文献全文深度调研 — 补强方案

编制：2026-09-12　｜　口径：全部数字为本机实测，不推断 一句话结论："找全文"这一段我们已经打穿了（40 篇本地全文 + 验真 100%），真正薄弱的是两头——上游"不知道有哪篇"、下游"24 篇真封闭拿不到"，以及中间"没有可检索的语料库"。本轮已把语料库补上，剩下两条需要你拍板。

---

一、体检：现在到底有什么、缺什么

项	实测值	判定
本地全文	40 篇 txt / 184.0 万字符 / 切段 1,599	够用，但只是 4 个课题的量
PDF 归档	4 份	偏少（多数走 XML/HTML 通道）
oa_index 索引	54 个 DOI（34 个有本地全文）	元数据齐，全文命中 63%
草稿引用缺口（规范化去重后）	D1 3 / D2 12 / D3 0 / D4 8 ＝ 23 个	与上轮"真封闭 24 篇"互相验证一致 ✅
语料检索工具	修改前 0（每轮靠临时脚本现写）→ 现已建 脚本/lit_corpus.py	已补
中英术语映射	修改前 0 → 现建 数据/lit_terms.json 75 组	已补（全文是英文、我们提问是中文，不映射就检索不到）
语料格式纯净度	13/40 篇是 JATS XML 原文，检索会命中 XML 头	已修（自动剥离标签，只留 body）
内部自查纠错率	本轮 1 处（Europe PMC 题名误配）	纪律有效，需保持

本轮已交付（不需要你拍板，已做完）

1. 脚本/lit_corpus.py — 三个子命令，把我们这几轮临时写的脚本固化成基础设施： - stats 语料盘点（含"草稿引用 vs 本地全文"缺口自动算，DOI 规范化去重） - search "查询词" 全文段落级 BM25 检索，中文自动展开英文同义词，直接给出可引用的出处 - verify facts.json 数值验真：逐条核对"这个数字是否真在原文里"
2. 数据/lit_terms.json — 75 组中英术语（冻干/保护剂/等温扩增/纠错测序/定向进化…），可持续补充。
3. 两处实测验收： - 检索 "抗抑制能力 全血 Klentaq1" → NAR gkn1055 排第 1，命中段落正是"血与土壤抑制物抗性"原文（此前只能靠我人工翻） - 验真 verify → D3 24/24 命中、D4 18/18 命中（100%）

---

二、六个补强杠杆（按"卡在哪"排序）

杠杆 1｜上游：检索入口太窄 —— 最大短板

• 现状：我们只有 Unpaywall / Europe PMC。这决定了我们只会做"已知 DOI → 找全文"，不会做"只知题目/关键词 → 发现文献"。没有发现能力，检索面就被已有清单锁死。
• 动作：
• PubMed E-utilities（esearch/efetch）—— 免费、无需 key，可直接批量拉题录 + PMCID + 摘要
• Crossref REST（免费）—— 补题录、刊名、被引
• Exa / Scopus 类学术检索（需 key 或订阅）—— 补全网语义检索与引文库
• 主责：我（Hermes）
• 验收：同一课题（如"LAMP 冻干 保护剂"）三通道召回量对比表，覆盖已知清单之外的新增文献数 ≥1 篇即算有效

杠杆 2｜中游：获取流程未固化，每轮重写

• 现状：五阶段阶梯（Europe PMC XML → Unpaywall → PMC oa.fcgi → PMC 正文 HTML）是临时代码，每轮都要重写、每轮都可能踩同一个坑（XML 污染、bioRxiv 429、题名误配）。
• 动作：固化 脚本/lit_fetch.py —— 输入 DOI 清单，自动逐阶段尝试、落盘、落盘后自动 verify，输出"已获 / 未获 / 原因"三列。
• 主责：我
• 验收：给定任意 DOI 清单，脚本结论与人工结论一致；重复跑不产生重复文件

杠杆 3｜语料库可检索 ✅ 已完成（本轮）

• 动作（待补 20%）：把检索命中定位到章节/页码，并允许"段落 → 直接进证据表"一键出引用。
• 主责：我　｜　验收：同一结论能一键溯源到原文段落

杠杆 4｜下游：事实抽取与引用纪律

• 现状：抽事实、核数值靠我逐条人工读；纪律（不采信子 Agent 自报、token 级回查）已成型但没有工具兜底。
• 动作：固化"抽事实 → verify → 进证据表"三步；数值 token 级回查未命中即不许进对外文件。
• 主责：我 + 产品部（数值口径确认）
• 验收：对 4 份草稿做全量回查报告，未命中条目 = 0 才放行

杠杆 5｜真正卡住的地方：24 篇真封闭 —— 必须你拍板

• 现状：四条合法通道都缺外部条件：作者索取（模板已备、函件一封没发）、馆际互借（需图书馆账户）、单篇购买（$30–60/篇，需预算）、预印本（已查尽）。
• 决策项：① 现在就发作者索取函 ② 有无图书馆账户走馆际互借 ③ 是否批预算买单篇（24 篇估 $800–1,400）

杠杆 6｜长期：把"每次卡 24 篇"变成成本决策

• 动作：出"机构订阅 / 单篇代购 / 按次购买"三年成本对比，量化"年费 vs 单篇"的盈亏平衡点（按我们实际年需求量）。
• 主责：我出对比 → 你拍板

---

三、护栏（已写入纪律，不许破）

护栏	由来
子 Agent 产物一律不采信自报，必须数值 token 级回查	第一轮 38/38、第二轮 59/59 全量回查
Europe PMC 题名误配必须回查真 DOI	抓 Kermekchiev 时被误配到 Frontiers 2014；gkn952 实为 Arezi 2009，真篇是 gkn1055
"付费墙"结论必须先过 Unpaywall	57 DOI → 发现 40 篇有合法开放版，原判"付费墙"的 19 篇其实免费可读
作者手稿（NIHMS）必须标注，不作最终排版引	Chabon 2020 本地即为手稿
盗版镜像类不做	铁律，这条线不碰

---

四、下一步：我做 vs 你拍板

我这边立刻能做（不等你）

#	动作	产出
A	固化 脚本/lit_fetch.py（五阶段阶梯一键化 + 自动验真）	一脚本、一清单、三列结果
B	建 PubMed / Crossref 免费检索脚本，补上游召回	三通道召回对比表
C	4 份草稿全量"事实 ↔ 原文"回查	验真报告（未命中=0 才放行）

需要你拍板 2 件

1. 24 篇真封闭走哪条路：① 发作者索取函（免费、周期 1–2 周）② 有无图书馆账户 ③ 批预算买单篇（$800–1,400）
2. 上游检索要不要升级：接 Exa（需 API key）／仅用免费 PubMed+Crossref ／暂不动