单个指标的计算结果。 保留 numerator/denominator/notes 三件套 —— 任何指标都能被人工复核， 这是「可解释」的最小保证。

知识图谱节点（双时态设计） Attributes: node_id: 唯一标识符（自动从 label + node_type 生成） label: 节点显示名称（如 "ReAct", "Memory Module"） node_ty

一次工具调用的统一结果。 ok : 调用是否成功 tool : 工具名 raw : 结构化负载（供 metrics 计算，如 {"nodes": [...], "edges": [...]}） tex

知识图谱存储引擎 Usage: store = KnowledgeGraphStore() store.add_node(KGNode(label="ReAct", node_type=NodeType.CONCEPT)) stor

PDF 论文解析器 使用方式: parser = PDFParser("path/to/paper.pdf") text = parser.extract_full_text() images = parser.extract_al

工作流中的一步。 name : 步骤标识（log / capture 用） tool : 工具名，需在 register_tool 注册 args_fn : (ctx_state) -> dict，本步工具调用参数 capture

知识图谱边（关系）— 双时态设计 Attributes: source_id: 源节点 ID target_id: 目标节点 ID relation_type: 关系类型 properties: 附加属性（如关系的描

改进步骤 + 验证结果的双写记录器。 一个进程内可以持有多个 RefactorRecorder（每个 area 一个）。 每次 log_* 调用都同步写本地 md + 追加到 Notion 子页。

单个任务执行后的结构化结果。

单篇论文的注册记录 Attributes: arxiv_id: arXiv 标识符（如 "2210.03629"），无则 None doi: DOI 标识符，无则 None title:

LLM 驱动的知识抽取器（MiniMax API，OpenAI 兼容） Usage: extractor = KnowledgeExtractor() result = await extractor.extract_from_text(

Lite 代码执行沙箱（Phase 7 加固版）。 每次 execute() 在独立 tempdir 中运行； env 走白名单（不再透传 *_API_KEY 等敏感变量）； POSIX 上加 setrlimit CPU/内存/磁盘上限； import 与

工作流中的一步。 tool : adapter 工具名（须在 dataset.KNOWN_TOOLS 中） args_fn : (prev_outputs: dict) -> dict，生成本步的工具参数 capture : (tool_result_ra

加载并查询 data/aliases.yaml 的同义词典。

LLM 实体/关系抽取结果 由 extractor.py 的 extract_from_text() 返回。 包含抽取出的节点、边，以及 LLM 原始输出（用于调试）。

论文图表多模态分析器 使用 MiniMax Vision API (OpenAI 兼容) 分析论文中的图表， 自动识别图表类型并选择对应分析策略。 Usage: analyzer = FigureAnalyzer() result

知识盲区 【工程思考】盲区有四种类型： 1. foundation_gap: 基础概念掌握不够（PageRank 高但属性稀疏） 2. isolated_concept: 孤立概念（与其他知识缺乏连接） 3. single_source: 单一来源依赖（一

Lite 反思器。可被 Workflow.run 引用。

代码模板

论文结构化解析器 将论文 PDF 的内容解析为标准化章节结构： Title → Abstract → Introduction → Method → Experiments → Conclusion 【工程思考】为什么不直接让 LLM 分析全文？ 1.

图表分析结果

知识图谱分析引擎 Usage: store = KnowledgeGraphStore("data/knowledge_graph.json") analyzer = KnowledgeGraphAnalyzer(store) re

对 memory/ 目录的薄封装。

本地论文注册表 Usage: registry = PaperRegistry() # 检查是否重复 dup = registry.check_duplicate(arxiv_id="2210.03629")

数据集校验失败。

论文中常见的图表类型

完整的学习路径推荐结果

节点级语义索引（内存 numpy 矩阵）。 Usage: idx = SemanticIndex(domain="llm_agent") idx.build_from_store(store) # 全量构建 res

数据集档位

一次工具/任务/LLM 事件的 trace 记录。JSONL 每行一条。

sentence-transformers 后端。

传给 adapter 的上下文。 sandbox : 当前任务的 SandboxPaths（隔离图谱/记忆/沙箱路径） gold : 该任务的 gold 行（dict），部分 adapter 需要它取 fixture 路径 offline : 是否离线模式（ad

dataset_version.json 的内容。

实体规范化器。 使用： linker = EntityLinker(store) # store 可选；不传时只做 normalize canonical_label = linker.normalize_label("Reasonin

单条证据：某一篇论文里出现的一个关系实例。 Attributes: source_paper: 来源论文标题 source_section: 来源章节（method/experiment/...，未知时空字符串） confidence

LLM 抽取严重失败（双层 fallback 也无法解析）。 上层（add_paper_to_graph 等）应捕获并向用户报错，而不是当成"成功但没抽到"。

知识图谱中的节点类型 扩展原则（2026-05-20）： - 原 7 类（paper/author/concept/method/dataset/metric/tool）保持 - 新增 4 类（framework/benchmark/hardware_platfor

通用 Notion REST 客户端。 使用示例： client = NotionClient(load_notion_config()) if client.ready: parent_id = client.resolve_par

一次评测 run 的可复现元数据。

把 TraceEvent 记录写入 JSONL 文件。

一条完整的脚本化工作流。

被测能力

概念重要性评分

两条 edge 之间的冲突描述。

污染检测报告（写入 run_summary.json 的 totals.contaminated）。

已加载的评测数据集。

评测分层

编排一次完整的评测 run。

从 PDF 提取的图片

学习路径中的一个条目

Notion 同步配置。

PDF 文档元数据

论文研究报告完整 Schema 这是 LLM Structured Output 的目标格式。 LLM 接收论文全文 → 输出此格式的 JSON → 持久化为 .json + .html 【与知识图谱的区别】 - 知识图谱 (extractor.py):

解析后的单页内容

轻量进度跟踪。 每 tick(name, status) 一次更新内部计数，打印形如： [eval] 5/12 ok=4 failed=1 skipped=0 | last: smoke_l1_extract (ok, 832ms)

知识图谱中的关系类型

LLM 驱动的研究报告生成器 复用 extractor.py 验证过的 MiniMax API 调用模式： - OpenAI 兼容客户端 - response_format=json_schema 强制输出约束 - Pydantic model_valid

报告元数据

论文核心解读

模型在思考阶段就用完了 max_tokens —— <think> 已开但未关闭。 抛出此异常表示：本次调用不应被当作"解析失败"而被静默吞掉，调用方应该 重试或增大 max_tokens。

单个任务的隔离路径集合。

双时态分析结果 利用 first_seen_year（有效时间）和 created_at（事务时间） 分析用户的知识时代覆盖度、学习进度和知识新鲜度。

跨步骤的可变状态：初始 args + 每步 capture 产物。 用 dict 接口而不是 __getattr__ 是因为 workflow 的产物字段不固定， 把所有读写都聚到 `state` dict 上避免 dataclass 字段爆炸。

每个 area 的状态文件结构。

轻量替身。装饰器透明，跑 server 时显式报错。

调用方在 tracer.span() 代码块内填充的可变结果容器。

fallback: sklearn TF-IDF。提供与 SentenceTransformer 相同的接口。

Trace 事件类型

LLM 抽取的单条知识关系（Pydantic 模型）

LLM 抽取的单个知识节点（Pydantic 模型） 该模型定义了 LLM 应该输出的节点格式。 与内部存储用的 KGNode dataclass 分离，各自演进互不影响。

LLM 知识抽取的完整输出格式（Pydantic 模型） 用法： 1. 生成 JSON Schema 传入 API：ExtractionOutput.model_json_schema() 2. 解析 LLM 输出：ExtractionOutput.mod

图表分析结果

指向 gold 文件的引用。 gold_file : dataset 目录下的 gold JSONL 文件名（如 "kg_gold.jsonl"） gold_key : 该文件中对应行的键（通常等于 task_id） metrics : 该任务要计算的指标名列表（须在

任务的执行目标。 - L1: tool + args（单工具调用） - L2: workflow（workflows/registry.py 的键） - L3: e2e_prompt（自由形式 prompt）

一条评测任务（tasks.jsonl 每行一条）。

任务执行状态

arXiv 搜索集成测试

JSON 提取鲁棒性测试 - 核心防 Silent Regression