# csnl-paper-scout：多智能体神经科学论文推荐系统与学术工作流自动化

> csnl-paper-scout 是首尔国立大学认知与系统神经科学实验室（CSNL）开发的 AI 驱动论文推荐流水线。该系统通过语义嵌入 RAG 自动发现相关论文，采用五维价值评分和六智能体团队起草，最终将推荐发布到 Slack，实现端到端的学术信息自动化。

- 板块: [Openclaw Llm](https://www.zingnex.cn/forum/board/openclaw-llm)
- 发布时间: 2026-03-31T08:14:12.000Z
- 最近活动: 2026-03-31T08:30:50.184Z
- 热度: 163.7
- 关键词: Neuroscience, Paper Recommendation, Multi-Agent, RAG, Slack, Academic Workflow, Semantic Embedding, Literature Review, CSNL, OpenRouter
- 页面链接: https://www.zingnex.cn/forum/thread/csnl-paper-scout
- Canonical: https://www.zingnex.cn/forum/thread/csnl-paper-scout
- Markdown 来源: ingested_event

---

## 项目背景

在学术研究领域，跟踪最新文献是研究者日常工作的重要组成部分。然而，随着论文发表数量的爆炸式增长，人工筛选相关文献变得越来越困难。对于专注于特定研究方向（如认知与系统神经科学）的实验室而言，如何从海量文献中精准发现与本组研究高度相关的论文，是一个持续的挑战。

首尔国立大学认知与系统神经科学实验室（Cognitive & Systems Neuroscience Lab, CSNL）开发的 csnl-paper-scout 项目，正是为解决这一问题而设计的 AI 驱动论文推荐流水线。该系统通过语义嵌入和 RAG（检索增强生成）技术，自动扫描神经科学期刊，评估论文与实验室研究的相关性，并通过多智能体协作生成推荐内容，最终发布到 Slack 供团队成员阅读。

## 系统架构

csnl-paper-scout 采用五阶段流水线架构：

```
Scan ──→ Score ──→ Team ──→ Review ──→ Post
(RAG)  (D1-D5)   (6-agent) (Group)   (Slack)
  │
 ┌───────┼───────┐
 Drafter Evaluators Editor
  │       │       │
 └── Feedback Loop ┘
   (max 3 rounds)
```

### Phase 1: Scan（扫描）

扫描阶段采用 90 天滚动窗口，通过双重语义门禁机制筛选论文：

- **Zotero 相似度 ≥ 0.4**：利用实验室现有文献库进行初步过滤
- **嵌入向量相似度 ≥ 0.45**：基于 OpenRouter API 计算语义相似度

这种双重过滤机制确保了进入后续阶段的论文具有足够的研究相关性。

### Phase 2: Score（评分）

通过五个维度（D1-D5）评估论文价值，采用最大值而非平均值作为综合评分：

| 维度 | 名称 | 评估重点 |
|------|------|----------|
| D1 | Direct | 与实验室研究方向的直接关联度 |
| D2 | Tension | 与现有理论的冲突或补充潜力 |
| D3 | Method | 方法学上的借鉴价值 |
| D4 | Competitive | 与竞争研究的对比价值 |
| D5 | Reframing | 对研究问题的重新框架能力 |

评分标准：
- **9-10 分**：立即阅读并采取行动
- **7-8 分**：强关联，直接价值
- **5-6 分**：有意义，方法或现象有重叠
- **0-4 分**：关联较弱或无关联

### Phase 3: Team（团队起草）

采用六智能体协作模式生成推荐内容：

1. **Drafter（起草者）**：基于论文内容生成初稿
2. **Hook Evaluator（钩子评估者）**：评估开场吸引力
3. **Visual Agent（视觉智能体）**：分析图表价值
4. **Accuracy Evaluator（准确性评估者）**：核实技术细节
5. **Member Advocate（成员代言人）**：从特定成员角度评估相关性
6. **Final Editor（最终编辑）**：整合反馈，输出终稿

支持最多 3 轮反馈循环，确保推荐质量。

### Phase 4: Review（审核）

对于评分在 7-8 分的边缘论文，可选进行分组同行评审：
- Group A/B/C 分别代表实验室的不同研究小组
- 通过集体讨论决定是否推荐

### Phase 5: Post（发布）

将最终推荐发布到 Slack 的 `#study-paper-reading` 频道：
- 格式：韩文内容 + 英文引用
- 使用 Slack mrkdwn 格式
- **重要**：发布前需要用户确认，绝不静默发布

## 数据与配置管理

### 中心配置（context-bundle.json）
包含实验室成员信息、研究项目、评分标准等核心配置。

### 阅读数据库（reading-db/）
记录论文阅读历史，按 DOI/标题去重，避免重复推荐。

### 成员画像（member-profiles/）
自动生成每位成员的兴趣画像，包括：
- 关注主题频率
- 追踪作者列表
- 阅读历史

### 合作网络（pi_network_data.json）
记录 PI（首席研究员）的合作网络，用于评估论文的外部关联价值。

### 期刊分级（journals.md）
目标期刊的分级列表，用于初步筛选。

### 追踪作者（tracked_authors.md）
实验室重点关注的作者列表。

## 自动同步机制

sync/sync_reading_db.py 模块实现了 Slack 消息的自动解析和同步：

**功能**：
- 解析 `#study-paper-reading` 频道的消息
- 更新阅读数据库（论文引用、笔记、主题）
- 更新成员画像（主题频率、追踪作者、阅读历史）
- 自动更新 context-bundle 中的 `_reading_profile` 字段

**命令**：
```bash
# 同步新消息
paper scout sync

# 完整历史同步
paper scout sync full

# 从画像更新配置
python sync/sync_reading_db.py --update-context
```

这种设计形成了一个闭环：系统推荐论文 → 成员阅读讨论 → 反馈更新画像 → 优化后续推荐。

## 质量评估体系

项目建立了七维度的质量评估体系（harness/）：

| 维度 | 名称 | 评估类型 |
|------|------|----------|
| E1 | Structural Compliance | 自动化 |
| E2 | Semantic Fidelity | LLM 评估 |
| E3 | Member Targeting | LLM 评估 |
| E4 | Hook Effectiveness | 自动化 |
| E5 | Agent Convergence | 自动化 |
| E6 | Pipeline Coherence | LLM 评估 |
| E7 | Safety | 自动化（硬失败门禁） |

评分等级：
- **A（≥0.85）**：优秀
- **B（0.70）**：良好
- **C（0.55）**：合格
- **D（0.40）**：待改进
- **F（<0.40 或 E7 失败）**：不合格

## 实验室成员与研究方向

csnl-paper-scout 的配置反映了 CSNL 实验室的研究格局：

**Group A - 贝叶斯与感知决策**
- 序列依赖、粒度感知、赌徒谬误等决策偏差的贝叶斯建模

**Group B - 工作记忆与神经编码**
- RNN 建模、漂移扩散动力学、视觉工作记忆的神经表征

**Group C - 视觉皮层与感知**
- 感受野各向异性、定向特异性功能连接、共圆性等视觉处理机制

**独立研究者**
- 序列依赖的空间参考框架、特征绑定等工作记忆研究

## 技术实现细节

### 嵌入服务
- 使用 OpenRouter API 进行文本嵌入
- 支持多种嵌入模型选择

### PDF 处理
paper-scout-figures.py 模块负责：
- PDF 图表提取
- 图表重要性排序
- 为视觉智能体提供输入

### 部署方式
项目设计为与 Claude Code 配合使用：
```bash
# 克隆仓库
git clone https://github.com/Joonoh991119/csnl-paper-scout.git
cd csnl-paper-scout

# 设置 API 密钥
export OPENROUTER_API_KEY="your_key"

# 启动 Claude Code
claude
```

## 创新点与借鉴价值

### 研究相关性的量化评估
通过 D1-D5 五维评分体系，将模糊的"相关性"概念转化为可量化的指标，为自动化筛选提供了可操作的框架。

### 多智能体协作写作
六智能体团队的设计体现了专业分工和迭代优化的思想，每个智能体专注于特定维度，通过反馈循环提升整体质量。

### 闭环学习机制
自动同步模块将用户反馈（Slack 讨论）转化为系统改进信号，实现了推荐系统的持续优化。

### 人机协作边界设计
在发布环节强制要求用户确认，尊重人类在信息筛选中的最终决定权，避免了自动化系统的过度侵入。

## 适用场景与扩展性

csnl-paper-scout 的设计思路可扩展到：

**其他学科领域**：通过调整 context-bundle 中的研究主题和期刊列表，可适配其他学科。

**企业技术追踪**：替换神经科学期刊为技术博客、arXiv 计算机科学类别，可用于企业技术趋势监控。

**个人文献管理**：简化多智能体流程，可作为个人文献推荐助手。

**开源社区维护**：追踪特定技术领域的最新进展，自动向社区成员推送相关更新。

## 总结

csnl-paper-scout 代表了学术研究自动化的一个典型实践。它不是一个通用的文献推荐工具，而是深度结合特定实验室研究方向的定制化解决方案。通过语义嵌入、多维度评分、多智能体协作和闭环学习，它在自动化效率和推荐质量之间找到了平衡点。

对于希望构建类似系统的研究实验室，该项目提供了完整的技术参考和实现思路。其模块化设计和清晰的阶段划分，使其他团队能够根据自身需求进行裁剪和扩展。