学术评价
概览
一篇论文被哪些院士与会士引用过、原话怎么说——并据此写成可引用的评价材料。
- 状态
- live
- 文档 id
target_key如arxiv:2402.03216- 引用格式
[appraise:]
常用调用
一篇论文有哪些大佬评价过
POST /v1/appraise/search {"query": "BGE-M3"} → hits[].id 是 arxiv:<id>，brief 里就有人数和态度分布看原话
GET /v1/appraise/read/arxiv:2402.03216 → 默认 level=detail：名单 + 每条引用的原句、类型、态度只看中国两院院士的正面评价
GET /v1/appraise/read/arxiv:2402.03216?org=CAS,CAE&stance=positive写成中文评价材料
POST /v1/appraise/ask {"query": "BGE-M3 有哪些知名学者的评价", "effort": "medium"} → 按人成稿，每段附英文原句给它一篇论文——标题、arXiv id，或者大家平时叫它的名字——它给出引用过这篇论文的院士与会士、每个人写下的那句话，以及那句话是背书还是只是列举。resolved_by 说明论文是怎么被认出来的：citation-alias 表示这个名字活在别人的参考文献里，而不在论文自己的标题里。
细则
- 覆盖面：只覆盖这批人署名、且有 arXiv 全文的论文；他们发在期刊/会议但不上 arXiv 的论文不在内，非院士/会士的引用也不在内。「没命中」只说明这批人的 arXiv 论文里没引过，不等于没被引用过。
- id 三种形态：arxiv:2402.03216（裸 id 也认）、doi:10.1145/…、title:<原标题>。前两种是精确撞库（~40ms）；title: 是参考文献归一化全文的子串匹配，3–6 秒，且同名标题可能误配，返回里会带 warnings。
- search 没有向量：query 先过 papers 域的语义检索认出论文（所以写标题、写模型名、写一句话描述都行），再拿 arXiv id 撞库。认错了就直接用 id 读：read arxiv:<id>。
- type / stance / about_target / claim / zh 都是模型标注（gemma / Atria），原句 sentence 才是证据。写进材料的话以原句为准，annotated=false 的句子还没标注。
- level=detail 默认只给有态度的引用类型（endorse / buildon / exemplar / baseline / resource / critique / motivate），background（纯背景罗列）占总量一半以上，要全部用 level=full 或 type= 指定。
- ask 的成稿规则：可以把 early work 写成「早期开创性工作」、baseline 写成「被作为对比基准」，但不得给出原句里没有的定性（「效果显著」「优于同类方法」「首创」都不行）；每段后面附英文原句，看材料的人能核。
- people[].person_id 是人才库（talent 域）的 id，可以直接 read talent <person_id> 看这位的完整档案。
- 引用句的归属：author-year 式参考文献（"Li et al., 2025"）可能对应多条，这种句子标了 ambiguous=true。
检索
POST
/v1/appraise/search混合检索，每条命中一张卡片。3 credits。免费样例：
BGE-M3。过滤字段
| 字段 | 类型 · op | 含义 |
|---|---|---|
| org | keyword · eq anyCAS · CAE · NAS · NAE · ROYALSOC · RAENG …共 13 个，/facets 可列全 | 荣誉来源：CAS / CAE（中科院、工程院院士）、NAS / NAE（美国两院）、ROYALSOC / RAENG（英国）、ACM / IEEE / AAAI / ACL / AAAS / IAPR / CCF（会士）；可多选 |
| bucket | keyword · eq anyacademy · major · other | 分量：academy（院士）/ major（ACM、IEEE 等大学会会士）/ other |
| stance | keyword · eq anypositive · neutral · negative | 这句引用的态度（模型标注）：positive / neutral / negative |
| type | keyword · eq anyendorse · buildon · exemplar · baseline · critique · resource · motivate · background | 引用类型（模型标注）：endorse 背书 / buildon 在其基础上做 / exemplar 当代表性工作举例 / baseline 当对比基准 / resource 用了它的模型或数据 / critique 指出不足 / motivate 用它说明问题 / background 背景罗列 |
| about_target | bool · eq | 这句话是在说这篇论文本身（true），还是顺带提到（false） |
| min_h_index | integer · eq | 只要 h-index 不低于这个数的人 |
| honoree | text · text | 按人名筛（中/英，子串）：{"text": "陈恩红"} |
| citing_year | integer · eq range | 施引论文的年份，支持区间 |
还有 4 个，照样能用
| 字段 | 类型 · op | 含义 |
|---|---|---|
| affiliation | text · text | 按施引者的单位筛（Google Scholar 单位串，子串） |
| section | text · text | 引用出现在施引论文的哪一节（子串，如 related work / experiments） |
| mentions_name | bool · eq | 原句里是否点了方法/模型的名字 |
| annotated | bool · eq | 是否已过模型标注（false = 还没标，只有原句） |
参数
| 参数 | 类型 | 说明 |
|---|---|---|
| query 必填 | string | 1–1000 字符。也可以是最多 5 条的数组（批量，hits 变 results[]）。 |
| top_k | integer= 10 | 1–20。 |
| fields | brief · head= brief | head 多扣 1 credit，每条附 head 视图。 |
| filters | json | 过滤 DSL 对象（见快速开始）；可用字段见上表。 |
| mode | hybrid · title= hybrid | 检索模式。不传就用第一个。 |
| offset | integer= 0 | 翻页。 |
示例
{ "domain": "appraise", "query": "…", "hits": [ { "id": "arxiv:2402.03216", "score": 0.83, "brief": { … } } ], "total": null, "coverage": …, "warnings": [],
"meta": { "request_id": "req_…", "credits": { "charged": 2, "balance": 1998, "pool": "allowance" }, "latency_ms": 41, "cached": false } } 用了未声明的过滤字段返回 400，不会静默忽略。过滤条件是 AND；可用
_or / _not。读
GET
/v1/appraise/read/{target_key}三档深浅，不传就是
detail。免费样例：arxiv:2402.03216。三档
| 深浅 | credits | 返回 |
|---|---|---|
| brief | 1 | 汇总卡片：多少位院士/会士、多少篇施引论文、多少条引用句、态度分布、类型分布、最有分量的一句 |
| detail （默认） | 3 | 名单 + 原句（默认 level=detail）：每人每条引用的类型、态度、是否针对本文、模型给的一句话 claim、中文直译、英文原句、出现在哪一节、施引论文。默认只给有态度的类型（不含 background），用 type= 参数可以要全部 |
| full | 5 | 全部证据（level=full）：连 background 一起给，每句带前后文和参考文献原文——核材料用 |
侧面
同一份文档的另一个侧面，与 level 二选一。
| 侧面 | credits | 返回 |
|---|---|---|
| honorees | 2 | 名单：每位院士/会士的中文头衔、单位、h-index、人才库 person_id，以及他引用了几次、哪几篇论文里引的（不含原句） |
参数
| 参数 | 类型 | 说明 |
|---|---|---|
| target_key (path) 必填 | string | 文档 id（target_key）。 |
| level | brief · detail · full= detail | 读多深。 |
| extra | honorees | 改读某个侧面，与 level 二选一。 |
| format | json · md · html= json | 响应形态。 |
| stance | string | positive / neutral / negative，逗号分隔 （level = detail） |
| type | string | endorse / buildon / exemplar / baseline / resource / critique / motivate / background，逗号分隔 （level = detail） |
| org | string | CAS,CAE / ACM / IEEE …，逗号分隔 （level = detail） |
| bucket | string | academy / major / other （level = detail） |
| min_h_index | integer | h-index 下限 （level = detail） |
| honoree | string | 按人名筛（子串） （level = detail） |
| section | string | 按节名筛（子串） （level = detail） |
| max_sentences | integer= 8 | 每人最多几条原句 （level = detail） |
示例
{ "domain": "appraise", "id": "arxiv:2402.03216", "level": "detail", "view": "citations", "data": { … } | "text": "…", "token_count": 1834, "meta": { … } } 旧写法
GET /v1/appraise/doc/{id}?view=… 仍然可用。批量读
POST
/v1/appraise/read最多 50 个 id，同一档。查不到的 id 返回
error: "not_found"，不扣费。参数
| 参数 | 类型 | 说明 |
|---|---|---|
| ids 必填 | string[] | 文档 id 列表。 |
| level | brief · detail · full= detail | 所有 id 共用的档。 |
| extra | honorees | 改读某个侧面。 |
示例
{ "domain": "appraise", "level": "detail", "docs": [ { "id": "…", "data": { … } }, { "id": "…", "error": "not_found" } ], "meta": { … } } Facets
GET
/v1/appraise/facets?field={field}某个过滤字段的合法值，agent 不用猜；预聚合字段带计数，声明的枚举没有。免费、不需要 key。
参数
| 参数 | 类型 | 说明 |
|---|---|---|
| field 必填 | org · bucket · type · stance | 有 facets 的过滤字段。 |
| limit | integer= 50 | 最多返回多少个值。 |
示例
{ "domain": "appraise", "field": "…", "values": [ { "value": "…", "count": 3120 } ], "meta": { … } } 问registered key+ /stream
POST
/v1/appraise/ask把「某篇论文有哪些知名学者的评价」写成中文材料：先把问题里的论文认出来（papers 域语义检索 → arXiv id），撞库取院士/会士的引用原句，再按人成稿。措辞正面但不得超出原句信息，每段后附英文原句和出处。effort 决定写几位（low 5 / medium 10 / high 20）。
effort low / medium / high 对应 50 / 100 / 200 credits。加 /stream 走 NDJSON，第一个事件一定是 billing。首个 answer_delta 之前失败会退款。参数
| 参数 | 类型 | 说明 |
|---|---|---|
| query 必填 | string | 1–2000 字符。问得具体；要数字就直接问数字。 |
| paper | string | 直接给定论文（arXiv id / DOI / 标题），跳过 resolve |
| filters | string | 限定取哪些引用（同 search 的 filters） |
| effort | low · medium · high= low | 检索轮数，也决定价格：50 / 100 / 200 credits。套餐限制最高档。 |
| verbose | bool= false | 返回工具调用轨迹（流式时多 tool_call / tool_result / thinking 事件）。 |
| top_k | integer= 10 | 预取候选数。 |
| stream_answer | bool= true | 仅流式：false 时只发一个 answer 事件。 |
| max_rounds | integer | 0–8，覆盖 effort 预设。 |
| force_answer_after | number | 秒；强制切入作答阶段。 |
| max_answer_tokens | integer= 4096 | 触顶时置 answer_truncated。 |
| language | string | 回答语言，默认跟随 query。 |
示例
{ "answer": "… [appraise:<honoree_id> <name>] …", "sources": [ … ], "stats": { "rounds": 1, "elapsed_s": 6.2, "answer_truncated": false }, "coverage"?: { … }, "meta": { "credits": { "charged": 50, … } } } 引用是真的——
answer 里的每个 id 都存在于本垂域（格式 [appraise: ] ）。sources 是召回集，不是引用列表。answer_truncated 表示不完整。