Autopoietic Knowledge Synthesis MCP Server

自创生知识综合 MCP 服务

在 ApifyForge 上查看 | 在 Apify Store 上使用

---

快速开始

添加到你的 MCP 客户端（Claude Desktop、Cursor、Windsurf）：

{
  "mcpServers": {
    "autopoietic-knowledge-synthesis-mcp": {
      "url": "https://ryanclinton--autopoietic-knowledge-synthesis-mcp.apify.actor/mcp"
    }
  }
}

---

自创生知识综合让 AI Agent 能够访问 18 个学术和技术数据源，并通过一系列先进的数学框架将其整合起来，包括随机块模型社区检测、图灵不稳定性、Smith 标准形 Betti 数、形式概念分析、Fisher 信息几何、锯齿持久性、Granger 因果关系和 alpha-connection 新颖性评分。它专为研究团队、AI 开发者和知识工程师打造，帮助他们深入分析科学文献、专利格局和社区知识。最终得到的并非关键词搜索，而是对知识实际增长方式及其空白的拓扑、因果和信息几何分析。

将此 MCP 服务连接到 Claude、Cursor 或任何兼容 MCP 的 AI Agent。该服务并行运行 18 个数据源 Actor，根据汇总结果构建知识图谱，并在返回结构化 JSON 前应用各项数学框架。只需一次工具调用，即可呈现研究前沿、识别突破概率，或绘制学术界、专利、代码和临床实践之间的知识转移路径——若要通过人工文献综述来近似完成这类分析，则需要数周时间。

⬇️ 可以提取哪些数据？

数据点	来源	覆盖范围
📄 学术出版物	OpenAlex	超过 2.5 亿篇作品，含完整元数据
🔬 生物医学文献	PubMed / Europe PMC	超过 3500 万篇和 4000 万篇文章
💻 计算机科学论文	Semantic Scholar + DBLP	超过 2 亿篇和 600 万篇出版物
📐 预印本	arXiv	涵盖 STEM 领域的 200 多万篇预印本
📑 跨出版商元数据	Crossref	超过 1.3 亿项已注册作品
🔓 开放获取全文	CORE	超过 2 亿篇论文
🧑‍🔬 研究人员身份信息	ORCID	超过 1500 万名研究人员及其隶属机构
💰 NIH 资助的拨款	NIH Reporter	所有有效及历史 NIH 资助项目
🔧 开源代码	GitHub Repo Search	所有公开代码仓库
🧪 临床研究	ClinicalTrials.gov	全球所有已注册试验
🏭 美国专利	USPTO PatentsView	完整的美国专利语料库
🌍 欧洲专利	EPO Open Patent Services	欧洲专利语料库
💬 技术讨论	StackExchange	170 多个技术社区
📰 技术社区动态	Hacker News	社区关注度和讨论趋势
📊 联邦数据集	Data.gov	美国政府开放数据
🔗 引用拓扑	跨所有数据源计算	Betti 数、持久性图
🌐 知识转移路径	跨数据源 Granger 因果关系	专利 → 论文 → 代码 → 试验
🎯 新颖性评分	信息几何散度	INCREMENTAL / MODERATE / SIGNIFICANT / BREAKTHROUGH

为什么使用 Autopoietic Knowledge Synthesis MCP Server？

传统文献检索会返回按相关性排序的论文列表。这很有用，但有其根本局限——它无法告诉你哪些领域即将取得突破，哪些研究人员连接着彼此孤立的群体，或者一个领域的结构中存在哪些概念空白。手动整合涵盖专利、生物医学文献、预印本、代码、临床试验和政府数据集的 18 个来源，需要数周时间。Elicit、Consensus 或 Semantic Scholar 自带的搜索等工具，采用的是单一数据库检索，无法进行跨来源的结构分析。

此 MCP 服务可自动完成跨来源知识图谱的构建，并运用九种严谨的数学框架来回答战略性问题：知识增长最快的领域在哪里、存在哪些空白，以及谁掌握着知识版图。

• 定时调度 — 每天或每周触发研究监测任务，跟踪领域的演变
• API 访问 — 通过单个 MCP 请求，从 Python、JavaScript 或任何 HTTP 客户端调用
• 代理轮换 — 通过 Apify 的基础设施并行运行 18 个 Actor，不受速率限制影响
• 监控 — Actor 运行失败或产生意外结果时，接收 Slack 或电子邮件提醒
• 集成 — 将结果发送到 Zapier、Make、Google Sheets 或任何 webhook 目标

特性

• 18 个并行 Actor 调用 — 通过 runActorsParallel 同时查询 OpenAlex、PubMed、Semantic Scholar、arXiv、Crossref、CORE、ORCID、NIH Grants、DBLP、Europe PMC、USPTO、EPO、Wikipedia、GitHub、StackExchange、ClinicalTrials.gov、Data.gov 和 Hacker News
• Smith 标准形 Betti 数 — 整数矩阵约化可计算引用单纯复形的 Betti_0（连通分量）、Betti_1（引用环）和 Betti_2（知识空白）
• 形式概念分析 — 将二元对象-属性上下文矩阵约化为概念格；每一代都会使用 Fisher 信息梯度下降扩展或剪枝形式概念
• Fisher 信息几何 — 在本体统计流形上执行自然梯度更新：dtheta/dt = -g^{ij}(theta) * dL/dtheta^j，并通过相邻代之间的 KL 散度衡量信息增益
• Zigzag 持续同调 — 跟踪随时间变化的知识图谱快照中拓扑特征的生灭对，生成带有维度标签的持续图
• Turing 不稳定性检测 — 将反应-扩散系统 du/dt = f(u,v) + D_u * Laplacian(u) 应用于知识图谱；扩散驱动的不稳定性（D_v*f_u + D_u*g_v > 0）可识别即将出现自发突破的领域
• 随机块模型社区检测 — EM 推断通过 P(A_ij=1) = B(z_i, z_j) 将研究人员分配到潜在社区；识别跨越社区边界、介数中心性较高的桥接研究人员
• Granger 因果知识迁移 — VAR 模型 X_t = Sum(A_k * X_{t-k}) + epsilon 结合 F 检验，判断专利发表时间序列是否 Granger 导致学术发表时间序列，反之亦然
• FCI 因果推断 — 快速因果推断算法通过条件独立性检验恢复知识图谱的因果骨架，区分关联与定向因果流
• Alpha-connection 新颖性评分 — 信息几何散度 D_alpha(p||q) = (4/(1-alpha^2)) * (1 - sum(p^((1+alpha)/2) * q^((1-alpha)/2))) 用于根据领域分布为每篇论文评分；论文分为 INCREMENTAL、MODERATE、SIGNIFICANT 或 BREAKTHROUGH
• 用于确保可复现性的定种子 PRNG — 由内容哈希初始化的 Mulberry32 PRNG 可确保同一查询在不同运行中产生确定性输出
• 欧拉示性数计算 — 从单纯复形中推导拓扑不变量 chi = V - E + F，并与 Betti 数一同用于完整的拓扑分析
• 8 个已注册的 MCP 工具 — 每个工具都提供独立的分析功能，并配有类型化的 Zod 输入模式和结构化 JSON 输出
• 待机模式运行 — 服务在 Apify 基础设施上持续运行；首次连接后无冷启动延迟

自创生知识合成的使用场景

研究战略与资助定位

规划多年期项目的研究主管和首席研究员（PI）需要在撰写资助申请之前了解领域的发展方向。discover_research_fronts 工具可识别 alpha 新颖性散度高且具有 Turing 不稳定动态的新兴集群，即知识系统正接近自发重组的领域。predict_breakthrough_areas 工具利用涵盖 18 个来源的反应-扩散不稳定性分析，根据突破概率为各领域排序，其中包括 NIH 资助趋势和专利申请速度。团队可以识别高概率的突破路径，并据此调整资助提案，而不是在已趋于饱和的子领域中竞争。

系统性文献综述与元分析

开展系统性综述的研究人员通常要花数周时间逐一检索各个数据库。analyze_citation_topology 工具可同时从 10 个学术来源获取数据，并计算引文网络的完整拓扑结构——Betti 数、持久图和 Zigzag 特征——从而揭示哪些主题整合度高（Betti_1 较低），哪些主题则分散为互不相连的集群（Betti_0 较高）。detect_knowledge_gaps 工具可识别拓扑空洞数量较高的具体子主题；针对这些主题开展综合研究，可能产生远超寻常的影响。

研发团队的竞争情报

制药、材料科学和科技公司的企业研发团队需要了解竞争对手在哪些领域申请专利、哪些学术成果最先实现商业化，以及哪些大学实验室正在研究相关问题。trace_knowledge_transfer 工具运用格兰杰因果关系和 FCI 因果推断，追踪知识如何从学术论文流向专利，再进入临床试验或产品开发。它可以识别滞后结构：在特定领域中，是专利领先于论文，还是反之，以及哪些机构推动了这种转移。

合作网络分析与人才识别

招聘经理和科研项目负责人需要识别新兴领域的关键研究人员——不仅是高产作者，也包括连接不同社群的桥梁型科学家。assess_researcher_influence 工具基于来自 ORCID、OpenAlex 和 DBLP 的合著网络，运用随机块模型进行社群检测，计算 PageRank 和中介中心性，将研究人员分配到潜在社群，并识别中介中心性较高、充当知识桥梁的研究人员。h 指数计算则为网络指标提供标准化的影响力基准。

AI 训练数据筛选与研究新颖性过滤

构建特定领域模型的 AI 团队需要评估哪些论文引入了真正的新概念，哪些只是渐进式变化。compute_novelty_score 工具从三个维度对返回语料中的每篇论文进行评分：与领域分布的 alpha 散度、概念格新颖性（现有概念格中不存在的新形式概念），以及基于 Betti 数比率的拓扑新颖性。可在训练流程中提高归类为 BREAKTHROUGH 的论文的权重，并降低归类为 INCREMENTAL 的论文的权重或将其排除。

本体工程与知识图谱构建

为企业搜索或 AI 推理系统构建领域本体的知识工程师，需要了解某个领域的概念词汇如何演变。evolve_ontology 工具可在最多 20 个模拟代次中执行形式概念分析，并在本体统计流形上使用 Fisher 信息梯度下降逐代优化。输出包括每一代的概念格、每代的信息增益和收敛率，为基于数据的本体版本管理决策提供依据。

如何将自生成知识综合用于 AI Agent

1. 连接 MCP 服务 — 将服务 URL 添加到 MCP 客户端配置中。对于 Claude Desktop，在 mcpServers 下添加 "url": "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp"。将 YOUR_APIFY_TOKEN 替换为你在 Apify 控制台 中获取的令牌。

2. 选择工具并设置查询 — 指示 AI Agent 使用自然语言研究主题调用指定工具。例如：“调用 discover_research_fronts，查询 mRNA vaccine delivery mechanisms，并将 maxResults 设为 30。”

3. 获取结构化分析结果 — 服务会并行运行 18 个数据源（通常需要 2–5 分钟），并返回结构化 JSON，其中包括图统计信息、拓扑指标、排名结果和数学评分。

4. 整合输出 — 让 Agent 总结研究前沿、将按新颖性评分的论文导出到电子表格，或将突破性预测传入研究监控仪表板。

输入参数

这是一个 MCP 服务，不接受 Apify actor 输入。所有参数都通过 MCP 协议在每次工具调用时传递。

参数	类型	必填	默认值	说明
query	string	是	—	研究主题、领域名称或研究人员姓名。传递给全部 18 个 actor。例如："CRISPR base editing"、"transformer attention mechanisms"
maxResults	number	否	30	每个数据源请求的最大结果数。值越高，覆盖范围越广，但成本和运行时间也会增加。范围：5–50
generations	number	否	5	（仅限 evolve_ontology）用于细化概念格的演化代数。范围：1–20

输入示例

发现特定科学子领域的研究前沿：

{
  "query": "mRNA lipid nanoparticle delivery",
  "maxResults": 30
}

通过增加代数，为广泛领域演化本体：

{
  "query": "quantum error correction",
  "maxResults": 25,
  "generations": 10
}

使用最简快速查询，迅速扫描领域：

{
  "query": "diffusion models generative AI",
  "maxResults": 10
}

输入提示

• 查询要具体 — "CRISPR base editing adenine" 比 "gene editing" 返回的前沿更聚焦。查询会原样传递给 18 个不同的搜索 API。
• 快速原型设计时将 maxResults 设为 10–15 — 较低的值可将成本和运行时间从约 5 分钟缩短至约 2 分钟，同时仍能构建实用的知识图谱。
• 对于 evolve_ontology，从 5 代开始 — 通常在第 3 至第 7 代之间收敛；运行 20 代很少会显著改变最终格结构。
• 将查询写成名词短语，而不是问题 — 在各类学术 API 中，"antibiotic resistance mechanisms" 的效果优于 "how does antibiotic resistance work"。
• 分析研究人员的影响力时，将研究人员的全名或 ORCID 用作查询 — ORCID actor 会进行姓名消歧。

⬆️ 输出示例

{
  "totalFronts": 7,
  "averageNovelty": 0.74,
  "topField": "mRNA lipid nanoparticle delivery",
  "fronts": [
    {
      "id": 0,
      "keywords": ["ionizable lipid", "endosomal escape", "LNP formulation", "pKa optimization"],
      "papers": [
        "Ionizable lipid nanoparticles for in vivo mRNA delivery",
        "Endosomal escape mechanisms in lipid nanoparticle systems",
        "pH-responsive LNP design for hepatic targeting"
      ],
      "noveltyScore": 0.91,
      "momentum": 0.87,
      "bettiSignature": [3, 2, 1],
      "turingUnstable": true,
      "alphaNovelty": 0.88
    },
    {
      "id": 1,
      "keywords": ["extrahepatic delivery", "muscle targeting", "intramuscular LNP"],
      "papers": [
        "Organ-selective lipid nanoparticles for extrahepatic mRNA delivery",
        "Skeletal muscle targeting via surface-modified LNPs"
      ],
      "noveltyScore": 0.78,
      "momentum": 0.63,
      "bettiSignature": [2, 1, 0],
      "turingUnstable": false,
      "alphaNovelty": 0.71
    }
  ],
  "graphStats": {
    "nodes": 312,
    "edges": 894,
    "bettiNumbers": [8, 14, 3],
    "conceptCount": 47
  }
}

输出字段

discover_research_fronts

Field	Type	Description
totalFronts	number	通过随机块模型社区检测识别出的不同研究前沿数量
averageNovelty	number	所有前沿的平均 alpha-connection 新颖度分数（0-1）
topField	string	新颖度最高的研究前沿标签
fronts[].id	number	SBM 推断得出的社区索引
fronts[].keywords	string[]	此前沿的热门关键词，源自关键词重叠边
fronts[].papers	string[]	分配到此社区的代表性论文标题
fronts[].noveltyScore	number	此前沿的综合新颖度（alpha-divergence + 拓扑）
fronts[].momentum	number	根据出版物近期性分布得出的增长率信号
fronts[].bettiSignature	number[]	此前沿子图的 [Betti_0, Betti_1, Betti_2]
fronts[].turingUnstable	boolean	此前沿是否满足扩散驱动的不稳定性判据
fronts[].alphaNovelty	number	原始 alpha-connection 散度分数
graphStats.nodes	number	组装后的知识图谱中的节点总数
graphStats.edges	number	边的总数（引用、合著者、关键词重叠、语义、专利论文）
graphStats.bettiNumbers	number[]	完整引用单纯复形的全局 Betti 数
graphStats.conceptCount	number	FCA 概念格中的形式概念数量

evolve_ontology

Field	Type	Description
finalConceptCount	number	最终代概念格中的形式概念数量
totalInformationGain	number	所有代的累积 KL 散度
convergenceRate	number	概念格大小跨代趋于稳定的速率
generations[].generation	number	代索引（从 0 开始）
generations[].latticeSize	number	此代中的形式概念数量
generations[].fisherGradientNorm	number	此代的 Fisher 信息梯度范数
generations[].informationGain	number	相较上一代的 KL 散度增益
generations[].convergence	number	收敛指标（越低越稳定）
generations[].concepts[].name	string	概念标签
generations[].concepts[].extent	string[]	概念外延中的论文/对象
generations[].concepts[].intent	string[]	定义此概念的属性/关键词

detect_knowledge_gaps

Field	Type	Description
totalGaps	number	通过较高的 Betti 数识别出的知识缺口数量
averageFillingPotential	number	填补缺口研究机会分数的平均值
topOpportunity	string	潜力最高的缺口领域标签
gaps[].field	string	存在缺口的研究子领域
gaps[].bettiNumber	number	表示缺口拓扑维度的 Betti 数
gaps[].gapDimension	number	空洞的单纯复形维度
gaps[].nearestConcepts	string[]	在概念格中界定该缺口的形式概念
gaps[].fillingPotential	number	估算的研究机会分数（0-1）
gaps[].turingActivity	number	此区域的图灵不稳定性度量

analyze_citation_topology

Field	Type	Description
bettiNumbers	number[]	[Betti_0, Betti_1, Betti_2] — 连通分量、环、空腔
eulerCharacteristic	number	拓扑不变量 chi = V - E + F
topologicalComplexity	number	根据 Betti 数比率计算的综合复杂度度量
persistenceDiagram[]	object[]	每个拓扑特征的出生/死亡对及其维度
zigzagFeatures[]	object[]	通过跨时间快照跟踪 zigzag 持续性得到的特征

predict_breakthrough_areas

Field	Type	Description
topPrediction	string	突破概率最高的领域
averageProbability	number	所有扫描领域的平均突破概率
systemInstability	number	整个知识图谱的全局图灵不稳定性指标
predictions[].field	string	研究领域名称
predictions[].probability	number	估算的突破概率（0-1）
predictions[].turingPattern	string	检测到的模式类型（例如，“TURING_SPOT”、“TURING_STRIPE”）
predictions[].reactionRate	number	反应扩散模型中的激活剂反应速率
predictions[].diffusionCoeff	number	扩散系数比 D_v / D_u
predictions[].timeToBreakthrough	number	根据动态特征估算的突破所需月数
predictions[].supportingEvidence	string[]	支持该预测的论文和专利

trace_knowledge_transfer

Field	Type	Description
totalTransfers	number	统计显著的格兰杰因果传递路径数量
strongestPath	string	F 统计量最高的传递路径描述
averageTransferStrength	number	所有路径的平均格兰杰 F 统计量
transfers[].source	string	知识来源领域（例如，“patents”、“academic_papers”）
transfers[].target	string	接收领域
transfers[].grangerFStat	number	VAR 模型的 F 统计量
transfers[].pValue	number	格兰杰因果关系的统计显著性
transfers[].lagOrder	number	最优 VAR 滞后阶数（知识传递的延迟年数）
transfers[].causalDirection	string	“forward”、“reverse”、“bidirectional”或“none”

assess_researcher_influence

Field	Type	Description
totalCommunities	number	SBM 发现的潜在社区数量
modularity	number	网络模块度得分（越高表示社区结构越明显）
researchers[].name	string	研究者姓名
researchers[].orcid	string	ORCID 标识符
researchers[].pageRank	number	合著图中的 PageRank 中心性
researchers[].betweenness	number	中介中心性（桥接研究者的得分较高）
researchers[].communityId	number	SBM 社区归属
researchers[].sbmRole	string	随机块模型中的角色标签
researchers[].hIndex	number	根据可用引文数据计算的 h 指数
communities[].id	number	社区索引
communities[].members	string[]	该社区中的研究者姓名
communities[].cohesion	number	该社区的内部连接度指标

compute_novelty_score

Field	Type	Description
averageNovelty	number	所有评分论文的平均综合新颖度
breakthroughCount	number	被归类为 BREAKTHROUGH 的论文数量
fieldDistribution	object	各领域中不同新颖度等级的论文数量
scores[].paperId	string	论文标识符
scores[].title	string	论文标题
scores[].alphaNovelty	number	基于信息几何的 Alpha 连接新颖度
scores[].alphaDivergence	number	D_alpha(p||q) 的原始散度值
scores[].conceptNovelty	number	FCA 新颖度：现有格中不存在的概念所占比例
scores[].topologicalNovelty	number	相对于领域基准的贝蒂数比率
scores[].compositeNovelty	number	三个新颖度维度的加权组合
scores[].tier	string	“INCREMENTAL”、“MODERATE”、“SIGNIFICANT”或“BREAKTHROUGH”

使用自创生知识综合需要多少费用？

此 MCP 服务采用按事件付费定价——每次工具调用付费。每次工具调用最多可并行运行 18 个 actor；平台计算费用已包含在内。

场景	工具调用次数	单次调用费用	总费用
单次查询测试	1	$0.04	$0.04
每日研究简报（5 个工具）	5	$0.04	$0.20
每周领域扫描（7 个工具 x 4 周）	28	$0.04	$1.12
系统性综述设置（全部 8 个工具 x 5 个主题）	40	$0.04	$1.60
持续研究监控（每日，完整套件）	240	$0.04	$9.60/月

你可以为每次运行设置最高支出限额以控制成本。达到预算后，actor 将停止运行。

Apify 免费套餐每月包含 $5 的平台额度——足以免费调用 125 次工具。相比之下，Elicit 每月收费 $10-50，Consensus 每月收费 $9-99，聘请研究助理则需 $25-50/小时——使用此服务，大多数研究团队每月花费不到 $5。

使用 MCP 协议连接自创生知识综合

Claude Desktop

添加到你的 claude_desktop_config.json：

{
  "mcpServers": {
    "autopoietic-knowledge-synthesis": {
      "url": "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Cursor

添加到你的 Cursor MCP 设置中：

{
  "mcpServers": {
    "autopoietic-knowledge-synthesis": {
      "url": "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp",
      "headers": {
        "Authorization": "Bearer YOUR_APIFY_TOKEN"
      }
    }
  }
}

Python（通过 HTTP POST）

import httpx
import json

response = httpx.post(
    "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp",
    headers={
        "Content-Type": "application/json",
        "Authorization": "Bearer YOUR_APIFY_TOKEN",
    },
    json={
        "jsonrpc": "2.0",
        "method": "tools/call",
        "params": {
            "name": "discover_research_fronts",
            "arguments": {
                "query": "mRNA lipid nanoparticle delivery",
                "maxResults": 30,
            },
        },
        "id": 1,
    },
    timeout=300,
)

result = response.json()
fronts = json.loads(result["result"]["content"][0]["text"])
print(f"Found {fronts['totalFronts']} research fronts")
print(f"Top field: {fronts['topField']}")
for front in fronts["fronts"]:
    print(f"  Front {front['id']}: novelty={front['noveltyScore']:.2f}, "
          f"turingUnstable={front['turingUnstable']}, "
          f"keywords={front['keywords'][:3]}")

JavaScript / TypeScript

const response = await fetch(
  "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp",
  {
    method: "POST",
    headers: {
      "Content-Type": "application/json",
      "Authorization": "Bearer YOUR_APIFY_TOKEN",
    },
    body: JSON.stringify({
      jsonrpc: "2.0",
      method: "tools/call",
      params: {
        name: "compute_novelty_score",
        arguments: {
          query: "transformer attention mechanisms efficiency",
          maxResults: 25,
        },
      },
      id: 1,
    }),
  }
);

const data = await response.json();
const result = JSON.parse(data.result.content[0].text);
console.log(`Average novelty: ${result.averageNovelty.toFixed(2)}`);
console.log(`Breakthrough papers: ${result.breakthroughCount}`);
for (const score of result.scores.slice(0, 5)) {
  console.log(`  [${score.tier}] ${score.title} — composite: ${score.compositeNovelty.toFixed(3)}`);
}

cURL（单次工具调用）

# Call discover_research_fronts
curl -X POST "https://autopoietic-knowledge-synthesis-mcp.apify.actor/mcp" \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer YOUR_APIFY_TOKEN" \
  -d '{
    "jsonrpc": "2.0",
    "method": "tools/call",
    "params": {
      "name": "predict_breakthrough_areas",
      "arguments": {
        "query": "quantum error correction",
        "maxResults": 20
      }
    },
    "id": 1
  }'

自创生知识综合的工作原理

阶段 1：并行组装知识图谱

每次工具调用都会通过 runActorsParallel 同时启动 18 个 actor 调用，使用 Promise.all 执行单独的 apify-client 调用，并为每个 actor 设置 180 秒超时。数据来源涵盖学术文献（OpenAlex、PubMed、Semantic Scholar、arXiv、Crossref、CORE、DBLP、Europe PMC）、研究人员数据（ORCID）、资金信息（NIH Grants）、专利（USPTO、EPO）、开放知识（Wikipedia）、代码（GitHub）、社区讨论（StackExchange、Hacker News）、临床数据（ClinicalTrials.gov）和政府数据集（Data.gov）。

结果将合并为 KnowledgeGraph 结构，其中包含类型化的 KnowledgeNode 和 KnowledgeEdge 对象。边的类型包括 citation、co_author、keyword_overlap、semantic 或 patent_paper。关键词重叠边通过求每对节点的关键词数组交集来构建；共同作者边则连接至少共享一个作者姓名词元的节点。单纯复形由边集构建而成：顶点是 0-单形，边是 1-单形，三角形（共享两个公共邻居的节点）是 2-单形。

阶段 2：通过 Smith 标准形进行拓扑分析

通过为每个单纯维度构造边界矩阵 ∂_k，并使用行列整数运算将其化简为 Smith 标准形，计算 Betti 数。第 k 个 Betti 数为 rank(ker ∂_k) - rank(im ∂_{k+1})。由查询哈希字符串初始化、带种子的 Mulberry32 PRNG 可确保随机组件（SBM 初始化、Turing 扰动）在输入相同时具有可复现性。

Zigzag 持续性通过对按时间戳标记的子图（按出版年份分组）构造滤过来计算，并跟踪随着节点的添加和移除，拓扑特征的产生与消亡。每对产生/消亡都会标记维度和持续时间 (death - birth)。

阶段 3：社区检测与因果推断

随机块模型社区检测对合著图应用 EM 推断。E 步计算社区分配的后验概率；M 步更新块矩阵 B 和社区先验 pi。通过对数似然的变化监测收敛情况。收敛后计算模块度 Q = (1/2m) * sum[(A_ij - k_i*k_j/2m) * delta(c_i, c_j)]。

Granger 因果分析分别对专利公开时间序列和学术论文发表时间序列（按年份分组）应用 VAR(p) 模型。通过 AIC 选择最优滞后阶数 p。F 检验统计量的计算公式为 F = ((RSS_reduced - RSS_full)/p) / (RSS_full/(T-2p-1))。随后，FCI 算法对得出的因果骨架应用条件独立性检验以确定边的方向，从而还原有向因果路径，而非仅仅发现相关性。

阶段 4：信息几何新颖性评分

形式概念分析构建二元上下文矩阵，其中行代表论文，列代表关键词。形式概念是一个极大对 (extent, intent)，其中 extent 中的所有论文都共享 intent 中的所有关键词。通过计算所有此类极大对来构建概念格。Fisher 信息梯度下降会逐代优化此概念格：Fisher 信息度量 g^{ij}(theta) 近似为概念隶属向量经验协方差矩阵的逆，并使用自然梯度 g^{ij} * dL/dtheta^j 更新概念权重。

计算每篇论文的关键词分布 p 与领域总体分布 q 之间的 Alpha 连接散度 D_alpha(p||q) = (4/(1-alpha^2)) * (1 - sum(p^((1+alpha)/2) * q^((1-alpha)/2)))，默认使用 alpha = 0（几何平均散度）。综合新颖性评分将 Alpha 散度、概念格新颖性和 Betti 数比率加权合并，然后通过阈值划分为四级分类。

最佳实践提示

1. 查询时使用具体的名词短语。 "adenine base editor off-target effects" 比 "CRISPR" 能找到更聚焦的研究前沿。18 个上游参与方中的每一个都会将查询字符串直接应用于自己的 API，因此具体性会传递到所有来源。

2. 先运行 detect_knowledge_gaps，再运行 predict_breakthrough_areas。 知识缺口可识别拓扑上的空洞；突破预测则会识别这些空洞中哪些正经历图灵不稳定性。这两个工具专为流水线式使用而设计：先找出缺口，再预测排名靠前的缺口发生突破的概率。

3. 将 assess_researcher_influence 与 trace_knowledge_transfer 结合使用。 影响力分析得出的 SBM 社区划分揭示了哪些研究人员掌控着从专利到论文的知识转移路径。将桥接研究人员与格兰杰因果转移路径交叉比对，可以找出推动商业化的关键科学家。

4. 探索性扫描时，将 maxResults 降至 10。 当 maxResults=10 时，每个参与方最多返回 10 项；生成的图谱共包含 100-200 个节点。这足以进行拓扑计算，运行时间约为 2 分钟。需要覆盖范围时，在生产分析中使用 maxResults=30。

5. 大多数领域使用 evolve_ontology 时，设置 5-8 代。 通常会在第 3 到第 7 代之间收敛。每代报告的 Fisher 信息梯度范数可以帮助你判断细化何时趋于稳定——范数低于 0.05 即表示收敛。

6. 每周安排一次 discover_research_fronts，以监测领域动态。 随着新论文进入图谱，随机块模型会识别出新的社区。比较每周运行得出的研究前沿，可以在新兴子领域出现在主流综述文章中之前将其发现。

7. 优先查看 turingUnstable: true 的研究前沿。 模型将具有图灵不稳定性的研究前沿视为处于突破前状态。这些领域最有可能在近期产出高影响力成果。

8. 进行专利到论文的转移分析时，确保查询涵盖该领域的科学和工程词汇。"immunotherapy checkpoint inhibitor PD-1 antibody" 同时涵盖生物学机制和产品类别，使格兰杰因果分析能够检测这两类术语体系之间的转移。

与其他 Apify actor 组合使用

Actor	组合方式
Company Deep Research	先对某个技术领域进行知识综合，再使用 Company Deep Research 找出哪些公司正在将突破概率较高的领域商业化
Website Content to Markdown	将重要论文或实验室网站的全文转换为 markdown，然后与知识综合结果一起输入 Agent，以获得更深入的背景信息
WHOIS Domain Lookup	通过影响力分析确定关键研究人员或机构后，查询域名注册信息，寻找围绕相关研究开展的初创企业活动
Website Tech Stack Detector	确定哪些大学实验室和初创企业网站使用了哪些技术栈，从而将软件开发模式与研究前沿相关联
Trustpilot Review Analyzer	对于应用研究领域（医疗器械、软件工具），将经过新颖性评分的研究趋势与评论中的市场情绪结合起来
B2B Lead Qualifier	将突破领域的公司发现转化为合格潜在客户，用于合作或投资拓展
SEC EDGAR Filing Analyzer	将基于 Granger 因果关系的知识转移发现与 SEC 文件交叉比对，找出投资于已识别突破领域的上市公司

局限性

• 来源覆盖并不全面 — 这 18 个数据源涵盖了主要的英语学术和专利数据库，但可能会遗漏特定领域的存储库、非英语文献、灰色文献，以及这些 API 未收录的会议论文集。
• 图规模受 maxResults 限制 — 每个来源每次调用最多返回 maxResults 个项目；构建的图反映的是一个样本，而非完整文献。与大型主流领域相比，出版物较少的罕见子领域覆盖得更全面。
• 拓扑算法是近似的 — 单纯复形基于共同署名和关键词重合构建，而非真实引文图。上游 actors 不会提取实际引文链接；该拓扑是知识邻近度的代理指标，并非精确的引文结构。
• 突破预测是概率性的结构信号，而非确定结论 — 知识图中的图灵不稳定性是突破的必要条件，但不是充分条件。该模型识别结构性前提，无法考虑资金冲击、地缘政治事件或偶然发现。
• Granger 因果关系分析需要时间序列数据 — VAR 模型依赖按出版年份统计的数据。对于出版年限少于 5 年的新兴领域，时间序列数据不足，无法可靠估计滞后阶数。
• 研究人员影响力数据受出版物偏差影响 — SBM 分析仅涵盖这些数据库中有索引出版物的研究人员。产业界研究人员、从业者以及所在领域索引覆盖率较低的研究人员代表性不足。
• 每次工具调用需要 2–5 分钟 — 所有 18 个 actors 都必须完成后才会返回结果。运行时间较长的 actors（NIH Grants、EPO Patents）可能会使宽泛查询耗时达到 5 分钟以上。
• 按事件计费会随着覆盖范围扩大而累积 — 对单个主题运行全部 8 个工具的费用为 $0.32。对多个主题进行系统性监控会增加费用；大规模运行时请设置支出限额。

集成

• Zapier — 每周触发 discover_research_fronts 运行，并将结果推送到 Google Sheet 或 Notion 数据库，以跟踪研究进展
• Make — 构建自动化研究流水线，在收到新的查询输入时运行知识综合，并在突破概率较高的领域发生变化时通知 Slack
• Google Sheets — 将按新颖度评分的论文列表直接导出到电子表格，用于系统性综述工作流
• Apify API — 从 Python 或 JavaScript 研究流水线以编程方式调用 MCP 工具，全面控制查询批处理和结果处理
• Webhooks — 在计划的知识综合运行完成或遇到错误时接收提醒
• LangChain / LlamaIndex — 将知识综合结果作为 RAG 流水线中的检索工具，为大模型响应提供基于拓扑结构的研究情报

故障排除

• 工具调用返回空的 fronts 或 gaps 数组 — 这通常意味着查询从多个关键来源获得的结果较少。尝试扩大查询范围（例如，使用上级领域而非狭窄的子领域），或增加 maxResults。检查响应中的 graphStats.nodes 字段——少于 20 个节点的图会产生不可靠的拓扑结构。

• 运行耗时超过 5 分钟 — 某些上游 Actor（NIH Grants、EPO patents）的 API 响应有时会较慢。每个 Actor 的超时时间为 180 秒。如果单个 Actor 超时，工具仍会返回其余 17 个来源的结果。像 "machine learning" 这样范围很广的查询可能会同时触及多个来源的分页限制，从而延长运行时间。

• Granger 因果关系对所有传递都显示 causalDirection: "none" — 这表示查询主题在不同年份的时间序列变化不足。VAR 模型至少需要 5-10 个时间点（年份）有非零出版物数量。对于索引出版物不足 5 年的主题，请改用 discover_research_fronts 或 detect_knowledge_gaps。

• 工具完成前达到支出限额 — 每次工具调用都会在执行开始时发出一个计费事件。如果 Apify 账户余额或单次运行支出限额过低，工具会返回一个 JSON 错误对象，其中包含 "error": true 和 "message": "Spending limit reached for {tool-name}"。请充值，或在 Apify 账户设置中提高单次运行支出限额。

• MCP 客户端出现身份验证错误 — 请确保在 Authorization: Bearer YOUR_APIFY_TOKEN 标头中传入 Apify API 令牌。某些 MCP 客户端配置要求显式设置该标头，而不能依赖基于 Cookie 的会话身份验证。

负责任地使用

• 此服务查询公开可用的学术数据库、专利注册库和开放社区平台。
• 请遵守各上游来源的服务条款；短时间内对同一狭窄查询进行过多自动化查询，可能会触发各数据源的速率限制。
• 研究人员影响力数据包含 ORCID 标识符和出版记录。仅将此数据用于正当的研究、招聘和科学合作目的。
• 不得在适用的数据保护法律没有合法依据的情况下，使用此服务识别研究人员并向其发送未经请求的商业推广信息。
• 有关网页抓取和数据使用合法性的指南，请参阅 Apify 的指南。

❓ 常见问题

自创生知识综合在单次运行中能发现多少个研究前沿？ 随机块模型社区检测会识别知识图谱所支持的所有社区。实际上，在 maxResults=30 时，大多数字段的每个查询会返回 5-15 个研究前沿。响应中的 totalFronts 字段会告知你每次运行的确切数量。

知识图谱上的图灵不稳定性如何预测突破？ 该服务将知识图谱中的研究活动建模为激活剂-抑制剂反应-扩散系统。当扩散系数和反应速率满足不稳定性判据 D_v*f_u + D_u*g_v > 0 时，系统会在知识图谱中自发形成空间模式——即活动集中区域，对应于思想和研究人员即将达到临界规模的领域。这些结构不稳定区域最有可能孕育突破。

贝蒂数对引用网络究竟意味着什么？ Betti_0 统计引用图中的非连通分量——彼此之间没有交叉引用的孤立研究群组。Betti_1 统计环路：彼此循环引用的论文群组，表明存在自我强化的社群。Betti_2 统计封闭空洞——2-单纯复形中的拓扑孔洞，这通常对应于被活跃研究包围、但确实研究不足的领域。

新颖度评分有多准确？ 新颖度评分是相对于每次运行中提取的领域分布进行校准的，而非依据绝对的真实标准。BREAKTHROUGH 等级（综合新颖度 > 0.85）能够可靠地识别出向格结构引入新形式概念、且与领域均值具有较高 alpha 散度的论文。与专家评估的验证工作仍在进行；请将这些等级视为结构化信号，而非定论式分类。

自创生知识综合与 Semantic Scholar 或 Elicit 有何不同？ Semantic Scholar 和 Elicit 基于单一数据库进行检索，并提供相关性排序和文本摘要。此服务将 18 个来源整合为统一图谱，并应用九种独立的数学框架——拓扑学、信息几何、因果推断、反应-扩散动力学——来分析知识的结构，而不仅仅是内容。它能够回答“有哪些空白”和“什么将会取得突破”等检索系统无法回答的问题。

我可以用自创生知识综合分析特定研究人员的影响力吗？ 可以。将研究人员的姓名或 ORCID 作为查询传递给 assess_researcher_influence。该工具会直接查询 ORCID（最多返回 20 条结果），并与 OpenAlex、Semantic Scholar、DBLP 等来源交叉比对，以构建合著网络并计算 PageRank、中介中心性、SBM 社区归属和 h 指数。

一次典型的工具调用需要多长时间？ 大多数工具调用会在 2-4 分钟内完成。瓶颈在于 18 个并行 actor 调用中最慢的一个，复杂查询通常是 NIH Grants 或 EPO Patents。将 maxResults 降至 10-15 通常可将运行时间缩短至 1.5-2.5 分钟。此服务在 Apify 上以 Standby 模式运行，因此首次连接后不会有冷启动延迟。

我可以安排自创生知识综合自动运行吗？ 可以。你可以使用 Apify scheduler，在 Apify 平台上安排底层 actor 按任意间隔（每天、每周、每月）运行。你也可以通过 HTTP POST 端点，利用自己的调度器以编程方式触发 MCP 工具调用。结构化 JSON 输出便于比较不同运行的结果，以检测新的研究前沿。 自动查询这些学术数据库合法吗？ 所有 18 个上游来源都提供公开 API，并制定了允许在速率限制范围内进行自动化研究查询的服务条款。OpenAlex、PubMed、arXiv、Crossref 和 CORE 明确支持大规模程序化访问。USPTO PatentsView 和 EPO Open Patent Services 是政府运营的公共 API，不限制研究用途。MCP 服务通过为每个 Actor 设置超时来遵守各 API 的速率限制，并避免批量抓取全文内容。

如果某个 Actor 在运行期间失败，会发生什么？ runActor 函数会按 Actor 捕获错误，对于超时或失败的 Actor 返回空数组。其余 Actor 的结果仍会合并到知识图谱中。拓扑和评分算法会根据现有数据运行。严重降级的运行（多个 Actor 同时失败）会生成较小的图谱，指标的可靠性也会降低，但工具不会抛出错误——它会返回结果，但 graphStats.nodes 数值会较低。

我能在 LangChain 或 LlamaIndex 工作流中使用自生知识合成吗？ 可以。MCP 服务兼容任何 MCP 客户端库。对于 LangChain，可使用 @modelcontextprotocol/sdk 客户端进行连接，然后将每个工具封装为 LangChain Tool 对象。结构化 JSON 输出非常适合用于为大模型响应提供研究情报依据——例如，在要求大模型撰写研究计划前，将 discover_research_fronts 的输出作为上下文传入。

帮助我们改进

如果遇到问题，您可以在 Apify 账户中启用运行共享，帮助我们更快地调试：

1. 前往 账户设置 > 隐私
2. 启用 与公开 Actor 创建者共享运行记录

这样一来，出现问题时我们就能查看您的运行详情，从而更快地修复问题。您的数据仅对 Actor 开发者可见，不会公开。

支持

发现 Bug 或有功能请求？请在此 Actor 页面上的 问题标签页中提交问题。如需定制解决方案或企业集成，请通过 Apify 平台联系我们。