Agent 时代，科学数据 API 需要重新设计

过去很长一段时间，科研检索的核心问题是：

研究者如何更快找到一篇相关论文？

因此，Google Scholar、万方数据、OpenAlex、Bohrium 等产品，分别从不同角度解决了科研信息发现的问题：有人擅长做通用学术搜索，有人擅长中文学术资源，有人擅长开放学术元数据，有人尝试把 AI for Science 做成一站式工作台。

但随着 Claude、Cursor、Codex、Manus 等 Agent 工具逐渐进入科研和开发流程，一个新的问题开始出现：

如果不是人，而是 Agent 要完成科研任务，它需要什么样的科学数据能力？

Agent 不只是“搜索论文”。它需要：

找到可信证据读取原文上下文拿到可引用片段按年份、期刊、DOI、语言等条件筛选论文获取图表、实验图、附件等资源将结果接入 RAG、文献综述、科研问答、专利分析等工作流保留 doc_id、页码、来源信息，避免生成不可追溯的答案

这意味着，科学数据产品正在从“给人看的检索入口”，走向“给 Agent 调用的数据基础设施”。

Sciverse 的价值，正是在这个变化中变得清晰起来。

Sciverse 不是另一个 Google Scholar，也不只是一个论文搜索框。它更适合被理解为：面向 Agent 和开发者的 AI-Ready 科学数据 API，支持检索证据、读取全文、拉取资源和结构化筛选。

如果把常见产品放在一起看，大致可以分成两类。

第一类是用户侧科研检索入口。

它们主要面向研究者本人，强调搜索、浏览、筛选和阅读体验。

代表产品包括：

Google Scholar万方数据Bohrium

第二类是数据和 API 基础设施。

它们主要面向开发者、系统和 Agent，强调数据可调用、结构化、自动化集成。

代表产品包括：

OpenAlexSciverse Agentic SearchSciverse Meta Search

这两类产品并不是简单替代关系，而是服务不同任务。

Google Scholar 适合研究者快速发现论文。

万方数据适合中文学术资源检索和机构知识服务。

Bohrium 更接近 AI for Science 工作台。

OpenAlex 提供开放学术元数据基础设施。

Sciverse 则面向 Agent / 开发者提供可调用的科学数据能力。

这个流程对人有效，但对 Agent 不够友好。

Agent 需要的是更明确、更结构化、可继续调用的数据接口。

例如，当用户让一个科研 Agent 回答：

“AlphaFold-Multimer 在跨膜受体复合物预测上有哪些进展？”

Agent 不应该只拿到一组网页链接。它更需要：

相关文献标题可引用的正文片段片段所在页码或位置doc_id是否可以继续读取全文是否有图表资源后续如何生成引用依据

换句话说，Agent 需要的不是“搜索结果页”，而是“证据调用链”。

这也是 AI-Ready 科学数据 API 的核心价值。

下面用几个关键维度对比当前常见科研信息产品。

产品核心定位主要服务对象最强能力对 Agent 的适配程度Google Scholar通用学术搜索入口研究者覆盖广、使用门槛低、用户认知强较低万方数据中文学术资源与知识服务平台高校、机构、科研人员中文期刊、学位论文、会议、专利、标准等资源中低BohriumAI for Science 科研工作台科研人员、AI4S 用户科研工具体验、AI 科研场景整合中高OpenAlex开放学术元数据 API开发者、数据分析团队开放学术元数据、作者、机构、主题、引用关系高Sciverse Agentic SearchAgent 科学证据检索 APIAgent、开发者、RAG 系统自然语言检索 evidence chunks，返回 doc_id、片段和位置高Sciverse Meta Search结构化科学元数据检索 API开发者、数据产品、Agent按年份、期刊、DOI、语言等字段筛选论文元数据高

从这个对比可以看到，Sciverse 的差异点不在于“做一个更像搜索引擎的网页”，而在于它把科学数据拆成了 Agent 可以调用的接口能力。

Google Scholar 是全球研究者最熟悉的学术搜索入口之一。它的优势非常明确：

覆盖范围广搜索体验简单用户认知强适合快速发现相关论文引用、相关论文、版本等功能对人工研究很有帮助

但如果把 Google Scholar 放到 Agent 工作流里，就会遇到几个问题：

它不是稳定官方 API 产品不适合大规模程序化调用搜索结果不天然返回 evidence chunk不提供标准化 doc_id → 全文读取链路对 RAG、Agent 工具调用、自动化引用核对不够友好

因此，Google Scholar 更适合作为“人类研究者的搜索入口”。

而 Sciverse 更适合作为“Agent 的科学数据调用层”。

两者不是简单替代关系，而是面向不同使用方式。

万方数据在中文学术资源领域具有很强积累。它覆盖中文期刊、学位论文、会议论文、专利、标准、科技成果等多类资源，并长期服务高校、科研院所、医院和企业研发部门。

它的优势在于：

中文学术资源丰富机构采购和学术服务体系成熟适合中文论文检索、资源查询和知识服务在国内科研用户中有较强认知

但对于 Agent 和开发者而言，传统中文学术数据库通常面临几个挑战：

产品心智更偏资源库，而不是 API 基础设施接口、开发者生态、Agent 工具链不是主要卖点结果不一定天然适合 RAG / Agent 自动消费面向全球科学数据和多语言 AI 工作流的能力需要额外补足

Sciverse 并不需要和万方在中文学术资源库上直接竞争。更适合的差异化方向是：

全球科学数据AI-Ready 全文Agent-Native API文献、图书、专利、全文、资源的组合调用适配 Claude、Cursor、Codex、Manus 等 Agent 工具链

如果说万方更像中文学术资源平台，Sciverse 更像面向 AI 和 Agent 的科学数据基础设施。

Bohrium 的产品形态更接近 AI for Science 工作台。它面向科研人员，将搜索、理解、计算、工具和 AI 能力组织在一起，帮助用户完成科研任务。

这类产品的优势在于：

但 Sciverse 的定位不同。

Sciverse 不一定要成为一个大而全的科研工作台。它更适合成为其他工具、Agent 和科研应用背后的科学数据能力层。

例如：

文献综述 Agent 可以调用 Sciverse 找证据科学 RAG 系统可以调用 Sciverse 召回文献片段教育问答产品可以调用 Sciverse 提供可追溯来源专利分析工具可以调用 Sciverse 做文献与专利交叉探索MinerU 解析后的文档可以跳转到 Sciverse 继续查找外部科学证据

因此，Bohrium 更偏应用层，Sciverse 更偏基础设施层。

OpenAlex 是开放学术数据领域非常重要的基础设施。它提供 works、authors、sources、institutions、topics 等实体，适合做学术元数据分析、作者关系、机构产出、主题趋势和引用网络研究。

但 OpenAlex 的核心更偏“开放学术元数据”。

对于 Agent 来说，元数据只是第一步。很多任务还需要：

找到具体证据片段读取全文上下文拉取图表资源支持自然语言问题召回让模型生成可追溯答案

这正是 Sciverse 与 OpenAlex 的关键差异。

Sciverse 提供的不只是论文元数据检索，还包括 Agentic Search、全文读取、资源拉取和字段发现能力。

能力OpenAlexSciverse开放学术元数据强支持作者、机构、主题分析强不是核心重点自然语言证据检索不是核心能力Agentic Search 支持全文读取不是核心卖点content 支持图表/资源拉取不是核心卖点resource 支持Agent 工具链接入需要自行封装Skills / MCP / CLI / SDK适合任务学术元数据分析Agent 证据检索与科学 RAG

可以这样理解：

OpenAlex 更像开放学术元数据图谱。

Sciverse 更像 Agent 可直接消费的科学证据 API。

Agentic Search 适合处理开放式科研问题。

“AlphaFold 在蛋白复合物预测中的局限是什么？”“固态电解质近两年的关键突破有哪些？”“mRNA 疫苗递送系统有哪些新进展？”“COVID-19 长期效应有哪些临床证据？”

它的关键不是返回一堆论文标题，而是返回 Agent 可以继续使用的证据片段。

典型链路是：

自然语言问题→ agentic-search→ 返回相关文献片段、标题、doc_id、页码/位置→ content 继续读取全文→ Agent 生成带引用答案

Meta Search 更适合做结构化论文检索。

例如：

按年份筛选按期刊筛选按 DOI 查询按语言筛选按字段排序分页返回论文列表导出元数据

典型链路是：

meta-catalog→ 查看可筛选字段、可排序字段、默认返回列→ meta-search→ 返回标题、摘要、作者、发表年份等书目信息→ content 读取全文

这类能力非常适合：

论文列表页学术趋势分析文献筛选器批量导出研究主题监控开发者构建科研产品Agent 自动生成查询条件

两者配合起来，Sciverse 可以同时支持“自然语言找证据”和“结构化筛论文”。

Sciverse 的价值并不来自某一个单独接口，而是来自它们可以组合成完整工作流。

接口作用适合场景agentic-search用自然语言检索文献证据片段科研问答、RAG、文献综述 Agentmeta-search按年份、期刊、DOI、语言等结构化条件筛选论文论文列表、筛选器、趋势分析content根据 doc_id 分段读取文章全文引用核对、上下文补全、详情页展示resource根据 file_name 获取论文图表、实验图、解析图等资源图表检索、多模态分析、资源下载meta-catalog查看 meta-search 支持的字段、筛选、排序能力自动生成查询表单、Agent 拼接请求

一个典型 Agent 工作流可以是：

用户提出科研问题→ agentic-search 找到相关证据片段→ 根据 doc_id 调用 content 读取原文上下文→ 如果正文包含图表路径，调用 resource 获取图表→ 用 doc_id、页码、DOI 和 chunk 生成可追溯回答

另一个典型开发者工作流可以是：

开发者要做论文筛选器→ meta-catalog 获取字段定义→ meta-search 按年份、期刊、语言筛选论文→ 用户选择论文后调用 content 读取全文→ 导出论文清单或生成 Evidence Pack

这就是 Sciverse 与传统搜索入口最大的不同：它不是让用户停留在搜索结果页，而是让开发者和 Agent 可以继续调用、组合和扩展。

Agent 在科研任务中最容易出错的地方，不是“不会写答案”，而是“答案没有可信来源”。

因此，面向 Agent 的科学数据 API 需要提供的不只是搜索，而是可追溯证据链。

Sciverse 的设计正好对应这条证据链：

Evidence Retrieval→ Full-text Reading→ Resource Fetching→ Structured Filtering→ Agent Integration

也就是：

检索证据→ 读取全文→ 拉取资源→ 结构化筛选→ 接入 Agent 工作流

这使得 Sciverse 可以服务更复杂的应用，而不仅是论文检索页面。

总结 2024 年固态电解质的关键突破。

Agent 可以通过 Sciverse：

调用 agentic-search 找到相关 evidence chunks根据 doc_id 调用 content 读取原文上下文提取关键结论、方法、材料体系和实验结果输出带引用的综述草稿

开发者构建科学问答系统时，可以用 Sciverse 作为检索后端：

query→ agentic-search→ evidence chunks→ rerank / grounding→ LLM answer with citations

这样可以减少模型凭空回答，提高科研问答的可追溯性。

如果开发者要构建论文数据库，可以使用：

meta-catalog→ meta-search→ content

实现按年份、期刊、DOI、语言等条件筛选论文，并支持分页、导出和详情页展示。

很多科学信息并不只存在于正文，而是在图表里。

通过 Sciverse：

content 中发现图片相对路径→ resource 拉取图表资源→ 接入多模态模型或前端展示

这为多模态科研分析提供了基础。

用户用 MinerU 解析 PDF 后，可以将标题、摘要、关键词、表格内容带到 Sciverse，继续查找相关科学文献、图书、专利和 AI-Ready 全文数据。

这条路径非常自然：

MinerU 读懂用户手里的文档→ Sciverse 补充外部科学证据评测维度Google Scholar万方数据BohriumOpenAlexSciverse人工找论文强强强中中中文学术资源中强中弱中开放学术元数据弱中中强中强稳定 API 调用弱中中强强自然语言证据检索中中强中强全文读取链路弱视权限而定中中强图表资源获取弱视权限而定中弱强结构化筛选中强中强强Agent 工具链弱弱中中强科学 RAG 适配弱中中中强强Citation Grounding弱中中中强

Sciverse 的优势不在于单项替代所有产品，而在于它把 Agent 需要的科学数据能力组织成了一套可调用链路。

Sciverse 的接口不是简单返回网页结果，而是围绕 Agent 工作流设计：

evidence chunkdoc_idpage / positioncontentresourcemetadatacatalog schema

这些信息更适合被模型、RAG 系统和开发者产品消费。

Agentic Search 适合开放问题。

Meta Search 适合字段筛选。

一个负责“找证据”，一个负责“筛论文”。

这比单一搜索框更适合复杂科研应用。

很多学术 API 只停留在元数据层，而 Sciverse 支持从检索结果继续读取全文内容。

这对文献综述、引用核对、RAG grounding 都非常关键。

论文中的图、表、实验图、解析图往往承载大量科学信息。Sciverse 的 resource 能力让开发者可以继续获取这些资源，而不是只处理文本。

Sciverse 不只提供 API，还提供 Skills、MCP、CLI、SDK 等接入方式，适合进入 Claude、Cursor、Codex、Manus 等 Agent 工作流。

这让 Sciverse 不只是一个数据服务，而是一个 Agent 工具层。

科研信息产品的第一阶段，是让人更容易找到论文。

第二阶段，是让系统更容易调用学术数据。

第三阶段，是让 Agent 能够基于真实科学证据完成任务。

在这个阶段，单纯的搜索结果已经不够了。

Agent 需要的是：

能检索能筛选能读全文能取资源能追溯来源能接入工具链

这也是 Sciverse 的核心定位：

面向 Agent 的 AI-Ready 科学数据 API，支持检索证据、读取全文、拉取资源和结构化筛选，让开发者可以把真实科学数据接入科研 Agent、科学 RAG、文献综述、专利分析和 AI4S 应用。

Sciverse 不需要成为另一个 Google Scholar。

它更应该成为下一代科研 Agent 的科学数据调用层。

参考链接：

Google Scholar：https://scholar.google.com/intl/engb/scholar/about.html

OpenAlex：https://docs.openalex.org/

万方数据：https://www.wanfangdata.com.cn/

Bohrium：https://www.bohrium.com/en/intro

Sciverse：https://sciverse.opendatalab.com/

Sciverse Docs：https://sciverse.opendatalab.com/docs