Discovery Engine

{ “overview_html”: “Discovery Engine 是一款专为跨学科科研发现设计的文献结构化提取工具，其核心目标是打破不同领域研究之间的信息孤岛。在科学研究中，常常出现这样的情况：一篇关于纳米过滤技术的论文提供了某种选择性传输机制，而另一篇关于药物递送的论文则需要类似的功能，但由于发表在不同期刊、使用不同术语，双方永远无法建立联系。Discovery Engine 通过从科学论文中提取‘提供/需求’（provides/requires）关系，构建一个知识图谱，自动识别并连接这些隐藏的知识桥梁。该工具要求用户直接阅读论文摘要文本，并按照预设格式手动生成结构化的 JSON 数据，从而确保提取结果的准确性和可解释性。整个过程无需依赖外部 API 或大语言模型调用，完全基于本地脚本和标准库运行，保证了数据处理的透明度和可控性。”, “feature_items”: [ “自动发现新论文并排除已处理内容，支持按来源（如 arXiv、PMC）筛选”, “基于详细提示模板（prompt.txt）进行结构化提取，包含事实与跨域两部分内容”, “提取结果以标准 JSON 格式保存，支持批量验证和提交为 GitHub PR”, “知识图谱通过‘提供’与‘需求’接口匹配不同领域研究，促进跨学科连接”, “内置完整的数据校验流程，确保输出符合预定义模式（schema.json）” ], “scenarios_html”: “Discovery Engine 最适合那些致力于推动跨学科创新的研究者或团队。例如，材料科学家可能正在开发一种新型膜技术以实现分子级分离，而生物工程师则在寻找能精准靶向肿瘤的药物载体系统——两者看似无关，实则共享‘选择性传输’这一核心功能需求。借助 Discovery Engine，前者可以提取其技术‘提供’的选择性通道能力，后者则可声明其系统‘需要’此类能力，工具会自动在知识图谱中建立关联，揭示潜在的合作机会或技术迁移路径。另一个典型场景是文献综述工作：当研究者面临海量分散在不同子领域的相关论文时，传统方法难以全面梳理交叉线索，而 Discovery Engine 能帮助系统化地识别各篇论文的核心贡献与功能接口，快速构建全局视角。此外，对于希望参与开源科研知识库建设的研究人员而言，该工具提供了标准化的贡献流程，允许将个人提取成果通过 GitHub Pull Request 提交至公共仓库，由自动化 CI 系统进行质量审核后合并入库，形成持续积累的跨领域知识网络。” }