企业官网建设流程全解析

• 人工智能
• 大模型
• AI Agent
• 自主智能体
• 深度研究
• Agent 工作流
• 科研
• AI 评测

本文围绕 AI-Researcher 创新图谱（Innovation Graph）构建流水线中的Step 1：引文模式分析（Citation Pattern Analysis）指令展开，讲解该指令如何引导大语言模型（LLM）从一篇论文的参考文献中构建"引文统计地图"，并阐明其在整个五步创新图谱流水线中的定位、JSON 输出契约与源码级调用链。读完本文，你将掌握该指令的字段语义、与 Step 2～5 的衔接关系，以及如何在1_create_inno_graph.py中实际驱动这一分析步骤。

一、Step 1 指令在流水线中的定位

AI-Researcher 的 benchmark 构建脚本 1_create_inno_graph.py 负责将一批论文加工成"创新图谱"数据集。在load_instructions()中，脚本一次性加载了 8 份指令文件，其中 5 份构成核心分析链：

Step 1 是整个链条的第一环，其产出直接喂给 Step 2 做上下文分析（results作为previous_results传入后续步骤）。从源码看，process_step在拼接提示词时会把前序步骤的 JSON 结果追加到当前提示词末尾：

if previous_results and step_num > 1: prev_results_str = json.dumps(previous_results, indent=2) prompt += f"\n\nResults from previous steps:\n{prev_results_str}"

因此 Step 1 的citation_map质量决定了后续所有步骤的分析基底。

二、全局指令：三类影响力判据（Overall Instruction）

在进入 Step 1 之前，LLM 首先收到 overall 指令，它定义了贯穿全流程的影响力判定框架：

1. 方法论奠基（Methodological Foundation）：提供核心方法的论文；
2. 关键组件（Critical Components）：其具体技术被整合进新模型的论文；
3. 概念启发（Conceptual Inspiration）：塑造研究方向的论文。

这三类判据在 Step 3 的evidence.type字段（foundation/component/inspiration）和 Step 5 的top_papers.type字段（methodological/component/conceptual）中被显式落地，Step 1 的统计结果则为其提供候选池。

三、Step 1 任务分解：四类统计动作

Step 1 指令 的核心是"为论文中的引用创建统计地图（statistical map）"，共包含四项动作：

• 统计引用频率（Count citation frequency）：对每篇被引论文统计其在全文被引用的次数，这是后续 Step 4 中frequency（权重 30%）的直接数据来源；
• 追踪引用位置（Track citation locations）：记录引用出现在哪些章节（如 Introduction、Methodology、Experiments），对应 Step 4 中location（权重 25%）的判定依据——出现在方法章节的引用通常比出现在引言中的引用更具影响力；
• 标注跨章节引用（Note cross-section citations）：识别同一篇论文被多个章节引用的情况，这通常是该文献具备"全局影响力"的信号，也是区分奠基性工作与一次性引用文献的关键；
• 列出至少 15 篇最高频被引论文（List at least 15 most frequently cited papers）：为 Step 5 的"Top 15–25 最终筛选"提供最小候选集下限，保证最终图谱的节点规模。

四、输出契约：citation_map JSON 结构

Step 1 要求 LLM 严格按如下 JSON Schema 输出：

{ "citation_map": [ { "reference": "the exact paper title in references", "count": number, "sections": ["section names"], "quotes": ["citation contexts"] } ] }

各字段语义与下游用途：

要求reference必须使用"references 中的精确论文标题"，这与脚本中的filter_self_references()逻辑直接相关——该函数通过source["reference"].lower().strip() == target_title.lower().strip()精确匹配来剔除论文对自身的引用（self-reference），标题不精确将导致自引无法被正确识别。

五、源码级调用链：指令如何被实际执行

在 process_step 中，Step 1 的执行流程如下：

1. 组装提示词：overall_instruction + step_instruction + Paper Metadata(JSON) + Paper Content(pdf_text)，并通过truncate_text(prompt, max_tokens=128000)控制输入长度；
2. 注入系统提示：告知 LLM 它是论文分析专家、当前执行 Step 1、必须按指令规定的 JSON 格式输出；
3. 调用 LLM：client.chat(prompt, temperature=0.7)，温度设为 0.7 以在结构化输出与多样性之间取得平衡；
4. 响应清洗：剥离```json/```围栏后执行json.loads(response)，解析失败则该步骤返回None；
5. 失败重试：外层for attempt in range(max_retries)（默认 3 次）对每次解析失败或异常进行退避重试（(attempt + 1) * 5秒等待）。

每篇论文的完整 LLM 交互（Prompt + Response）会通过log_output()写入innovation_graph/logs/llm_output_*.log，便于事后审计与复现。Step 1 成功后，结果存入results["step1"]，随后立即执行await asyncio.sleep(5)做限流，再进入 Step 2。

六、与后续步骤的衔接：从统计到排序

理解 Step 1 的价值必须放到五步链条中看：

• Step 2（Context Analysis）接收citation_map，对高频论文分析其讨论语境，提取"based on / extends"等影响力指示短语，并判定讨论深度（detailed/moderate/brief）与是否属于方法论引用（is_method）；
• Step 3（Evidence Collection）针对显著引用识别借用概念（borrowed）、改进方式（changes）、佐证引文（evidence）及影响类型；
• Step 4（Impact Scoring）按四维权重打分：frequency 30%、location 25%、depth 25%、influence 20%；
• Step 5（Final Selection）依据总分排序选出 Top 15–25 篇最具影响力论文，作为该目标论文的source_papers写入创新图谱。

以仓库实际产物 innovation_graph.json 为例，HGCL 论文的source_papers中，"Sequential recommendation with graph neural networks" 以type: ["methodological"]排第 1 位，usage字段明确写道其 GNN 概念是 HGCL 的方法论主干——这正是从 Step 1 的引用频率统计出发，经 Step 2～5 层层筛选后沉淀出的结构化结论。

七、使用前提与注意事项

• 运行环境：需要全局配置 OpenAI API Key（或修改 utils/openai_utils.py），执行顺序为：先准备papers_to_search文件 → 运行python 0_crawl_paper.py采集论文 → 运行python 1_create_inno_graph.py生成图谱；
• 自引过滤：最终数据集 innovation_graph_final.json 经过filter_self_references()剔除自引，统计信息写入日志；评测使用的 merged_papers_with_fields.json 还经过额外人工修订；
• 输出契约的严格性：Step 1 要求reference精确匹配参考文献标题，后续所有步骤的论文对齐与自引剔除都依赖这一约束，实践时应提示模型禁用"文献编号"代替标题。

综上所述，Step 1 引文模式分析并非简单的"数引用次数"，而是为整条创新图谱流水线建立数据主键、频次基线与证据池的关键起点。开发者可直接复用该指令文件、按上述 JSON 契约自行构建论文影响力分析，也可结合1_create_inno_graph.py的调用逻辑将其接入自己的批量论文分析流程。

• 人工智能
• 大模型
• AI Agent
• 自主智能体
• 深度研究
• Agent 工作流
• 科研
• AI 评测