导语

AI Agent、MCP、A2A、多阶段 RAG 正在快速汇合成一个新方向：面向真实任务的“证据工程”。对科研场景来说，能不能拿到结构化元数据、可回链原文片段、图表资源和可复现实验流程，比“回答得像不像”更重要。Sciverse 的价值，恰好就在这里。

热点背景：为什么现在值得关注

最近两个月，几个公开信号非常明确，且都指向同一个判断: 科学智能正在从“会说”转向“会取证、会验证、会协作”。

热点	时间	关键信号	对 Sciverse 的意义
MCP 官方文档持续强调“开放标准”	持续更新中	工具调用正从私有集成走向标准化接口	科学检索能力更适合作为标准工具暴露给 Agent
Google 发布 A2A	2025-04-09	Agent 不只要调工具，还要彼此协作	Sciverse 可成为科研 Agent 链中的专业检索节点
OpenAI 发布新 Agents/Tools 能力	2025-03-11	工具、检索、执行逐渐成为模型 API 原语	科学数据能力更容易嵌入主流 Agent runtime
PT-RAG 提出面向学术论文的结构保真检索	2026-02-18	科学论文不是普通网页，章节、图表、公式都影响召回	说明科研 RAG 必须重视文档结构与原文定位
MASS-RAG 与 Agentic Hybrid RAG 等工作出现	2026-04-08、2026-06-09	多 Agent 合成、多阶段证据聚合成为前沿方向	Sciverse 适合充当证据层，而不是只做“最后一问”

一句话概括这轮变化：

通用 Agent 的上限，越来越取决于它背后是否接了“专业证据基础设施”。

这也是为什么科研场景值得单独看。论文、专利、图表、表格、章节上下文、DOI、年份、期刊、引用数，这些都不是通用网页搜索天然能处理好的对象。

为什么这件事和 Sciverse 高度相关

从公开主页、仓库和当前前端 PRD 看，Sciverse 不是一个单纯的“科研问答壳”，而是在往“科研 Agent 的证据入口层”靠拢。

当前可核实的公开能力包括：

• 官网强调可连接 Cursor、Claude、Codex 等客户端，并覆盖科学搜索、化学、蛋白等场景。
• opendatalab/Sciverse-Agent-Tools 仓库公开了 API、SDK、CLI、MCP Server 与 OpenAPI。
• 本地前端原型和 PRD 已经把能力拆成 自由检索、生成研究综述、筛选论文清单、跟踪研究方向 四类科研任务。
• 前端 API 封装显示当前围绕五类核心调用组织: meta-catalog、meta-search、agentic-search、content、resource。

这意味着 Sciverse 的切入点非常清楚：

不是替代大模型做结论，而是给大模型提供一套“科研证据可操作面”。

技术拆解：从“检索”升级到“证据工程”

如果把一个科研 Agent 拆开，最容易被忽视、但最关键的一层其实是证据层。

用户问题
  -> 任务判别（综述 / 筛选 / 跟踪 / 自由检索）
  -> 元数据能力（meta-catalog / meta-search）
  -> 语义证据召回（agentic-search）
  -> 原文定位与扩窗（content）
  -> 图表/表格资产回取（resource）
  -> Evidence Pack 组装
  -> LLM 生成综述 / 比较 / 计划
  -> 人工复核 / 可复现实验

这条链路里，Sciverse 最有价值的不是“能搜到东西”，而是下面三点：

1. 先用元数据筛，再做语义召回

很多科研问题不是一句模糊提问，而是带约束的：

• 近三年
• 某几个期刊
• 引用数下限
• 某一类文献类型
• 指定语言或来源

这时如果直接向量检索，召回往往会被“语义相近但任务不匹配”的文献污染。更合理的路线是：

meta-catalog -> meta-search -> agentic-search

先确定能筛哪些字段，再缩小候选集，再做语义证据抽取。

2. 证据必须能回到原文位置

科研场景里，只有“答案”没有“出处定位”，基本不够用。

Sciverse 的 content(doc_id, offset, limit) 这类能力很关键，因为它让 Agent 不止能引用文献标题，还能回到具体片段、页码或上下文区间。这样做有两个直接收益：

• 降低综述生成时的“引用像真的，但其实没对上原文”
• 为人工复核保留最短路径

3. 图表和表格资源是科学推理的一等公民

很多关键结论不在摘要里，而在 figure、table、supplementary material。resource 这类接口的意义在于把“可视化证据”从论文附件里拉回 Agent 工作流。

对生命科学、化学、材料尤其如此。很多差异结论，只有落到实验图表才看得清。

用 Sciverse 搭一个“证据优先”的科研 Agent

下面给一个可改造的 Python 示例。它不追求做完整产品，只演示一条最有价值的骨架：先筛元数据，再抓语义片段，再回原文组装 evidence pack。

# pip install sciverse
# export SCIVERSE_API_TOKEN=your_token

import asyncio
import json
from sciverse import AgentToolsClient

QUERY = "Compare recent retrieval architectures for evidence-grounded scientific literature review"
YEAR_FROM = 2024

async def main():
    client = AgentToolsClient()

    # 1) 看当前可筛字段，避免盲写过滤条件
    catalog = await client.list_catalog(include_sample_values=True)

    # 2) 先做元数据筛选
    papers = await client.search_papers(
        query="scientific literature review RAG evidence grounded",
        filters=[
            {
                "field": "publication_published_year",
                "operator": "FILTER_OP_GTE",
                "value": YEAR_FROM,
            }
        ],
        page_size=5,
    )

    # 3) 再做语义证据召回
    evidence_hits = await client.semantic_search(
        query=QUERY,
        top_k=5,
        source_types=["pdf", "web"],
        mode="balanced",
    )

    # 4) 回原文，组装 evidence pack
    evidence_pack = []
    for hit in evidence_hits.results[:3]:
        content = await client.read_content(
            doc_id=hit.doc_id,
            offset=getattr(hit, "offset", 0) or 0,
            limit=2200,
        )
        evidence_pack.append(
            {
                "title": getattr(hit, "title", ""),
                "doc_id": hit.doc_id,
                "score": getattr(hit, "score", None),
                "snippet": getattr(hit, "chunk", ""),
                "content": getattr(content, "text", str(content))[:2200],
            }
        )

    print(json.dumps({
        "candidate_papers": papers.model_dump() if hasattr(papers, "model_dump") else str(papers),
        "evidence_pack": evidence_pack,
    }, ensure_ascii=False, indent=2))

asyncio.run(main())

这段代码的真正用途，不是直接生成最终文章，而是生成一个更可靠的中间层对象 evidence_pack。后续无论接 OpenAI、Claude 还是自建模型，都应该让 LLM 基于这个包生成，而不是直接裸问。

Sciverse 适合切入的产品位

如果把市场上常见方案放在一起比较，Sciverse 更像“科研 Agent 的证据底座”，而不是单点聊天工具。

方案	长处	短板	更适合的角色
通用网页搜索 + LLM	接入快，覆盖广	结构化筛选弱，原文定位弱，科学图表回取弱	灵感探索
纯向量库 RAG	私有语料可控	对论文元数据、跨来源证据和图表支持不足	私有知识问答
Sciverse 风格证据层	元数据筛选、语义召回、原文扩窗、资源回取更完整	需要和上层 Agent 编排配合	科研 Agent 基础设施
端到端科研 Copilot	使用门槛低	黑盒感强，难以拆证据链	面向最终用户的工作台

最值得传播的一句话是：

未来真正有竞争力的科研 Agent，不是谁“最会写”，而是谁“最会拿证据”。

评测与验证

本文未进行实测跑分。
下面只给出可复现实验方案，便于团队后续真实评估，不伪造准确率、吞吐、延迟或成本。

评测目标

比较三条路线在科研综述任务上的可靠性与可复核性：

1. 通用 Web Search + LLM
2. 纯语义 RAG
3. Sciverse 证据工程链路
   meta-search -> agentic-search -> content -> resource -> LLM

建议任务集

选 3 个主题，每个主题做 10 个问题，共 30 个样本：

方向	示例主题
生命科学	CRISPR 脱靶、mRNA LNP、蛋白功能预测
化学/材料	固态电解质、碳捕获材料、钙钛矿稳定性
AI for Science	citation grounding、scientific review generation、evidence-grounded RAG

指标设计

只建议记录可核查指标：

指标	含义	记录方式
Citation Grounding Rate	引文是否能回链到真实原文片段	人工抽检
Evidence Coverage	关键论点是否有足够证据支撑	双人标注
Metadata Precision	年份、期刊、DOI 等是否正确	与原文核对
Reproducibility	同一问题重复执行时证据链是否稳定	固定参数复跑 3 次
Human Review Time	审稿人完成复核所需时间	计时记录

调用步骤

1. 固定同一批问题集与同一模型版本。
2. 对三条路线使用相同输出模板。
3. 保存每次检索请求、返回候选、最终引用文献列表。
4. 对每条引用做“是否可定位到原文”核验。
5. 记录失败模式，例如：
   • 找到论文但没定位到证据
   • 语义相关但年份不对
   • 结论成立但引用不匹配
   • 图表结论未被正文支持

记录模板

## Sample ID
- Query:
- Pipeline:
- Model:
- Retrieval Params:
- Returned Sources:
- Final Claims:
- Citation Grounding Pass/Fail:
- Metadata Errors:
- Reviewer Notes:
- Re-run Stability:

现在最值得做的，不是更大的提示词，而是更短的证据路径

过去一年，很多团队都在讨论 Agent 工作流、工具调用和模型编排。但到了科研场景，真正决定可用性的不是链路有多复杂，而是：

• 能不能先筛对文献
• 能不能回到原文片段
• 能不能把图表也纳入证据
• 能不能让复核成本足够低

Sciverse 的公开能力恰好踩在这几个关键点上，所以它更适合被理解为：

一层面向科研 Agent 的证据基础设施，而不是又一个“会聊天的科研助手”。

CTA

如果你在做科研检索、综述生成、论文筛选、方向追踪，或者正在给通用 Agent 补“科研能力栈”，值得直接试一遍 Sciverse 的公开入口与 Agent Tools：

• 先从官网了解能力边界与场景
• 再看 Sciverse-Agent-Tools 的 API / SDK / MCP Server
• 最后用一条真实研究问题，把 meta-search + agentic-search + content 串起来

很多时候，产品差异不在最终回答页面，而在那条别人看不见的证据链。

来源列表

• Sciverse 官网: https://sciverse.space/
• Sciverse Agent Tools 仓库: https://github.com/opendatalab/Sciverse-Agent-Tools
• MCP 官方文档: https://modelcontextprotocol.io/introduction
• Google A2A 官方博客，2025-04-09: https://developers.googleblog.com/en/a2a-a-new-era-of-agent-interoperability/
• OpenAI《New tools for building agents》，2025-03-11: https://openai.com/index/new-tools-for-building-agents/
• OpenAI FrontierScience 页面: https://openai.com/index/frontierscience/