PlantAI-rag/docs/V14_Migration_Plan.md

V14 迁移计划与问答

日期: 2026-04-18 20:27
版本: V14 → V14.1

---

问题1: 数据层加载目的和使用方式

1.1 加载目的

数据文件	加载目的	使用场景
scientific_chunks.json (43,561别名)	实体标准化	将不同写法的同一实体统一为标准名
gene_alias.json (17,618基因)	基因别名扩展	识别基因的所有可能写法
relationships_by_category_final.json (788模式)	关系抽取	扩展关系匹配能力
all_dic.json (238万实体)	实体验证	验证识别的实体是否有效

1.2 使用方式

场景1: 实体标准化

# 原文: "sucrose transporter 5 was expressed in leaves"
# 识别到实体: "sucrose transporter 5"

# 使用scientific_chunks.json标准化
alias_map = {
    'sucrose transporter 5': 'SUC5',
    'suc transporter 5': 'SUC5',
    'at1g71890': 'SUC5',
}

# 标准化后
entity.name = "sucrose transporter 5"
entity.name_resolved = "SUC5"  # 标准名

场景2: 基因别名扩展

# 识别到基因: "SUC5"

# 使用gene_alias.json扩展别名
gene_aliases = {
    'SUC5': ['ATSUC5', 'SUC5', 'AT1G71890']
}

# 扩展后
entity.aliases = ['ATSUC5', 'SUC5', 'AT1G71890']

场景3: 关系抽取

# 使用788种PC模式匹配关系
patterns = [
    'induced by', 'regulated by', 'activated by',
    'localized to', 'expressed in', ...  # 788种
]

# 匹配: "SUC5 was induced by drought"
# 结果: relation="induced_by"

1.3 是否与提取数据冲突？

答案: 不会冲突，而是增强

V14提取流程:
├─ 文本解析 (MinerU)
├─ 实体识别 (V14规则)
├─ **实体标准化 (PC数据层)** ← 增强
├─ 关系抽取 (V14规则 + PC模式) ← 增强
├─ **消歧 (PC别名)** ← 增强
└─ 输出

示例:

原文: "suc transporter 5 was up-regulated by stress"

V14基础识别:
- 实体: "suc transporter 5" (gene)
- 关系: "was up-regulated by"

PC数据层增强后:
- 实体: "suc transporter 5" → 标准化为 "SUC5"
- 别名: ["ATSUC5", "SUC5", "AT1G71890"]
- 关系: "was up-regulated by" → 标准化为 "up_regulated_by"

---

问题2: LLM定义生成基于什么？

2.1 当前V14实现

基于模板 (非LLM):

templates = {
    'gene': "A gene encoding {name}, involved in biological processes.",
    'tissue': "A plant tissue where {name} is expressed.",
}

# 生成: "A gene encoding SUC5, involved in biological processes."

2.2 PC的LLM实现

基于检索到的上下文:

def generate_definition(entity_name, context):
    """
    基于文本上下文调用LLM生成定义
    不是基于LLM预训练知识，而是基于当前文献的上下文
    """
    prompt = f"""
    基于以下文本，生成"{entity_name}"的定义:
    
    文本: {context}
    
    要求: 基于文本内容生成，不要添加外部知识。
    """
    return llm.generate(prompt)

# 示例:
# 文本: "SUC5 encodes a sucrose/H+ symporter that facilitates 
#        sucrose transport in phloem..."
# 
# 生成: "SUC5 encodes a sucrose/H+ symporter involved in phloem loading."

2.3 关键区别

方式	基于	优点	缺点
V14模板	预定义模板	快速、确定、成本低	通用、无文献特异性
PC LLM	检索到的文本上下文	文献特异性、准确	慢、成本高

建议: V14可以升级为基于检索的LLM生成，但保持模板作为fallback。

---

问题3: 被动转主动映射迁移

3.1 我的建议: ✅ 直接迁移PC的

原因:

1. PC的映射已经经过验证
2. 14个规则覆盖常见情况
3. 无需重新发明轮子

3.2 PC的完整映射

passive_to_active = {
    # 调控关系
    'induced by': 'induces',
    'regulated by': 'regulates',
    'is regulated by': 'regulates',
    'activated by': 'activates',
    'controlled by': 'controls',
    'mediated by': 'mediates',
    'inhibited by': 'inhibits',
    
    # 因果关系
    'caused by': 'causes',
    'affected by': 'affects',
    
    # 编码关系
    'encoded by': 'encodes',
    
    # 生产关系
    'produced by': 'produces',
    
    # 需求关系
    'required for': 'requires',
    
    # 定位关系
    'localized to': 'localizes to',
    
    # 表达关系
    'expressed in': 'expressed in',
}

3.3 迁移实现

现在执行迁移到V14: