PlantAI-rag/docs/history/v14_spl_pilot_plan.md

V14.2 SPL家族试点测试计划

测试文章（8篇）

文件名	物种	年份	期刊	大小
苦荞SPL2019BMCplantbios12870-019-1916-6.pdf	苦荞	2019	BMC Plant Biology	6.5M
bmc_Brn_SPL_2016.pdf	Brassica	2016	BMC	4.0M
citrus _spl_2023.pdf	柑橘	2023	-	4.2M
frontier_SmG_SPL_2025.pdf	玉米	2025	Frontiers	6.4M
frontier_SPL_FPOWERS_2025.pdf	-	2025	Frontiers	980K
pecan_SPL_2021.pdf	山核桃	2021	-	2.2M
si_SPL_2022.pdf	-	2022	SI	7.4M
sunflower_SPL_2023.pdf	向日葵	2023	-	2.4M

总计: 8篇文章，34MB

执行流程

Phase 1: 获取PC数据（需要你的帮助）

需要从PC数据库导出:

-- 假设PC数据库中有这些表
SELECT * FROM articles WHERE pdf_filename IN (
  '苦荞SPL2019BMCplantbios12870-019-1916-6.pdf',
  'bmc_Brn_SPL_2016.pdf',
  ...
);

SELECT * FROM entities WHERE article_id IN (...);
SELECT * FROM relations WHERE article_id IN (...);

导出格式: JSON 或 CSV 保存位置: /home/xia-lab/gene-family-mas-v2/paper/v14/spl/pc_data/

Phase 2: V14.2提取（自动化）

创建提取脚本:

# v14_spl_extract.py
from src.rag.extractors.v14 import V14Extractor
from pathlib import Path
import json

# 配置
spl_dir = Path('/home/xia-lab/gene-family-mas-v2/paper/v14/spl')
output_dir = spl_dir / 'v14_results'
output_dir.mkdir(exist_ok=True)

# 初始化提取器
extractor = V14Extractor(
    use_pc_data=True,
    use_disambiguation=True,
    use_llm_definitions=False,  # 使用模板，更稳定
    use_neo4j=False
)

# 提取每篇文章
pdf_files = list(spl_dir.glob('*.pdf'))
results = []

for pdf_file in pdf_files:
    print(f"\n{'='*80}")
    print(f"处理: {pdf_file.name}")
    print(f"{'='*80}")
    
    try:
        result = extractor.extract(pdf_file)
        
        # 保存结果
        output_name = pdf_file.stem
        extractor.save_to_json(output_dir / f'{output_name}.json')
        extractor.save_to_csv(output_dir / f'{output_name}.csv')
        
        results.append({
            'filename': pdf_file.name,
            'status': 'success',
            'entities': result['metadata']['total_entities'],
            'relations': result['metadata']['total_relations']
        })
        
    except Exception as e:
        print(f"❌ 失败: {e}")
        results.append({
            'filename': pdf_file.name,
            'status': 'failed',
            'error': str(e)
        })

# 保存汇总
with open(output_dir / 'summary.json', 'w') as f:
    json.dump(results, f, indent=2)

print(f"\n{'='*80}")
print("提取完成!")
print(f"{'='*80}")
for r in results:
    status = '✅' if r['status'] == 'success' else '❌'
    print(f"{status} {r['filename']}")

Phase 3: 对比分析

对比脚本:

# compare_spl_results.py
import json
from pathlib import Path

# 加载PC数据
pc_data_dir = Path('/home/xia-lab/gene-family-mas-v2/paper/v14/spl/pc_data')
# 加载V14.2数据
v14_data_dir = Path('/home/xia-lab/gene-family-mas-v2/paper/v14/spl/v14_results')

# 对比每篇文章
for article in articles:
    pc_result = load_pc_data(article)
    v14_result = load_v14_data(article)
    
    comparison = {
        'article': article,
        'entity_count': {
            'pc': len(pc_result['entities']),
            'v14': len(v14_result['entities'])
        },
        'relation_count': {
            'pc': len(pc_result['relations']),
            'v14': len(v14_result['relations'])
        },
        'common_relations': find_common_relations(pc_result, v14_result),
        'v14_only': find_v14_only_relations(pc_result, v14_result),
        'pc_only': find_pc_only_relations(pc_result, v14_result)
    }

Phase 4: 生成报告

报告内容:

1. 总体对比（实体数、关系数）
2. 每篇文章详细对比
3. 典型案例分析
4. 问题与建议

时间安排

阶段	时间	负责人
Phase 1: 获取PC数据	今天	你
Phase 2: V14.2提取	明天	我
Phase 3: 对比分析	后天	我
Phase 4: 报告生成	第4天	我

成功标准

最低标准:

• 8篇文章全部提取成功
• V14.2关系数 >= PC关系数的 70%

优秀标准:

• V14.2关系数 >= PC关系数的 90%
• 发现PC遗漏的关系（V14.2独有）

风险控制

风险	应对
V14.2提取失败	使用轻量级模式（禁用大文件）
PC数据缺失	优先处理有PC数据的文章
内存不足	单篇处理，及时清理缓存

---

下一步: 需要你从PC数据库导出这8篇文章的提取结果