seele-scholar-agent 0.10.1

An academic paper writing agent based on LangGraph

seele-scholar-agent

基于 LangGraph 的学术论文写作智能体。自动生成结构化论文大纲、撰写章节、支持人工审核与多轮修订。

功能特性

• 研究检索：从 ArXiv、Semantic Scholar、OpenAlex 搜索相关论文，支持注入自定义检索源（PubMed、IEEE Xplore、用户文献库等）
• 选题推荐：基于文献趋势推荐具体可行的论文选题
• 大纲规划：基于检索结果生成结构化论文大纲，并为每个章节标注建议图表
• 章节撰写：结合 RAG 上下文自动撰写论文章节，在正文中插入图表占位符（含 chunk_id 绑定）
• 审核修订：AI 审核机制，支持多轮修改；每轮只注入最新一次审稿意见，避免上下文堆叠
• 一致性检查：分三个维度（术语、逻辑、引用）并行独立检查，再聚合结果
• 参考文献生成：自动调用 CrossRef API 验证 DOI、补全发表年份与期刊/会议信息，生成准确的标准格式参考文献列表；API 不可用时自动回退到本地提取
• Token 成本控制：Researcher 压缩文献摘要写入 State；Writer 写完每章后生成轻量摘要供后续章节复用，而非传入全文；整体降低每次 LLM 调用的 input token 消耗
• 流式调用：所有节点支持 astream() 方法，可实时输出 token
• 多模型支持：支持 OpenAI、DeepSeek、Groq 及任何 OpenAI 兼容 API

安装

# 克隆仓库
git clone https://github.com/your-org/seele-scholar-agent.git
cd seele-scholar-agent

# 使用 uv 安装（推荐）
uv sync

# 或使用 pip 安装
pip install -e .

配置

Agent 包内部配置

seele-scholar-agent 只管理自身运行所需的极少数配置，通过 src/seele_scholar_agent/.env 加载：

cp src/seele_scholar_agent/.env.example src/seele_scholar_agent/.env

变量	说明	默认值
SEMANTIC_SCHOLAR_API_KEY	Semantic Scholar API 密钥（可选，提升频率限制）	空
MAX_REVISIONS	最大修订轮次	3

调用方配置（由你的项目管理）

LLM、向量数据库等配置由调用方自行管理，在初始化时注入到 agent：

# 你的项目 .env（示例）
OPENAI_API_KEY=sk-...
OPENAI_MODEL=gpt-4o
OPENAI_BASE_URL=https://api.openai.com/v1

支持任何 OpenAI 兼容 API，通过 ChatOpenAI 构造参数传入：

DeepSeek：

OPENAI_API_KEY = "sk-..."
OPENAI_MODEL = "deepseek-chat"
OPENAI_BASE_URL = "https://api.deepseek.com/v1"

Groq（免费 Llama）：

OPENAI_API_KEY = "gsk_..."
OPENAI_MODEL = "llama-3.1-70b-versatile"
OPENAI_BASE_URL = "https://api.groq.com/openai/v1"

使用方法

快速开始（完整工作流）

import asyncio
from datetime import datetime
from uuid import uuid4

from langchain_openai import ChatOpenAI
from seele_scholar_agent.config import settings
from seele_scholar_agent.graph import create_writing_graph
from seele_scholar_agent.state import AgentState
from seele_scholar_agent.agent_config import PromptsConfig


async def main():
    model = ChatOpenAI(
        model="gpt-4o",
        api_key="sk-...",
        base_url="https://api.openai.com/v1",
        temperature=0.7,
    )

    prompts = PromptsConfig(
        planner_system_prompt="你是大纲规划师...",
        planner_user_prompt="研究主题：{topic}\n...",
        writer_system_prompt="你是学术论文撰写者...",
        writer_user_prompt="论文主题：{topic}\n...",
        reviewer_system_prompt="你是审稿人...",
        reviewer_user_prompt="请审阅以下章节：{content}\n...",
        topic_proposer_system_prompt="你是学术导师...",
        topic_proposer_user_prompt="宽泛研究方向：{topic}\n...",
        finalizer_system_prompt="你是摘要撰写者...",
        finalizer_user_prompt="论文主题：{topic}\n...",
        consistency_check_system_prompt="你负责一致性检查...",
        consistency_check_user_prompt="请检查章节一致性：{sections_summary}\n...",
        citation_alignment_system_prompt="你负责引用核查...",
        citation_alignment_user_prompt="请检查引用：{content}\n...",
        topic_translation_system_prompt="You are an academic search query expert...",
        topic_translation_user_prompt="Translate the following topic: {topic}",
    )

    app = create_writing_graph(model=model, prompts=prompts, rag_retriever=None)

    initial_state: AgentState = {
        "thread_id": str(uuid4()),
        "topic": "你的研究主题",
        "language": "zh",
        "created_at": datetime.now(),
        "tenant_id": None,
        "broad_papers": [],
        "proposed_topics": [],
        "papers": [],
        "search_queries": [],
        "outline": None,
        "outline_approved": False,
        "sections": [],
        "current_section_index": 0,
        "sections_completed": [],
        "review_history": [],
        "current_review": None,
        "rag_context": [],
        "section_summaries": [],   # Writer 每章写完后自动填充，无需手动赋值
        "paper_summaries": [],     # Researcher 检索完成后自动填充，无需手动赋值
        "status": "idle",
        "error_message": None,
        "max_revisions": settings.MAX_REVISIONS,
        "revision_count": 0,
        "references": [],
        "consistency_issues": [],
        "consistency_checked": False,
    }

    result = await app.ainvoke(
        initial_state,
        config={"configurable": {"thread_id": initial_state["thread_id"]}}
    )

    print(f"状态: {result.get('status')}")
    if result.get("outline"):
        print(f"标题: {result['outline'].title}")
        for s in result["outline"].sections:
            print(f"  {s.order}. {s.title}")
            for fig in s.suggested_figures:
                print(f"    [图表] {fig}")


if __name__ == "__main__":
    asyncio.run(main())

结合 RAG 使用（WriterNode 文献注入）

RAG 上下文通过 RAGRetrieverFunc 回调注入，由调用方实现检索逻辑（Qdrant、Chroma 等均可）：

from seele_scholar_agent import RAGRetrieverFunc
from seele_scholar_agent.state import DocumentChunk

# RAGRetrieverFunc = Callable[[str], Awaitable[list[DocumentChunk]]]
# 调用方实现，根据查询返回文档块列表

async def my_rag_retriever(query: str) -> list[DocumentChunk]:
    # 使用 Qdrant、Chroma 等向量数据库检索
    results = await qdrant_store.asimilarity_search(query, k=5)
    return [
        DocumentChunk(
            chunk_id=doc.metadata["chunk_id"],
            content=doc.page_content,
            source=doc.metadata.get("source", ""),
        )
        for doc in results
    ]

app = create_writing_graph(
    model=model,
    prompts=prompts,
    rag_retriever=my_rag_retriever,
)

注入自定义论文检索源（PaperSearchFunc）

通过 extra_paper_retrievers 参数可以注入任意外部论文检索源（PubMed、IEEE Xplore、用户私有文献库等），结果与内置三源（ArXiv、Semantic Scholar、OpenAlex）自动合并去重、按相关度排序：

from seele_scholar_agent import PaperSearchFunc
from seele_scholar_agent.state import PaperMetadata

# PaperSearchFunc = Callable[[str], Awaitable[list[PaperMetadata]]]

async def pubmed_retriever(query: str) -> list[PaperMetadata]:
    """从 PubMed 检索论文"""
    results = await fetch_pubmed(query)
    return [
        PaperMetadata(
            paper_id=f"pubmed:{r['pmid']}",
            title=r["title"],
            authors=r["authors"],
            abstract=r["abstract"],
            url=f"https://pubmed.ncbi.nlm.nih.gov/{r['pmid']}/",
            relevance_score=0.0,   # ResearcherNode 会重新计算排序
            source="user_library",  # 建议使用 "user_library" 标记外部来源
        )
        for r in results
    ]

async def my_library_retriever(query: str) -> list[PaperMetadata]:
    """从私有文献库检索"""
    ...

app = create_writing_graph(
    model=model,
    prompts=prompts,
    rag_retriever=my_rag_retriever,
    extra_paper_retrievers=[pubmed_retriever, my_library_retriever],
)

断点与恢复执行

create_writing_graph 在 topic_proposer 和 planner 节点后设置了断点，分别等待用户选择选题和确认大纲。

人工确认模式：

thread_id = str(uuid4())
config = {"configurable": {"thread_id": thread_id}}

# 第一次调用，运行到 topic_proposer 断点
result = await app.ainvoke(initial_state, config=config)

# 用户选择选题
if result["status"] == "waiting_human":
    for t in result["proposed_topics"]:
        print(f"- {t.title}（{t.difficulty_level}）")
    chosen_topic = result["proposed_topics"][0].title

    # 更新选题并继续到 planner 断点
    app.update_state(config, {"topic": chosen_topic})
    result = await app.ainvoke(None, config=config)

# 用户确认大纲
if result["status"] == "waiting_human":
    outline = result["outline"]
    print(f"标题: {outline.title}")
    for s in outline.sections:
        print(f"  {s.order}. {s.title} — 建议图表: {s.suggested_figures}")

    app.update_state(config, {"outline_approved": True})
    result = await app.ainvoke(None, config=config)

自动模式（跳过断点，适合测试）：

# 使用 create_simple_writing_graph，无断点
from seele_scholar_agent.graph import create_simple_writing_graph

app = create_simple_writing_graph(model=model, prompts=prompts, rag_retriever=None)
result = await app.ainvoke(initial_state, config=config)

单节点流式调用

所有节点均支持独立实例化和流式调用，适用于只需要某个功能的场景。

流式事件结构（NodeStreamEvent）

# NodeStreamEvent 是 TypedDict（total=False），type 字段区分事件类型：
# - "token"    : LLM 输出的文本片段，携带 token: str
# - "progress" : 阶段进度提示，携带 progress: str
# - "result"   : 最终结果，携带 result: dict，始终是最后一个事件

async for event in node.astream(state):
    if event["type"] == "token":
        print(event["token"], end="", flush=True)
    elif event["type"] == "progress":
        print(f"\n[{event['progress']}]")
    elif event["type"] == "result":
        data = event.get("result", {})  # 注意：total=False，用 .get() 访问

论文检索（ResearcherNode）

from seele_scholar_agent import ResearcherNode

researcher = ResearcherNode(
    llm=model,
    extra_paper_retrievers=[pubmed_retriever],  # 可选
)

async for event in researcher.astream(state):
    if event["type"] == "progress":
        print(f"[{event['progress']}]")
    elif event["type"] == "result":
        result = event.get("result", {})
        papers = result.get("papers", [])
        summaries = result.get("paper_summaries", [])
        for p in papers:
            print(f"[{p.source}] {p.title}")

选题推荐（TopicProposerNode）

from seele_scholar_agent import TopicProposerNode

proposer = TopicProposerNode(llm=model, prompts=prompts)

async for event in proposer.astream(state):
    if event["type"] == "result":
        for topic in event.get("result", {}).get("proposed_topics", []):
            print(f"- {topic.title}（{topic.difficulty_level}）")

大纲规划（PlannerNode）

from seele_scholar_agent import PlannerNode

planner = PlannerNode(llm=model, prompts=prompts)

async for event in planner.astream(state):
    if event["type"] == "token":
        print(event["token"], end="", flush=True)
    elif event["type"] == "result":
        outline = event.get("result", {}).get("outline")
        for section in outline.sections:
            print(f"{section.order}. {section.title}")
            for fig in section.suggested_figures:
                print(f"   [建议图表] {fig}")

章节撰写（WriterNode）

from seele_scholar_agent import WriterNode

writer = WriterNode(llm=model, prompts=prompts, rag_retriever=my_rag_retriever)

async for event in writer.astream(state):
    if event["type"] == "token":
        print(event["token"], end="", flush=True)
    elif event["type"] == "result":
        result = event.get("result", {})
        sections = result.get("sections", [])
        # section_summaries 已自动更新到 result 中，LangGraph 会合并回 state
        print(sections[state["current_section_index"]].content)

审稿（ReviewerNode）

from seele_scholar_agent import ReviewerNode

reviewer = ReviewerNode(llm=model, prompts=prompts)

async for event in reviewer.astream(state):
    if event["type"] == "result":
        review = event.get("result", {}).get("current_review")
        print(f"通过: {review.approved}, 评分: {review.score}")
        for issue in review.issues:
            print(f"  [{issue.type}] {issue.description}")

图表占位符处理

Writer 节点在正文中插入图表占位符，格式如下：

{{FIGURE: 条形图，展示各模型在ImageNet上的Top-1准确率对比 | chunks:[abc123,def456]}}
{{TABLE: 各方法时间复杂度与空间复杂度对比 | chunks:[xyz789]}}

• FIGURE / TABLE：图表类型
• 描述部分：图表内容和展示目的
• chunks：对应 RAG 中数据来源的 chunk_id 列表，由 LLM 在写作时从 RAG context 中自动绑定；无数据支撑时为空数组 chunks:[]

主项目解析示例：

import re

FIGURE_PATTERN = re.compile(
    r'\{\{(FIGURE|TABLE): (.+?) \| chunks:\[([^\]]*)\]\}\}'
)

def extract_figures(content: str):
    results = []
    for fig_type, description, chunks_str in FIGURE_PATTERN.findall(content):
        chunk_ids = [c.strip() for c in chunks_str.split(",") if c.strip()]
        results.append({
            "type": fig_type,
            "description": description,
            "chunk_ids": chunk_ids,
        })
    return results

async def render_figures(content: str, rag_store) -> str:
    for fig_type, description, chunks_str in FIGURE_PATTERN.findall(content):
        chunk_ids = [c.strip() for c in chunks_str.split(",") if c.strip()]
        data = await rag_store.get_chunks(chunk_ids)
        placeholder = f"{{{{{fig_type}: {description} | chunks:[{chunks_str}]}}}}"
        content = content.replace(placeholder, render_chart(fig_type, description, data))
    return content

节点返回值（result 事件字段）

每个节点 astream() 的最后一个事件类型为 "result"，event.get("result", {}) 是一个 dict，对应 AgentState 的局部更新。

TopicProposerNode

字段	类型	说明
broad_papers	list[PaperMetadata]	宽泛检索阶段找到的文献
proposed_topics	list[ProposedTopic]	推荐的论文选题列表
status	"waiting_human"	等待用户选择选题

ProposedTopic 字段：

字段	类型	说明
title	str	选题标题
description	str	详细描述和切入点
trend_analysis	str	趋势分析（受哪些文献启发）
difficulty_level	"easy" | "medium" | "hard"	难度评估

ResearcherNode

字段	类型	说明
papers	list[PaperMetadata]	检索到的论文（多源去重，按相关度排序；abstract 已截断至约 100 字符以节省 State 体积）
paper_summaries	list[str]	与 papers 一一对应的精简摘要列表，每条格式为 [N] 标题 — 作者. 摘要片段，约 50 tokens/条；Writer/Planner 优先使用此字段构建 LLM 上下文
search_queries	list[str]	实际使用的搜索词列表
status	"planning"	进入规划阶段

PaperMetadata 字段：

字段	类型	说明
paper_id	str	论文唯一 ID
title	str	论文标题
authors	list[str]	作者列表
abstract	str	摘要（State 中已截断，完整内容见 paper_summaries）
url	str | None	论文页面链接
pdf_url	str | None	PDF 直链
relevance_score	float	相关度分数
source	"arxiv" | "semantic_scholar" | "openalex" | "user_library"	来源

PlannerNode

字段	类型	说明
outline	OutlineStructure	生成的论文大纲
sections	list[SectionDraft]	按大纲拆分的章节草稿（初始均为 pending）
current_section_index	0	重置章节索引
status	"waiting_human"	等待用户确认大纲

SectionOutline 字段：

字段	类型	说明
title	str	章节标题
description	str	章节描述
order	int	章节顺序编号
key_points	list[str]	关键论点列表
suggested_figures	list[str]	建议在本章插入的图表描述列表

WriterNode

字段	类型	说明
sections	list[SectionDraft]	当前章节 content 已填充，status 变为 "review"
section_summaries	list[str]	已写章节的轻量摘要列表（按章节索引定位，约 150 tokens/条）；后续章节写作时以此替代全文传入上下文，减少 input token
status	"reviewing"	进入审稿阶段

SectionDraft 字段：

字段	类型	说明
section_id	str	章节 ID（如 "section_0"）
title	str	章节标题
content	str	正文内容（Markdown，含图表占位符）
order_index	int	章节顺序
status	"pending" | "writing" | "review" | "approved" | "auto_generated"	章节状态
revision_count	int	已修订次数
review_comments	list[str]	当前轮次的审稿意见（仅保留最新一轮，不累积历史）

ReviewerNode

审核通过时：

字段	类型	说明
sections	list[SectionDraft]	当前章节 status 更新为 "approved"
sections_completed	list[str]	新增当前章节标题
review_history	list[dict]	新增本次审核记录（完整历史，累加）
current_review	dict	本次审核结果（见下表）
current_section_index	int	推进到下一章节
status	"writing" | "completed"	继续或完成

审核不通过时：

字段	类型	说明
sections	list[SectionDraft]	当前章节 status 变回 "writing"，review_comments 替换为本轮最新意见（不叠加旧轮）
revision_count	int	修订计数加 1
status	"writing"	返回撰写阶段重写

上下文隔离设计：review_comments 每轮覆盖写入而非累加，Writer 每次重写只看最新一轮反馈，防止多轮修改后 prompt 无限膨胀。完整历史通过 review_history 字段（operator.add 累加）保留，满足审计需求。

current_review dict 字段：

字段	类型	说明
approved	bool	是否通过
score	int	评分（1-10）
issues	list[dict]	问题列表（含 type、description、suggestion、location）
summary	str	总体审阅意见

issues[].type 可选值：factual_error | missing_citation | weak_argument | format_issue | citation_mismatch | other

FinalizerNode

字段	类型	说明
sections	list[SectionDraft]（可选）	更新了摘要/结论内容（status 为 "auto_generated"）
status	"completed"	工作流完成

ConsistencyCheckerNode

字段	类型	说明
consistency_checked	True	标记检查已完成
consistency_issues	list[ConsistencyIssue]	三个维度检查聚合后的问题列表（无问题时为空数组）

Map-Reduce 实现：节点内部将一致性检查拆分为三个独立的 LLM 调用，通过 asyncio.gather 并行执行，最后合并结果：

• 术语检查（terminology）：仅传入大纲关键词 + 各章摘要
• 逻辑连贯性检查（logic）：仅传入大纲结构 + 各章摘要
• 引用一致性检查（citation）：仅传入参考文献列表 + 各章摘要（含行内引用）

各子检查只接收自身所需的最小上下文，相比原来一次性传入全文显著降低 token 消耗。

ConsistencyIssue 字段：

字段	类型	说明
issue_type	"terminology" | "citation" | "logic" | "other"	问题类型
description	str	问题描述
sections_involved	list[str]	涉及的章节标题列表
suggestion	str	修改建议

ReferenceGeneratorNode

字段	类型	说明
references	list[ReferenceEntry]	参考文献列表（按正文引用顺序排列）
status	"completed"	工作流完成

ReferenceEntry 字段：

字段	类型	说明
number	int	引用编号，对应正文中的 [N]
paper_id	str	论文 ID
title	str	论文标题
authors	list[str]	作者列表
year	int | None	发表年份
venue	str | None	发表期刊/会议（由 CrossRef 补全）
url	str | None	论文链接
doi	str | None	DOI 标识符
formatted	str	格式化字符串（如 [1] Author. Title. Venue. (Year)）

自定义 Prompts（PromptsConfig）

所有节点的 prompt 均通过 PromptsConfig 注入，支持完全自定义。

必填字段

from seele_scholar_agent.agent_config import PromptsConfig

prompts = PromptsConfig(
    # ── 规划 ──────────────────────────────────────────────
    planner_system_prompt="你是大纲规划师...",
    planner_user_prompt="研究主题：{topic}\n参考文献：{papers_summary}\n...",

    # ── 撰写 ──────────────────────────────────────────────
    # 可用变量：{topic} {language} {section_title} {section_description}
    #           {outline_json} {previous_sections} {numbered_papers}
    #           {rag_context} {review_comments} {suggested_figures}
    writer_system_prompt="你是学术论文撰写者...",
    writer_user_prompt="论文主题：{topic}\n...",

    # ── 审稿 ──────────────────────────────────────────────
    reviewer_system_prompt="你是审稿人...",
    reviewer_user_prompt="请审阅以下章节：{content}\n...",

    # ── 选题推荐 ───────────────────────────────────────────
    topic_proposer_system_prompt="你是学术导师...",
    topic_proposer_user_prompt="宽泛研究方向：{topic}\n...",

    # ── 摘要/结论生成 ──────────────────────────────────────
    finalizer_system_prompt="你是摘要撰写者...",
    finalizer_user_prompt="论文主题：{topic}\n...",

    # ── 一致性检查（整体，作为后备） ─────────────────────────
    consistency_check_system_prompt="你负责一致性检查...",
    consistency_check_user_prompt="请检查章节一致性：{sections_summary}\n...",

    # ── 引用核查 ───────────────────────────────────────────
    citation_alignment_system_prompt="你负责引用核查...",
    citation_alignment_user_prompt="请检查引用：{content}\n...",

    # ── 选题翻译（中/日文主题→英文搜索词） ───────────────────
    topic_translation_system_prompt="You are an academic search query expert...",
    topic_translation_user_prompt="Translate the following topic: {topic}",
)

可选字段：ConsistencyChecker Map-Reduce 子检查 Prompts

以下六个字段默认为空字符串。留空时，节点自动使用内置默认模板；提供时，将覆盖默认模板，可完全定制各维度检查的指令风格和输出格式。

prompts = PromptsConfig(
    # ... 必填字段 ...

    # ── 术语一致性检查 ─────────────────────────────────────
    # 可用变量：{topic} {keywords} {sections_summary}
    terminology_check_system_prompt="你是术语一致性检查专家...",
    terminology_check_user_prompt=(
        "主题：{topic}\n关键词：{keywords}\n\n各章摘要：\n{sections_summary}\n\n"
        '返回 JSON：{{"issues": [{{"issue_type": "terminology", ...}}]}}'
    ),

    # ── 逻辑连贯性检查 ─────────────────────────────────────
    # 可用变量：{topic} {outline_text} {sections_summary}
    logic_check_system_prompt="你是论文逻辑连贯性检查专家...",
    logic_check_user_prompt=(
        "主题：{topic}\n大纲：\n{outline_text}\n\n各章摘要：\n{sections_summary}\n\n"
        '返回 JSON：{{"issues": [{{"issue_type": "logic", ...}}]}}'
    ),

    # ── 引用一致性检查 ─────────────────────────────────────
    # 可用变量：{topic} {references_text} {sections_summary}
    reference_consistency_system_prompt="你是引用一致性检查专家...",
    reference_consistency_user_prompt=(
        "主题：{topic}\n参考文献列表：\n{references_text}\n\n各章摘要：\n{sections_summary}\n\n"
        '返回 JSON：{{"issues": [{{"issue_type": "citation", ...}}]}}'
    ),
)

项目结构

src/seele_scholar_agent/
├── __init__.py             # 公共 API 导出
├── config.py               # 配置管理
├── state.py                # Pydantic 模型和 TypedDict 状态定义
├── graph.py                # LangGraph 工作流定义
├── agent_config.py         # PromptsConfig、RAGRetrieverFunc、PaperSearchFunc
├── logging.py              # 结构化日志配置
├── i18n.py                 # 多语言支持
├── tools/
│   └── crossref.py         # CrossRef REST API 查询（DOI 验证、元数据补全）
└── nodes/
    ├── __init__.py         # NodeStreamEvent、_stream_llm_text、invoke_with_retry、常量
    ├── topic_proposer.py   # 选题推荐节点
    ├── researcher.py       # 论文检索节点（ArXiv、Semantic Scholar、OpenAlex + 自定义源）
    ├── planner.py          # 大纲规划节点（含 suggested_figures）
    ├── writer.py           # 章节撰写节点（含图表占位符、section_summaries 生成）
    ├── reviewer.py         # 审稿节点（review_comments 每轮覆盖，不累积）
    ├── finalizer.py        # 摘要/结论生成节点
    ├── consistency_checker.py  # 一致性检查节点（术语/逻辑/引用三路并行 Map-Reduce）
    └── reference_generator.py  # 参考文献生成节点（含 CrossRef 集成）

AgentState 状态字段

字段	类型	累加策略	说明
thread_id	str	替换	线程 ID，用于对话持久化
topic	str	替换	研究主题
language	Literal["zh","en","ja"]	替换	输出语言，默认 "zh"
created_at	datetime	替换	创建时间
tenant_id	str | None	替换	租户 ID（多租户场景）
broad_papers	list[PaperMetadata]	替换	选题阶段检索到的宽泛文献
proposed_topics	list[ProposedTopic]	替换	推荐的论文选题列表
papers	list[PaperMetadata]	追加	正式写作阶段检索到的论文（abstract 已截断）
paper_summaries	list[str]	替换	Researcher 生成的精简文献摘要（1-3 句/条，与 papers 一一对应）
search_queries	list[str]	追加	搜索查询记录
outline	OutlineStructure | None	替换	生成的大纲（含各章节 suggested_figures）
outline_approved	bool	替换	大纲是否已审核通过
sections	list[SectionDraft]	替换	拆分的章节列表
current_section_index	int	替换	当前正在撰写的章节索引
sections_completed	list[str]	追加	已完成的章节标题列表
review_history	list[dict]	追加	审核历史记录（完整留存，用于审计）
current_review	ReviewResult | None	替换	当前审核结果
rag_context	list[DocumentChunk]	追加	RAG 检索到的上下文
section_summaries	list[str]	替换	Writer 生成的各章摘要（按章节索引定位，section_summaries[i] 对应 sections[i]）
references	list[ReferenceEntry]	替换	生成的参考文献列表
consistency_issues	list[ConsistencyIssue]	替换	一致性检查发现的问题
consistency_checked	bool	替换	是否已完成一致性检查
status	Literal[...]	替换	当前工作流状态
error_message	str | None	替换	错误信息
max_revisions	int	替换	最大修订次数
revision_count	int	替换	当前修订计数

累加策略说明：标注「追加」的字段使用 Annotated[list, operator.add]，节点返回的 list 与现有值拼接；其余字段为替换（节点返回值直接覆盖）。

status 可选值： idle | researching | planning | writing | reviewing | finalizing | checking_consistency | waiting_human | completed | failed

工作流程

START → topic_proposer → [选题确认] → researcher → planner → [大纲确认] → writer → reviewer
                                                                                      ↓
                                                                                 [审核通过?]
                                                                                      ↓
                                                                           writer(下一节) 或 finalizer
                                                                                      ↓
                                                                           consistency_checker → reference_generator → END

1. TopicProposer：基于宽泛研究方向推荐 3 个具体选题（断点，等待用户选择）
2. Researcher：从 ArXiv、Semantic Scholar、OpenAlex 及自定义检索源检索相关论文；完成后自动生成 paper_summaries（精简摘要列表）并截断 papers.abstract，减少 State 体积
3. Planner：生成结构化大纲，每章节附 suggested_figures（断点，等待用户确认）
4. Writer：根据大纲和 RAG 上下文撰写章节，正文中插入图表占位符（绑定 chunk_id）；每章完成后生成约 150 tokens 的 section_summaries[i]，后续章节以摘要列表替代全文作为前序上下文
5. Reviewer：审核章节质量，支持多轮修订；review_comments 每轮覆盖，只向 Writer 传递最新意见
6. Finalizer：生成摘要和结论（针对仍处于 pending 状态的摘要/结论章节）
7. ConsistencyChecker：术语、逻辑、引用三个维度并行独立检查，每路只接收最小必要上下文，最后聚合结果
8. ReferenceGenerator：生成参考文献列表（CrossRef 补全元数据，自动回退）

create_simple_writing_graph 构建无断点版工作流，适合全自动运行场景。

开发

# 安装开发依赖
uv sync --extra dev

# 运行代码检查
ruff check src/

# 运行类型检查
mypy src/

# 运行测试
pytest

许可证

MIT