hello-agents/Co-creation-projects/DeLunnLi-PaperGraph

PaperGraph（知脉）- 面向研究者的智能文献工作台

**Academic Paper Search, Reading, Recommendation and Knowledge Graph Workspace** [](https://www.python.org/downloads/) [](https://fastapi.tiangolo.com/) [](https://vuejs.org/) [](LICENSE) [](https://github.com/DeLunnLi/PaperGraph) *基于 HelloAgents 构建的学术文献搜索、阅读、推荐与知识图谱系统* *把找论文、读论文、管理论文和沉淀研究脉络串成一个连续工作流*

---

项目简介

PaperGraph（知脉）是一个面向科研学习、论文调研和研究方向跟踪的智能文献工作台。系统以 SearchAgent、PaperAnalysisAgent 和 KnowledgeGraphAgent 为核心，将自然语言检索、多源论文召回、PDF 阅读问答、每日推荐、文献保存和知识图谱构建整合到同一个 Web 应用中。

它希望解决研究者在日常文献工作中的几个高频痛点：

• 关键词检索分散在多个平台，结果需要手动筛选、去重和排序
• 阅读论文时缺少上下文辅助，方法、实验、引用关系难以持续沉淀
• 每日新论文、个人文献库和知识图谱彼此割裂，难以形成长期研究记忆
• 从发现论文到保存、阅读、追问、归类之间缺少一条顺滑的工作流

核心特性

• 自然语言文献搜索：输入研究问题、论文标题、作者或会议线索，由 LLM 解析意图并生成 SearchRecipe
• 多源并行召回与精排：整合 arXiv、DBLP、OpenAlex 与 Tavily 线索，完成去重、过滤、排序和兜底召回
• 论文阅读助手：支持 PDF 正文抽取、AI 导读、阅读对话、参考文献查找和表格上下文辅助
• 每日论文推荐：根据用户兴趣选择 arXiv 分类，生成个性化候选论文与推荐理由
• 我的文献库：支持论文保存、PDF 下载、分类管理、阅读记录和阅读日历
• 知识图谱构建：从已保存论文中抽取主题、方法、引用和相关关系，并进行可视化浏览
• 多智能体共享记忆：通过 GSSC（Gather -> Score -> Select）流水线选择上下文，减少重复信息干扰

技术亮点

• Recipe 驱动检索：将 LLM 对用户意图的理解转成可执行检索计划，降低硬编码特殊路径依赖
• 多源召回与优雅降级：arXiv、DBLP、OpenAlex 和 Tavily 互为补充，单一来源失败时仍尽量返回可用结果
• 流式过程反馈：搜索过程通过 SSE 返回阶段状态和工具调用摘要，便于用户理解结果来源
• 阅读上下文增强：阅读器结合论文正文、表格、参考文献和历史记忆回答问题，而不只是展示 PDF
• 共享记忆机制：多个 Agent 共享论文、偏好和反馈上下文，让后续搜索与推荐更贴近用户兴趣
• 前后端契约生成：通过 OpenAPI 导出前端类型，减少接口字段漂移

应用场景

适合谁使用？

• 研究生/博士生：快速进入新方向，建立论文阅读和调研脉络
• 科研工作者：跟踪每日新论文，沉淀个人文献库和主题关系
• AI/工程研发人员：围绕技术问题快速查找论文、保存证据和复盘方法
• 课程学习者：用对话式阅读辅助理解论文方法、实验和引用背景

典型使用场景

1. 主题调研：输入研究问题 -> 多源召回论文 -> 保存候选论文 -> 形成阅读列表
2. 论文精读：打开 PDF -> 获取 AI 导读 -> 围绕方法、实验和局限继续追问
3. 每日跟踪：系统拉取新论文 -> 个性化推荐 -> 保存感兴趣论文 -> 反馈偏好
4. 知识沉淀：从文献库抽取关系 -> 生成图谱 -> 观察主题、作者和论文之间的连接

系统架构

整体架构

┌──────────────────────────────────────────────────────────────┐
│                         前端界面层                            │
│  文献搜索 | 每日论文 | 我的文献库 | 论文阅读助手 | 知识图谱       │
└──────────────────────────────────────────────────────────────┘
                              │
                              │ REST + SSE
                              ▼
┌──────────────────────────────────────────────────────────────┐
│                         API 接口层                            │
│              FastAPI Routes + OpenAPI + Tool Events           │
└──────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌──────────────────────────────────────────────────────────────┐
│                       智能体编排层                             │
│  SearchAgent | PaperAnalysisAgent | KnowledgeGraphAgent        │
└──────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌──────────────────────────────────────────────────────────────┐
│                         核心服务层                            │
│  Search Pipeline | PDF Parser | Daily Recommend | AgentMemory  │
└──────────────────────────────────────────────────────────────┘
                              │
                              ▼
┌──────────────────────────────────────────────────────────────┐
│                         数据持久层                            │
│       SQLite 文献库 | PDF 文件存储 | 阅读记录 | 反馈记忆          │
└──────────────────────────────────────────────────────────────┘

三类智能体

智能体	职责	核心能力
SearchAgent	文献搜索与结果解释	意图解析、SearchRecipe、多源召回、LLM 精排
PaperAnalysisAgent	论文阅读与分析	摘要生成、标签归类、阅读问答、引用查找
KnowledgeGraphAgent	知识图谱构建	论文关系抽取、图谱数据生成、节点详情解释

搜索链路

用户问题
  -> LLM 意图解析
  -> SearchRecipe
  -> arXiv / DBLP / OpenAlex / Tavily 多源召回
  -> 去重与过滤
  -> LLM 精排
  -> 结果解释与保存

Quick Start

1. 环境要求

• Python 3.10+
• Node.js 18+
• 可用的 OpenAI 兼容 LLM 服务

2. 后端安装与配置

cd backend
pip install -r requirements.txt

在 backend/.env 中配置模型信息：

LLM_API_KEY=your_api_key
LLM_BASE_URL=https://your-openai-compatible-endpoint/v1
LLM_MODEL_ID=your_model_id

启动后端：

python run.py

默认访问地址：http://localhost:8000

3. 前端安装与启动

cd frontend
npm install
npm run dev

默认访问地址：http://localhost:5173

4. 一键启动

也可以在项目根目录执行：

./start.sh

使用流程

1. 在 文献搜索 页面输入自然语言问题，例如“2024 年视觉语言模型中的 grounding 相关论文”。
2. SearchAgent 解析检索意图，选择关键词、来源、年份、会议等约束，并执行多源召回。
3. 用户将有价值的论文保存到 我的文献库，必要时下载 PDF。
4. 在 我的文献库 中打开某篇论文，进入 论文阅读助手 页面查看 AI 导读，并围绕方法、实验、局限和参考文献继续提问。
5. 在 每日论文 页面追踪新论文，在 知识图谱 页面观察主题和论文之间的关系。

演示效果

文献搜索、每日论文推荐、文献库、论文阅读助手和知识图谱等界面截图，请参见 毕业设计提交 PR #614。

技术栈

层级	技术
智能体框架	HelloAgents（SimpleAgent + ToolRegistry + CircuitBreaker + ContextBuilder）
后端服务	FastAPI + SQLite + Pydantic
前端应用	Vue 3 + Vite + Ant Design Vue + KaTeX + PDF.js
LLM 接入	DeepSeek-V4 / OpenAI 兼容接口
论文数据源	arXiv + DBLP + OpenAlex + Tavily
PDF 处理	PyMuPDF（fitz）

工程指标

• 搜索链路：意图解析 + SearchRecipe + 多源召回 + LLM 精排
• 推荐链路：arXiv 候选拉取 + 用户兴趣词 + 个性化筛选 + 反馈记忆
• 阅读链路：PDF 解析 + 正文上下文 + 对话历史 + 参考文献查找
• 交互方式：REST API + SSE 流式状态更新
• 数据存储：SQLite 文献库 + 本地 PDF 文件 + 阅读记录

项目结构

.
├─ backend/                 # FastAPI 后端与智能体服务
│  ├─ app/agents/           # SearchAgent / PaperAnalysisAgent / KnowledgeGraphAgent
│  ├─ app/api/              # API 路由、依赖和 SSE 工具事件
│  ├─ app/core/             # Paper 模型、PDF 下载、搜索源适配
│  ├─ app/services/         # 检索、阅读、推荐、记忆、图谱等业务服务
│  ├─ data/                 # 本地数据库与运行数据（不提交）
│  └─ downloads/            # PDF 下载目录（不提交）
├─ frontend/                # Vue 3 前端应用
│  ├─ src/views/            # 搜索、每日论文、文献库、阅读器、知识图谱页面
│  ├─ src/components/       # 论文卡片、搜索结果、工具轨迹、阅读日历等组件
│  ├─ src/composables/      # 搜索对话、历史记录、标题关键词等组合逻辑
│  └─ src/services/         # API 客户端与接口封装
├─ ports.env                # 本地端口配置
├─ start.sh                 # 一键启动脚本
└─ README.md

开发路线图

v1.0（当前版本）

• 自然语言文献搜索
• 多源论文召回与 LLM 精排
• PDF 阅读助手
• 每日论文推荐
• 我的文献库与阅读日历
• 知识图谱可视化

v1.1（计划中）

• 补充搜索、阅读和推荐链路的集成测试
• 增加搜索结果缓存和可复现实验样例
• 优化搜索过程可观测性和错误提示
• 增强知识图谱的关系过滤、编辑和导出能力

v2.0（未来）

• 支持 Docker 一键部署
• 优化移动端与小屏阅读体验
• 引入向量检索或本地语义索引
• 支持团队共享文献库和多用户偏好

许可证

MIT License

作者

GitHub: @DeLunnLi
项目地址: github.com/DeLunnLi/PaperGraph

致谢

感谢 Datawhale 社区和 Hello-Agents 项目。本项目基于 HelloAgents 的智能体、工具注册、上下文构建和熔断能力完成实践探索。