# PlantScience.ai 技术深度分析

## 如何提高提取准确度

### 1. 核心技术栈

| 组件 | 技术 | 作用 |
|:---|:---|:---|
| PDF解析 | **Grobid** | 将PDF转为结构化文本 |
| 知识提取 | **GPT-4o-mini** | NER + 关系提取 |
| 文本处理 | 滑动窗口 (1500 tokens + 200 overlap) | 处理长文本 |
| 知识存储 | Neo4j | 知识图谱存储 |

### 2. 提高准确度的关键技术

#### 2.1 In-Context Learning (上下文学习)
```
方法: 在prompt中加入5个专家手工编写的示例
作用: 让LLM理解领域特定的实体类型和关系模式
效果: 提高NER和关系提取的准确性
```

#### 2.2 多轮审查机制 (Multi-round Scrutiny)
```
第一轮: 提取所有生物实体
第二轮: 审查问题1 - "当前提取是否覆盖了原文中所有生物实体？"
第三轮: 审查问题2 - "当前提取是否包含了原文中不存在的生物实体？"
第四轮: 提取实体间的关系
```

#### 2.3 滑动窗口 + 重叠
```
窗口大小: 1500 tokens
重叠: 200 tokens
作用: 确保跨窗口的实体和关系不被遗漏
```

#### 2.4 文本预处理
```
- 标准化编码
- 修正特殊字符
- 过滤换行符
- 全部转为小写
```

### 3. 知识图谱构建流程

```
PDF → Grobid解析 → 文本分块 → GPT-4o-mini提取 → 多轮审查 → 
实体标准化(同义词合并) → 生成描述 → 分类(预定义类别) → Neo4j存储
```

### 4. 数据规模

| 时间 | 实体数 | 关系数 |
|:---|:---|:---|
| 2025年6月 | 120万 | 400万 |
| 2025年9月 | 180万 | - |

### 5. 评估结果

与通用LLM对比 (1770个问题，19个类别):

| 模型 | PlantScience.ai胜率 |
|:---|:---|
| Gemini Pro | 82.3% |
| Gemini Flash | 86.0% |
| Opus 4.5 | 87.6% |
| Haiku-4.5 | 73.1% |
| GPT-5 | 73.5% |
| GPT-4o-mini | 86.0% |

### 6. 关键技术对比

| 技术 | PlantScience.ai | Gene Family MAS |
|:---|:---|:---|
| **PDF解析** | Grobid | PyMuPDF |
| **LLM提取** | GPT-4o-mini (必须) | 可选 (本地/远程) |
| **In-Context Learning** | ✅ 5个示例 | ✅ 可配置 |
| **多轮审查** | ✅ 显式审查问题 | ✅ 置信度评分 |
| **滑动窗口** | ✅ 1500+200 | ❌ 整篇处理 |
| **补充材料获取** | ❌ | ✅ v5 Universal |
| **系统发育提取** | ❌ | ✅ 专有提取器 |
| **可追溯性** | ✅ DOI链接 | ✅ 来源引用 |

### 7. PlantScience.ai的优势

1. **大规模数据**: 180万实体，400万关系
2. **领域覆盖广**: 整个植物生物学
3. **持续学习**: 增量更新机制
4. **人工反馈**: 150+科学家参与测试

### 8. PlantScience.ai的局限

1. **依赖OpenAI**: 必须使用GPT-4o-mini，成本高
2. **通用性强但深度不足**: 无基因家族特定功能
3. **无补充材料获取**: 无法获取PMC补充材料
4. **无系统发育提取**: 无法提取系统发育分组信息

### 9. 可以借鉴的技术

#### 9.1 In-Context Learning
```python
# 在v5提取器中添加示例
EXAMPLES = [
    {
        "text": "The CYP71 clan contains 43 genes...",
        "entities": ["CYP71", "genes"],
        "groups": {"Group_71": ["CYP71D1", "CYP71D2"]}
    },
    # 更多示例...
]
```

#### 9.2 多轮审查机制
```python
# 添加审查步骤
def scrutinize_extraction(text, extraction):
    """审查提取结果"""
    questions = [
        "Does the extraction cover all phylogenetic groups?",
        "Does the extraction contain any non-existent genes?",
        "Are all gene IDs in the correct format (e.g., CYP71D1)?"
    ]
    # 使用LLM审查...
```

#### 9.3 滑动窗口处理
```python
# 添加滑动窗口
def sliding_window_extract(text, window_size=1500, overlap=200):
    """滑动窗口提取"""
    chunks = []
    for i in range(0, len(text), window_size - overlap):
        chunk = text[i:i + window_size]
        chunks.append(chunk)
    # 合并结果...
```

### 10. 结论

PlantScience.ai通过以下方式提高准确度:
1. **In-Context Learning**: 领域示例引导
2. **多轮审查**: 自我纠错机制
3. **滑动窗口**: 避免长文本遗漏
4. **大规模验证**: 150+专家反馈

**Gene Family MAS可以借鉴**:
- 添加In-Context Learning示例
- 实现多轮审查机制
- 添加滑动窗口处理长文本
- 保持v5提取器的补充材料获取优势

**Gene Family MAS的差异化优势**:
- 专精基因家族分析
- v5系统发育提取（独有）
- 补充材料智能获取（独有）
- 可选本地LLM（无OpenAI依赖）