和验证的对象。

如框架图所示：

该平台在相同的声明标识下锚定多个结构。Source 记录论文级元数据，包括 DOI、期刊/会议、年份、引用次数和通过 OpenAlex 消歧的作者。TreeNode 将声明放入一个或多个分面分类路径，而 Edge 记录两个声明之间的类型化关系。将这些结构锚定在共享的声明标识符上，使得搜索、分层浏览和图遍历能够返回相同的携带出处的对象。

为了填充声明存储，作者采用两个互补的提取管道。高通量提取器大规模处理摘要，而深度提取器读取全文 PDF 以捕获摘要中常缺失的声明类型，如假设、局限性和令人惊讶的发现。每次提取调用返回根据声明模式验证的结构化 JSON，确保满足必需的出处字段和化学特定约束。

如语料库统计所示：

这些验证检查建立了可追溯性。在部署的索引中，所有声明都具有源基础，携带声明类型、源 DOI 和逐字引用。界面将这些携带出处的声明直接返回给用户。

如平台界面所示：

为了支持跨论文搜索，作者在声明存储之上添加了一个关系提取层。提取器在声明之间生成类型化、有向边，包括 cites_as_evidence、supports、extends、contradicts 和 derives_from，每条边都带有置信度分数和出处。该图谱充当检索之上的关系层，允许用户从一个发现移动到支持、扩展或反驳它的声明。

作者引入分面分类法，按声明所涉及的内容进行组织。AskChem 并非强加一个完全预定义的化学本体，而是在消化论文和提取声明的过程中归纳分类路径。这些路径揭示了反应、物质、应用、技术和机理中反复出现的术语。归纳出的路径通过规范顶级路由、同义词规范化和近似重复子类别的模糊聚类进行稳定化，从而形成一组适用于生产检索的持久 L1/L2/L3 路径。

分类法在相同的声明存储上定义了多个操作视图。每条声明都可以在已填充的视图中分配一个路径，例如在 by_reaction_type 下的 coupling/cross_coupling/suzuki。五个内容视图捕获声明的主题：反应类型、物质类别、应用、技术和机理主题。其他视图组织声明类型、提取的测量值、时间和来源作者。

如声明在各视图中的分解所示：

这些分面充当同一组携带出处声明的不同导航透镜。稳定分类法用作操作索引。混合搜索结合了 FTS5 声明文本检索、论文级召回、分类节点召回和稠密向量召回，使用倒数排名融合。返回的声明保留其关联的视图路径，允许客户端对结果进行分组或展开相关类别。

作为分面分类法的补充，作者引入了一个以原理为中心的动态分类体系，探究哪一更广泛的科学思想支配着论文的贡献。它将基于论文的叶子组织在原理、理论、模型、机理和现象之下。

如以原理为中心的组织所示：

该树包含一个弃权机制，当没有合适节点时提议新分支。作者将此结构视为索引语料库的探索性概览，而非经过充分验证的科学本体。

实验

评估验证了 AskChem 的源基础、结构可靠性、检索质量和可扩展性。所有声明均可追溯到逐字证据，证据图谱显示出高边类型精确率。以声明为中心的检索消除了 DOI 幻觉，并产生了最佳的引用密度和相关性，优于无检索的阅读器和其他系统，同时在语料库规模上运行。AskChem 与现有数据库和助手的不同之处在于其分面、携带出处的声明存储，可供人类和 Agent 使用。

将 GPT-5.5 阅读器基于 AskChem 可消除 DOI 幻觉，产生 100% 经过验证的引用，并在所有测试系统中达到最高的引用密度、论文相关性和近期高影响力工作的比例。无检索基线经常虚构参考文献，并在相关性和近期性上得分最低。Edison Scientific 的 Agent 系统在基于证据的具体性和切题率上领先，揭示了引用可验证性与定量细节深度之间的权衡。AskChem 实现了完美的 DOI 可解析率，每个引用的参考文献均通过 CrossRef 验证，而未增强的阅读器仅解析 88.3% 的 DOI。基于 AskChem 的阅读器每个答案引用的经过验证的 DOI 数量几乎是仅 LLM 基线的两倍，是 Paperclip 和 NotebookLM 引用密度的两倍以上，同时展示了更大比例的近期高影响力文献。

评估将基于 AskChem 系统的 GPT-5.5 阅读器与无检索基线、Edison Scientific 的 Agent 系统以及其他工具（如 Paperclip 和 NotebookLM）进行了比较。将阅读器基于 AskChem 可消除 DOI 幻觉，产生完全验证的引用、最高的引用密度以及更优的相关性和近期性，而基线经常虚构参考文献。Agent 系统在基于证据的具体性和切题率上表现最佳，揭示了引用可验证性与定量细节深度之间的权衡。总体而言，AskChem 实现了完美的 DOI 可解析率，并引用了比其他所有系统显著更多的经过验证的近期高影响力文献。