bear-map · 知识地图

bear-map · 知识地图

一个任务：把一个概念交给它，它从真实检索到的摘要里挖出邻近概念，画出这张地图，再把论文交给你读。模型可以凭半生不熟的记忆画一张概念图——有时候对，有时候错；这里把每个节点锁定到真实检索到的摘要，地图只有它检索到的那么宽，不多不少。

先读 references/sci-cli.md——CLI 检测步骤、用法和铁律。 再读 references/output-system.md——三层输出体系和 HTML 外壳规范。

地图有意设计为一层深：中心 + 真实邻居。多层递进的深度学习地图是另一种更重的任务，交给 SciMaster，不在这里做。

步骤（固定顺序）

Step 0 — 确认 CLI 可用 运行 sci --version。未安装就给安装命令并停止；认证错误就提示 sci init 并停止。不要跳过。

Step 1 — 锚定概念，执行多维检索 先以输入术语为中心概念执行主检索，sci search 该术语，--mode low，--limit 20，--prefix 与概念挂钩。

主检索之后，至少再做 2 个补充检索，用来验证邻居节点，而不是只靠中心 query 生成整张地图。补充检索从以下角度选择：

1. 方法邻居：中心概念最常连接的技术、数据类型、检测手段
2. 应用场景：中心概念进入的疾病、人群、任务或临床入口
3. 对照概念：摘要中反复出现的替代方法、竞争路线或基线方法
4. 解释任务：组织来源、机制解释、风险分层、预测指标等下游任务
5. 前沿组合：近年摘要中出现的组合词，如 multi-omics、fragmentomics、foundation model 等

每个补充检索都要在 HTML 的「检索覆盖面」和「检索透明度」里列出，让用户看见本次覆盖了哪些维度。

术语有歧义时，先确认用户想要哪个含义，再检索。

Step 2 — 从摘要里挖邻居，并为每个节点写实质性解释

读取检索到的 .json，从摘要里为每个节点提取两件事：

A. 中心概念解释（3–5 句，锚定来源） 不只是定义，要说清楚三件事，每件各 1–2 句，行内标注来源：

1. 它是什么（核心机制或工作原理）
2. 它解决什么问题，或在什么场景下有用
3. 它和邻近概念之间最核心的连接是什么

B. 邻居节点（5–8 个），每个必须有实质性解释