先看它解决什么

核心流程是：检索 → 去重 → 核验 → 导出。需要引用关系时，在核验后增加 引文图谱 → 人工判断，而不是把引用次数当成证据质量。

30 秒开始

Codex 插件

codex plugin marketplace add wp-a/nature-academic-search
codex plugin add nature-academic-search@wp-a-academic-tools

Claude Code 插件

claude plugin marketplace add wp-a/nature-academic-search
claude plugin install nature-academic-search@wp-a-academic-tools

CLI / 本地 MCP

uv tool install nature-academic-search
export PUBMED_EMAIL=researcher@example.com
nature-academic-search install --client both --email researcher@example.com
nature-academic-search preflight

也可以使用 pipx install nature-academic-search，或从源码安装：

git clone https://github.com/wp-a/nature-academic-search.git
cd nature-academic-search
bash install.sh researcher@example.com

[!IMPORTANT] 安装后下一步：配置可选模型入口

如果要启用 workflow 的计划或筛选辅助，可配置 WPIRONMAN AI 中转；不配置也能完成论文检索、核验和导出。 它只负责模型请求，不负责论文检索，不是论文来源。 进入 WPIRONMAN 控制台 →

直接这样问

第一个请求

安装后直接对 Codex 或 Claude Code 说：

使用 $nature-academic-search 查找 2022 年以来 GLP-1 受体激动剂与抑郁风险的论文。
使用默认五个论文源，按 DOI、PMID、PMCID、arXiv 和 OpenAlex ID 去重；逐源报告成功、失败和限流，
最后只把已核验记录导出为 RIS。

希望追踪一篇论文的上下游时：

使用 $nature-academic-search 解析 DOI 10.1038/nature14539，打开 include_relations，
同时返回 references 和 cited_by，一跳即可；保留每条边的来源、方向和覆盖缺口，不把引用次数解释成证据质量。

六个可复制的中文场景

下面每个场景都可以直接复制到 Codex 或 Claude Code。前三个组成原来的“三个可复制的中文场景”， 并使用仓库中的真实结果截图；截图会标注 2026-07-31 的日期、版本和失败来源，不能被解读为所有数据库都成功。

三个真实结果入口

开题检索 多源发现与失败披露

引用核验 DOI 与元数据冲突

PubMed / MeSH 主题词与检索式

_{真实结果记录于 2026-07-31；每个案例都保留查询范围、工具版本和来源边界。}

1. 开题检索：先扩大，再收窄

使用 $nature-academic-search 为“生成式 AI 在医学教育中的应用与风险”做开题检索。
先记录检索日期、纳入范围和预印本政策，再用默认论文源检索；按 DOI、PMID、PMCID、arXiv 和 OpenAlex ID 去重。
把正式论文、预印本和未解决记录分开，逐源报告 sources_succeeded、sources_skipped 和 errors。
输出 10 条可继续核验的线索，并说明这不是系统综述，也不要根据引用次数判断证据质量。

预期得到：查询范围、去重前后数量、稳定 record_id、逐源状态和下一步核验清单。

本次真实结果与完整记录：开题检索案例。

2. AI 幻觉引用核验：让 DOI 回到真实论文

使用 $nature-academic-search 核验下面的参考文献。先解析 DOI / PMID / PMCID / arXiv ID，
再逐项比较题名、首位作者、年份、期刊和标识符。输出 verified、mismatch、not_found 或 manual_needed，
保留来源和冲突；不要根据题名相似、搜索摘要或 DOI 存在就自动判定为正确。

待核验引用：<在这里粘贴引用>

预期得到：字段级比较、冲突原因、原始来源 URL，以及需要人工确认的项目。

完整记录：AI 幻觉引用核验案例。

3. PubMed / MeSH 检索：先核词，再写检索式

使用 $nature-academic-search 为“生成式 AI 与医学教育”构建 PubMed 起始检索式。
先分别调用 lookup_mesh 核对 Artificial Intelligence、Generative Artificial Intelligence 和 Education, Medical
的规范主题词与 MeSH ID；再把 MeSH 与题名/摘要自由词分组组合。输出每个主题词的核验结果、最终检索式和仍需人工调整的边界。

预期得到：规范主题词、MeSH ID、可审计的起始检索式，以及不能由工具替代的人工扩展项。

完整记录：PubMed / MeSH 案例。

4. 上下游引文追踪：从一篇种子论文扩展

使用 $nature-academic-search 解析 DOI 10.1038/nature14539，并打开 include_relations。
返回 relation=both、depth=1、rows=20；使用 OpenAlex、Crossref、PubMed、Europe PMC 和 Semantic Scholar 的可用关系。
输出 citation_graph 的 nodes、edges、observed_by、sources_skipped 和 errors；把 references 与 cited_by 分开解释，
不要把缺少 incoming 接口的来源写成“没有被引用”。

预期输出形如：

{
  "seed_record_id": "publication:doi:10.1038/nature14539",
  "edges": [{"from": "publication:doi:...", "to": "publication:doi:...", "relation": "references", "observed_by": ["openalex"]}],
  "truncated": false,
  "sources_skipped": [],
  "errors": null
}

depth=2 必须显式请求；图谱是关系导航和审计数据，不是证据质量、因果性或影响力评分。

图谱长什么样

下面是一个结构示意，不是固定的真实论文结果。蓝色是你查询的种子论文，绿色是它引用的论文， 黄色是后来引用它的论文。箭头始终表示 citing → cited：

flowchart LR
    S(["种子论文<br/>Nature 14539"])
    R1["早期基础论文"]
    R2["关键方法论文"]
    C1["后续实验论文"]
    C2["综述论文"]

    S -->|"references<br/>OpenAlex + Crossref"| R1
    S -->|"references<br/>Europe PMC"| R2
    C1 -->|"cited_by<br/>PubMed + Semantic Scholar"| S
    C2 -->|"cited_by<br/>OpenAlex"| S

    classDef seed fill:#2563eb,color:#fff,stroke:#1e40af,stroke-width:3px
    classDef reference fill:#dcfce7,color:#166534,stroke:#22c55e
    classDef citing fill:#fef3c7,color:#92400e,stroke:#f59e0b

    class S seed
    class R1,R2 reference
    class C1,C2 citing

读图时记住三点：

• references 表示当前论文引用了谁，例如 S → R1；
• cited_by 表示谁引用了当前论文，例如 C1 → S；
• observed_by 表示哪些数据库看到了同一条边，例如 ["openalex", "crossref"]。

项目实际返回的是结构化 citation_graph，不是一张静态图片。少量节点可以转换成 Mermaid 放进 Markdown；中等规模适合生成可拖拽 HTML；更大的网络可以导出到 Gephi 或 Cytoscape。图谱只说明 论文之间的书目引用关系，不证明被引用论文支持某个结论，也不把引用次数当作证据质量。

5. 综述整理：检索、筛选、导出分开留痕

使用 $nature-academic-search 为“数字疗法对抑郁症的随机对照试验”建立文献整理 workflow。
先生成 plan.json，等我批准后再检索；记录日期、数据库、纳入排除标准和预印本政策。
核验 DOI / PMID 后，把 verified 记录导出为 RIS，把 mismatch、not_found、manual_needed 和未解决冲突单独列出。
不要把初筛结果称为系统综述，也不要让模型替代双人筛选或偏倚评估。

预期产物：plan.json、results.json、verification.json、screening.csv、references.ris、report.md。

6. 临床试验关联：注册信息和论文分开核验

使用 $nature-academic-search 查找正在招募的肺癌新辅助免疫治疗试验，
调用 search_papers(entity_type="trial")，按 NCT ID 去重并报告试验状态、干预和申办方。
如果记录包含 linked publication，再用 get_paper_by_id 单独核验 PMID / DOI；不要把 ClinicalTrials.gov 注册当成论文。

预期得到：独立的 trial 列表、NCT 标识符、linked publications 线索，以及分开的论文核验结果。

能力矩阵

四个 MCP 工具名保持稳定；引文图谱是 get_paper_by_id 的可选字段，不新增第五个工具。

统一过滤与可复现排序

search_papers 支持统一的 filters：date_from、date_to、language、author、 document_type 和 identifiers。传入 ranking="relevance" 会记录固定版本的 ranking_score、ranking_reasons 和 score_version；这些字段只描述检索相关性，不代表证据质量。

WPIRONMAN AI 中转：可选模型层

WPIRONMAN 适合把 workflow 的研究计划、初筛规则或摘要级分类交给 OpenAI-compatible 模型；论文元数据和引用关系仍由本项目直连学术源。中转不提供 Crossref、PubMed、OpenAlex、Europe PMC 或 Semantic Scholar 的数据库覆盖，也不会让 DOI 自动变正确。

export ACADEMIC_SEARCH_LLM_BASE_URL=https://api.wpironman.top/v1
export ACADEMIC_SEARCH_LLM_API_KEY=你的中转密钥
export ACADEMIC_SEARCH_LLM_MODEL=你的模型名
export ACADEMIC_SEARCH_LLM_PROTOCOL=responses_http

默认只发送标题、摘要、标识符和用户批准的元数据；全文只有在 workflow 中显式设置 privacy.allow_full_text: true 才会上传。密钥不会写入日志、manifest 或 prompt artifact。 网关不可用、超时或返回坏 JSON 时，模型步骤最多重试一次并标记为 skipped，检索、核验和导出继续。

中转控制台：api.wpironman.top。论文源、引用关系和核验结果仍以本项目的直连数据为准。

数据源如何分工

省略 sources 时，publication 默认调用前五个论文源；显式传入 sources 时不会静默扩展。未连接 Google Scholar、Web of Science、Scopus、Embase、CNKI、万方，不会声称覆盖这些数据库。

第三方收录：TensorBlock MCP Server Directory。

输出与审计

每次检索保留 search_run：run_id、UTC 时间、请求来源、去重前后数量、过滤/排序参数和 result_fingerprint。每条记录有稳定 record_id，并保留来源 URL、冲突和来源化 citation_counts。

图谱输出包括：

• nodes：按强标识符合并的 publication 节点；
• edges：统一采用 citing → cited 方向，含 relation 和 observed_by；
• sources_succeeded、sources_skipped、errors：披露实际覆盖，缺少关系接口不等于零关系；
• truncated、truncation_reason、depth_completed：披露节点、边和深度预算。

保存完整 JSON 作为 run.json 或 graph.json，不要只截图标题列表。引用关系只描述导航结构， 不能替代原文阅读、同行评审判断、偏倚评估或因果推断。

CLI 与深入文档

nature-academic-search --help
nature-academic-search serve
nature-academic-search preflight
nature-academic-search citation --pmid 28344011 --format ris
nature-academic-search citation --input refs.txt --format bib --output references/
nature-academic-search workflow run --file review.yml --output artifacts --approve

• 安装与配置
• 检索工作流
• 来源分层与边界
• 引用文件格式
• 维护手册

能力边界

• 本项目以元数据、标识符、引用关系和检索策略为核心，不承诺自动取得付费全文。
• 上游 API 可能限流、超时或暂时不可用；工具会保留成功结果并披露缺口。
• 引用次数属于来源特定指标，不相加为“全网总引用数”。
• 图谱边不代表证据质量、因果关系或论文结论支持。
• trial、preprint 和正式论文分开处理，不能只凭题名合并。
• 正式稿件提交前，仍需核对出版社页面、原文和期刊引用要求。

lookup_mesh 的 ESummary 解析修复已包含在 PyPI 0.3.0 与插件固定版本中。如果你的客户端仍显示旧版本， 请更新插件或从当前源码安装：

git clone https://github.com/wp-a/nature-academic-search.git
cd nature-academic-search
bash install.sh --client both --email researcher@example.com

参与项目

发现解析、来源冲突或安装问题时，请提交 Issue。 贡献代码前请保留四个 MCP 工具名、实体边界和结果契约，并添加回归测试。

如果这个项目让你的文献检索更可追溯，欢迎点一个 Star；它会帮助更多中文科研用户找到这套工作流。

License

MIT