PlantAI-rag/docs/analysis/AUTOSKG_INSIGHTS.md

autoSKG 项目启发分析

项目: https://github.com/COLA-Laboratory/autoSKG 分析时间: 2026-03-31 目标: 提取对gene-family-mas-v2的技能启发

---

🎯 autoSKG 核心定位

autoSKG = Automated Scientific Knowledge Graph Construction Pipeline

核心功能:

• 从PDF自动提取结构化知识
• 构建领域特定的知识图谱 (KG)
• 支持增量更新 (持续演化)
• 可追溯性 (每个实体链接到原始文献)
• 为 PlantScience.ai 虚拟科学家提供后端引擎

技术栈:

• Docker化部署
• OpenAI GPT处理
• 知识图谱存储

---

💡 对 gene-family-mas-v2 的关键启发

启发1: 知识图谱 (KG) 是核心 🔥

autoSKG做法:

PDF → 实体提取 → 关系抽取 → 知识图谱 → 虚拟科学家

当前我们的做法:

PDF → 文本块 → 向量索引 → RAG检索 → 回答

差距:

维度	autoSKG	我们当前
数据结构	图结构 (实体-关系)	向量索引
推理能力	强 (图遍历)	弱 (相似度匹配)
可解释性	强 (关系路径)	中 (引用来源)
知识整合	自动融合	手动处理

建议:

• ✅ 在Phase 4构建知识图谱
• ✅ 实体: 基因、物种、家族、分组
• ✅ 关系: belongs_to, expressed_in, interacts_with

---

启发2: 增量更新机制 🔥

autoSKG特性:

• 检测新PDF
• 自动提取新知识
• 与现有KG融合
• 避免重复处理

我们的现状:

• 批量处理PDF
• 重新生成索引
• 无增量机制

建议:

# 增量更新流程
新PDF → 提取实体关系 → 与现有KG对比 → 
    ├── 新实体 → 添加
    ├── 已有实体 → 更新属性
    └── 冲突 → 人工审核

---

启发3: 可追溯性设计 🔥

autoSKG特性:

"Every entity and relationship in the graph is linked to its original publication source"

我们的现状:

• 有source字段
• 但不够细粒度

改进建议:

entity = {
    "name": "FtSPL1",
    "type": "gene",
    "source": {
        "pmid": "31286919",
        "paper": "Fagopyrum_tataricum_SPL_2020",
        "section": "Results-Phylogeny",
        "sentence": "Group I contained three genes (FtSPL1, FtSPL17, and FtSPL19)",
        "confidence": 0.95
    }
}

---

启发4: Docker化生产部署 🔥

autoSKG做法:

• 完整Docker Compose
• 一键启动
• 可复现、可扩展

我们的现状:

• 部分Docker支持
• 配置分散
• 部署复杂

建议:

# docker-compose.yml
version: '3.8'
services:
  rag-api:
    build: ./api
    ports:
      - "8000:8000"
  
  qdrant:
    image: qdrant/qdrant
    ports:
      - "6333:6333"
  
  neo4j:  # 新增
    image: neo4j:5.14
    ports:
      - "7474:7474"
      - "7687:7687"
  
  frontend:
    build: ./frontend
    ports:
      - "3000:3000"

---

启发5: 领域特定优化 🔥

autoSKG: 专为植物生物学设计

我们: 专为基因家族分析设计

可以借鉴:

autoSKG (植物)	我们 (基因家族)
植物特有实体	基因家族特有实体
代谢通路	系统发育树
表型特征	表达模式
胁迫响应	功能验证

建议: 深化基因家族领域知识

• 标准分析11个stage
• 每个stage的特定实体关系
• 分析方法参数提取

---

📊 能力对比矩阵

能力	autoSKG	我们当前	优先级
知识图谱	✅ 核心	⏳ Phase 4	P1
增量更新	✅ 支持	❌ 无	P2
可追溯性	✅ 细粒度	⚠️ 粗粒度	P1
Docker部署	✅ 完整	⚠️ 部分	P2
领域优化	✅ 植物	✅ 基因家族	-
虚拟科学家	✅ PlantScience.ai	⏳ 目标	P1
持续演化	✅ 自动	❌ 手动	P3

---

🎯 立即行动建议

短期 (本周)

1. 知识图谱设计

   # 实体类型
   entities = ["Gene", "GeneFamily", "Species", "PhylogeneticGroup", 
               "ExpressionPattern", "Domain", "Motif"]
   
   # 关系类型
   relations = ["belongs_to", "expressed_in", "contains_domain", 
                "interacts_with", "ortholog_to"]
   

2. 细粒度溯源

   • 添加section/paragraph/sentence级别溯源
   • 置信度评分

中期 (本月)

3. Neo4j集成

   • 安装Neo4j
   • 实体关系导入
   • Cypher查询接口

4. 增量处理

   • PDF变更检测
   • 差异提取
   • 自动更新

长期 (下月)

5. Docker化

   • 完整docker-compose
   • 一键部署
   • 生产配置

6. 虚拟科学家

   • 整合所有技能
   • 多轮对话
   • 推理可视化

---

🔗 参考架构

autoSKG架构

input_pdfs/
    └── PDF files
        ↓
Docker Compose Pipeline
    ├── Text Extraction
    ├── Entity Extraction (GPT)
    ├── Relation Extraction (GPT)
    └── KG Construction
        ↓
kg_project/output/
    └── Knowledge Graph
        ↓
PlantScience.ai (Virtual Scientist)

我们的目标架构

input_pdfs/ (gene family papers)
    └── PDF files
        ↓
Gene Family RAG Pipeline
    ├── Text Extraction (PyMuPDF)
    ├── Phylogeny Extraction (v5) ✅
    ├── Expression Extraction (Phase 5)
    ├── Entity Extraction (Phase 4)
    ├── Relation Extraction (Phase 4)
    ├── Vector Index (Qdrant) ✅
    └── KG Construction (Neo4j) ⏳
        ↓
Gene Family Virtual Scientist ⏳
    ├── RAG Search ✅
    ├── KG Query ⏳
    ├── Multi-hop Reasoning ⏳
    └── Visualization ⏳

---

💡 核心借鉴点

1. 必须实现

• ✅ 知识图谱 (Phase 4)
• ✅ 细粒度溯源
• ✅ 虚拟科学家界面

2. 强烈建议

• 🔄 增量更新机制
• 🔄 Docker化部署
• 🔄 持续演化

3. 可选增强

• ⭐ 多模态 (图片/表格)
• ⭐ 协作功能
• ⭐ 版本控制

---

📚 相关文件

gene-family-mas-v2/
├── AUTOSKG_INSIGHTS.md          # 本分析文档
├── RAG_MASTER_PLAN.md           # 总计划
├── INTEGRATION_PLAN.md          # v5集成
└── src/
    └── rag/
        └── knowledge_graph/     # 待创建 (Phase 4)
            ├── __init__.py
            ├── entity_extractor.py
            ├── relation_extractor.py
            └── neo4j_store.py

---

🎯 结论

autoSKG验证了我们的方向是正确的！

1. 知识图谱是RAG的进化形态 - 从向量检索到图推理
2. 领域特定优化是关键 - 基因家族 vs 植物生物学
3. 可追溯性是科学严谨性的基础 - 每个结论有来源
4. 自动化是规模化的前提 - 增量更新、Docker化

我们的优势:

• 系统发育提取v5 (autoSKG没有)
• 基因家族专业领域
• 11个标准分析阶段

需要追赶的:

• 知识图谱构建
• 增量更新机制
• Docker化部署

---

分析完成: 2026-03-31 参考: https://github.com/COLA-Laboratory/autoSKG