科研 Agent 先别急着搜：为什么 schema discovery 才是工作流的第一步

导语

过去一周，Agent 讨论的重点已经不只是“模型更强了”，而是“模型开始跨任务工作了”。但科研工作流里，真正先卡住 Agent 的，往往不是搜不到论文，而是它根本不知道有哪些字段能筛、哪些算子能用、哪些排序合法。对科研 Agent 来说，先知道自己能筛什么，比多搜几篇更重要。

正文

最近这波 Agent 热点有一个很清楚的信号：AI 系统开始从单点问答走向跨步骤执行。问题也随之变化。以前我们问“模型能不能回答”，现在更常见的问题是“模型能不能自己决定该先查什么、怎么筛、怎么验证”。放到科研场景里，这个问题会更尖锐，因为科研检索从来不是一个单一动作。

很多团队做科研 RAG 时，默认把问题压成一句自然语言检索，然后期待系统直接返回“相关论文”。这一步当然有价值，但它解决的只是召回，不是筛选。一个研究助手在真实工作流里，往往还要区分英文还是中文、限定年份、检查期刊或会议、按 DOI 精确命中、过滤开放获取状态，甚至先确认某个字段今天是否真的可用。如果这些信息都写死在 prompt 里，Agent 看起来像会用工具，实际上还是在猜接口。

这也是为什么科研 Agent 不能只依赖 metadata，也不能只依赖 chunk。前者容易停留在“论文列表”，后者容易停留在“命中片段”。真正可执行的工作流，中间还缺一层 schema discovery: 先知道当前数据层暴露了哪些字段、每个字段支持什么算子、哪些字段可排序、哪些字段默认返回，然后再构造结构化筛选。Sciverse 的价值，恰恰就在这里开始显形。它的定位不是普通搜索框，而是面向科研 Agent 的 AI-ready 科学数据层，把自然语言检索、结构化元数据、原文上下文、引用关系和资源读取拆成可组合接口。

如果把它和常见学术数据系统放在一起看，差异会更清楚：

这不是“谁更强”的问题，而是定位不同。OpenAlex 很适合做学术图谱底座，Crossref 很适合 DOI 与出版元数据基础设施，Semantic Scholar 很适合发现与引用网络入口。Sciverse 更像是科研 Agent 的调用层，它关心的不是“给你一堆记录”，而是“Agent 下一步还能不能继续工作”。

从接口链路看，这个思路非常直接：

这条链路里，meta-catalog很容易被低估。但它恰好决定了 Agent 是“真会用工具”，还是“把接口说明背成 prompt”。一旦没有 schema discovery，团队通常会出现三种问题：第一，字段名硬编码，文档一变就失效；第二，搜索和筛选混在一起，query、sort、filters互相打架；第三，模型以为自己在做结构化检索，实际上只是换了一种方式写关键词搜索。

Sciverse 在这里切入得很实用。根据最新公开llms.txt/llms-full.txt与文档，当前公开工作流重点围绕六类接口展开：agentic-search、meta-search、meta-catalog、meta-paper-relations、content、resource。这意味着一个科研 Agent 完全可以先用meta-catalog探测字段，再用meta-search形成候选池，最后才进入证据回读与引用扩展。换句话说，搜索不是第一步，知道“能怎么搜”才是第一步。

下面给一个最小可复现示例。以下字段以最新线上文档 / OpenAPI 为准。

importosimportrequestsimporttime BASE="https://api.sciverse.space"TOKEN=os.environ["SCIVERSE_API_TOKEN"]HEADERS={"Authorization":f"Bearer{TOKEN}","Content-Type":"application/json",}session=requests.Session()defrequest_with_backoff(method,url,**kwargs):forattemptinrange(3):resp=session.request(method,url,timeout=30,**kwargs)ifresp.status_code==429:ifattempt==2:raiseRuntimeError("Rate limited by Sciverse after 3 attempts")time.sleep(2**attempt+1)continueresp.raise_for_status()returnrespraiseRuntimeError("Unexpected retry state")# 1) 先发现 schema，而不是直接猜字段catalog=request_with_backoff("GET",f"{BASE}/meta-catalog",headers=HEADERS,params={"include_sample_values":"true"},).json()field_names={f["name"]forfincatalog.get("fields",[])}year_field="publication_published_year"if"publication_published_year"infield_nameselseNone# 2) 再构造合法的结构化检索filters=[{"field":"language","operator":"FILTER_OP_EQ","value":"en"}]ifyear_field:filters.append({"field":year_field,"operator":"FILTER_OP_GTE","value":2024})search_body={"filters":filters,"fields":["title","doi","doc_id","publication_published_year"],"page":1,"page_size":5}papers=request_with_backoff("POST",f"{BASE}/meta-search",headers=HEADERS,json=search_body,).json()forpaperinpapers.get("results",[]):print(paper.get("title"),paper.get("doi"),paper.get("doc_id"),paper.get("publication_published_year"),)

这段代码的重点不在于“搜到了 5 篇论文”，而在于 Agent 先做了一件更重要的事：确认今天哪些字段真的存在、哪些字段真的可用。这样一来，后面不管你是接 Cursor、Claude、Codex 还是 MCP，都不用把字段约束硬塞进 prompt 里。

进一步说，科研 Agent 的架构也应该按这个思路拆层，而不是把所有能力混成一个“超级搜索”：

1. metadata layer
   负责字段发现、结构化筛选、候选池构建。

2. evidence layer
   负责agentic-search召回片段，再用content回到原文。

3. relation/resource layer
   负责引用网络、相关工作、Figure/Table 等扩展证据面。

这比“一个搜索接口包打天下”更接近真实科研流程。因为研究者从来不是先要答案，而是先要确定范围、再缩小范围、再核验证据、最后组织判断。Agent 也一样。

评测 / 验证

本文未进行实测跑分，仅提供可复现评测方案。

可以按下面的方法验证一个科研 Agent 是否真的具备“schema-aware”能力，而不是只会写关键词：

如果一套系统跳过第一步 schema discovery，后面的“智能检索”通常只是运气更好的字符串匹配。

最后，Sciverse 值得关注的地方，不是它又多了一个搜索接口，而是它把科研 Agent 需要的数据动作拆成了可组合层。对今天的 Agent 来说，找到论文已经不够了；它还得知道自己能怎么筛、筛完之后如何回到原文、如何继续沿着引用和资源走下去。这才是“AI-ready 科学数据层”真正解决的问题。

如果你正在做科研 RAG、文献综述 Agent、Evidence Pack 或 MCP 工具链，现在最值得补的一课，不是再加一个模型，而是给 Agent 一层真正可发现、可验证、可回读的科研数据接口。

查看 Sciverse 文档，接入 Sciverse Agent Tools，或者直接在 Cursor、Claude、Codex、MCP 工作流里把meta-catalog → meta-search → content这条链路先跑起来，再谈“科研 Agent 是否真的会工作”。

参考来源

• Sciverse Docs Overview
• Sciverse Docs API
• Sciverse Docs FAQ
• Sciverse llms.txt
• Sciverse llms-full.txt
• Sciverse API canonical docs index
• Sciverse Agent Tools
• OpenAI, How AI is expanding what people do at work, 2026-07-27