PaperSpine 引用支撑库(Citation Support Bank)构建指南:候选收集、逐条验证与期刊级引用审计

原创2026-10-12 14:58:161,974 阅读
文章标签:人工智能AI 技能AI 写作

PaperSpine 引用支撑库(Citation Support Bank)构建指南:候选收集、逐条验证与期刊级引用审计

Citation Support Bank 是 PaperSpine 论文改写工作流中的一份核心中间产物:它把"该引什么文献"和"这些文献能否支撑某一句具体论述"沉淀为一张可校验、可追溯的候选表,供 Introduction、Related Work、Discussion、局限性、应用与背景等章节写作时按句取用。本文以 引用支撑库规范 为主体,结合 citation.md、journal-learning.md 及 citation_bank_check.py、citation_quality_audit.py、citation_verification_en.py 等源码,完整讲解范围感知计数、六类文献选型、13 列候选表规范、来源渠道与验证规则,并给出可实际运行的校验命令。读完本文,你将能按 PaperSpine 的契约标准亲手构建一份合格、可过检、可直接支撑论文写作的引用支撑库。

一、定位:引用支撑库与范例学习的明确分工

citation_support_bank.md 与范例论文学习(exemplar learning)是两种性质不同的任务。规范文档开篇即给出界定:

  • 范例论文(exemplar papers) 的作用是教写作结构与目标场景的修辞,回答"论文该怎么组织、该怎么写";
  • 引用支撑论文(citation-support papers) 的作用是支撑用户在 Introduction、Related Work、Discussion、局限性(limitations)、应用(applications)和背景(background)中的具体文献论断,回答"这句话由哪篇文献背书"。

换句话说,范例学习解决"表达方式",引用支撑库解决"论断依据"。二者在同一任务中可以并行存在,但不可互相替代——引用支撑库不能拿来学写作结构,范例论文也不能拿来当引用依据。

从编排层面看,这份规范属于 academic-writing 技能的引用支撑库参考文档,其规范源位于 src/skill/references/citation-support-bank.md;而负责编排各阶段的标准 playbook 是 citation.md,它在 orchestrator 的 13 阶段契约中对应第 3 阶段 citation(构建并验证 citation_support_bank.md),详见 orchestrator-branch-map.md。

二、范围感知计数(Scope-Aware Counts):不要用一刀切的"20 篇默认值"

引用支撑库的规模不是固定常数,而是由任务配置与文献范围共同决定的。规范明确要求读取已保存的 literature.reference_count_mode 与 literature.reference_count:

  • venue_average 模式:使用实际统计的目标期刊样本与当前 journal-learning 指导,而不是固定默认 20。按 journal-learning.md 的做法,需要统计所选同类目标期刊论文中的参考文献条目数、记录这些计数及其观测均值,并至少瞄准 floor(mean) + 1 篇有效参考文献——这是从样本估计出的目标,不是期刊级精确平均值;用户可用 custom 覆盖,且官方文章类型的上限优先。
  • custom 模式:直接采用用户给出的正数 literature.reference_count。

在文献范围(literature scope)上,规范区分两种契约:

  • 开放文献(open literature):构建一个去重后的候选池,池子的规模以能覆盖实际论断、最近工作(closest work)、方法与相关替代方案为准;当存在具体覆盖缺口时继续扩充。最终引用数目的固定倍数不是完成要求——候选池只服务于覆盖,不服务于凑数。
  • 封闭语料(closed corpus):对提供的文献目录做枚举与去重,尽量达到最终引用目标;但当完整语料本身更小、已全部纳入时,使用 CLOSED_CORPUS_EXHAUSTIVE 标记并如实报告语料规模与年代。语料大小与年代是披露项,不是编造来源或中止可支撑改写的理由。

关于时效性,规范给出一个极易被误用的边界:在时效敏感处纳入近期工作,同时保留与年代无关的基础性(foundational)或纵向(longitudinal)证据;对实质性的覆盖缺口要解释原因,不得在跨学科领域强制推行统一的"近期来源百分比"或滚动窗口。

值得注意的是 closed_corpus 的判定门槛:根据 citation.md 的补充,只有在用户明确限制可用文献仅为所提供材料时才解析为 closed_corpus;本地路径、specified_paths、rewrite_existing 或 materials_only 设置本身并不会把公共文献封闭成私有语料。这一点在判断文献范围时非常关键。

三、要检索的论文类型:六类文献混合选型

规范强调:候选池不应局限于同一种窄方法,而应覆盖同领域、邻近领域、基础方法、数据集/基准、评测方法与应用论文。一份好的 Introduction 与 Discussion 通常需要以下类型的混合:

  1. 直接任务/SOTA 论文(direct task/SOTA papers);
  2. 更广领域的综述或评论(field surveys or reviews);
  3. 基础技术论文(foundational technique papers);
  4. 基准或数据集论文(benchmark or dataset papers);
  5. 应用或领域影响论文(application or domain-impact papers);
  6. 局限性、鲁棒性、可复现性或伦理论文(limitation / robustness / reproducibility / ethics papers,视相关性而定)。

这一分类在源码中得到了精确的建模。citation_quality_audit.py 的 CITATION_TYPES 字典(src/scripts/citation_quality_audit.py)定义了六类引用类型的判定词与含义:

类型键 含义 典型判定词(源码)
sota 直接任务或 SOTA 论文 默认归类
foundational 基础方法或理论论文 foundation / seminal / classic / theory
benchmark 数据集、基准或评测协议论文 benchmark / dataset / corpus / evaluation
survey 综述、回顾或元分析 survey / review / meta-analysis / 综述
application 领域应用或影响论文 application / real-world / deployment / clinical
critique 局限性、鲁棒性、可复现性或伦理论文 limitation / robustness / reproducibility / bias / fairness

该脚本还会按目标场景(journal / conference / report_review / competition)生成场景化引用策略指导(SCENE_CITATION_GUIDANCE,src/scripts/citation_quality_audit.py)。例如:

  • 期刊(journal):必须引用 3–5 篇最近的竞争方法(缺失是 desk-reject 风险);引用 1–2 篇近期综述;包含 1–2 篇局限性/鲁棒性论文以展示对领域挑战的认知。
  • 会议(conference):审稿人对时效性审查更激进,要求 5–8 篇最近的竞争方法。
  • 报告/评审(report_review):广度优先,综述类引用必不可少(3–5 篇)。
  • 竞赛(competition):引用往届竞赛或榜单的前三名方案、基础方法、竞赛数据集与评测协议。

这意味着引用支撑库的候选池构成会直接决定后续审计报告中的"多样性缺口(Citation Diversity Gaps)"分析——某类引用占比过低(<5%)时,审计会明确提示补充对应类型。

四、legacy checker 表格:13 列规范与完整字段语义

规范提供了一张"遗留检查器(legacy checker)"可接受的 Markdown 表格模板。这张表是 citation_quality_audit.py 与 artifact_check.py 能够在不抬高分数的情况下接受非 DOI 来源的关键:Source Channel、Verified、Verification Note 三列承担了"来源可追溯、可复核"的责任。完整表头如下:

Candidate ID Source ID Claim Use ID Reference/BibTeX Year Recency Supports Section Support Claim Sentence Why This Paper Fits Source Source Channel Verified Verification Note
C001 S001 U001 Vaswani et al. "Attention Is All You Need." arXiv:1706.03762 2017 foundational Related Work Prior work established self-attention as a replacement for recurrence. Foundational transformer paper the method builds on. arXiv arxiv yes Confirmed via arXiv abstract page; arXiv:1706.03762 title matches.

各字段职责可归纳为三组:

  • 身份组:Candidate ID(候选编号)、Source ID(文献唯一身份)、Claim Use ID(该文献在稿件中的一处使用点)、Reference/BibTeX(书目身份)、Year(年份)、Recency(时效性标记,如 foundational / recent);
  • 支撑组:Supports Section(支撑的章节)、Support Claim Sentence(被支撑的论断句)、Why This Paper Fits(为何适合);
  • 来源与验证组:Source(检索来源)、Source Channel(来源渠道)、Verified(已验证标记)、Verification Note(验证说明)。

表格的行级规则在规范中被逐条列出,且与 artifact_check.py 的 validate_citation_support_bank(src/scripts/artifact_check.py)的列校验一一对应:

  1. 每行必须包含一种引用格式:BibTeX、DOI、URL、arXiv ID,或足够让用户核实的书目元数据。
  2. 每行必须包含一到两句可直接入稿的支撑句,例如 Prior work has shown that ...、Recent studies in ... motivate ...、This supports the Discussion claim that ...。
  3. 支撑句不得编造来源元数据、摘要或用户提供的 PDF/文本中不可见的结论。
  4. 每一行都必须填写 Source Channel,允许值:MCP-CNKI、MCP-IEEE、MCP-PubMed、MCP-Crossref、web、arxiv、publisher、local、unknown。
  5. 外部渠道不得留空验证:Verified 必须是 yes、verified、pass 或 true 之一,且 Verification Note 必须记录稳定标识符(DOI、arXiv ID 或 URL)及核验方式。仅置 Verified=yes 而没有标识符会被视为"自证(self-attestation)",不会达到 verified 状态——这一点在 citation_quality_audit.py 中体现为:无 DOI 且仅有标记但无稳定标识符的行,resolvability 分数仅为 35 且保持 pending(src/scripts/citation_quality_audit.py)。
  6. 不确定的候选必须显式标记 [VERIFY] 或 pending,并写明未决点;禁止用未验证候选支撑最终论断。最终采纳的外部来源行必须记录稳定标识符,并完成真实的身份与论断支撑核验。
  7. 草稿阶段只选取支撑 Introduction 与 Discussion 连贯段落所需的最小子集,不要把全部候选倾倒进最终论文。
  8. 去重维度:DOI、PMID、arXiv ID、BibTeX key、URL 或规范化引用。多处以同一文献支撑多个论断时,该文献在来源覆盖、时效性与多样性统计中只计一次;开放文献模式下若检索无法达到目标需记录 SOURCE_COVERAGE_BLOCKED,封闭语料模式需记录 CLOSED_CORPUS_EXHAUSTIVE 与实际来源数。严禁克隆行凑数。

源码侧的去重逻辑见 citation_bank_check.py 的 source_identity 函数(src/scripts/citation_bank_check.py):按优先级依次识别 DOI(10.xxxx/...)、arXiv ID、PMID、BibTeX key、URL,最后才回退到 Source ID 或规范化文本——这样做正是为了防止给同一篇论文换个本地编号就虚增来源覆盖数。

五、来源渠道与验证规则:让"非 DOI 来源"也能被审计接受

PaperSpine 的检索优先级在 citation.md 中有明确的四层协议:

  1. 文献 MCP 工具(首选):若宿主配置了 MCP 服务器优先使用,并逐条记录渠道 MCP-CNKI、MCP-IEEE、MCP-PubMed、MCP-Crossref、web、local、unknown;
  2. 宿主 WebSearch / 浏览工具(回退):渠道标记为 web;
  3. 本地文件:渠道标记为 local;
  4. MCP 是增强项而非依赖:没有 MCP 时用 web/local 来源构建候选池。

验证的硬性规则是:外部渠道(web、MCP-*、Crossref、PubMed、Scholar、Semantic Scholar、IEEE、CNKI、WOS、arxiv、publisher)的验证不能留空。artifact_check.py 会按此逻辑检查:存在外部渠道行时,若 Verified 不在合法值集合 {yes, verified, pass, true} 内、或 Verification Note 为空/占位(<a href="https://link.gitcode.com/i/54647bc0cc6fb5340f762fc252f0a16b" target="_blank">verify]、todo、tbd、pending),即记为问题([src/scripts/artifact_check.py)。而 citation_quality_audit.py 则通过 has_manual_verification(src/scripts/citation_quality_audit.py)判断非 DOI 来源是否达到了"可接受的手工验证":验证说明需包含 confirmed、verified、publisher、crossref、pubmed、arxiv、database、metadata 等确认词,或至少能从中提取出 DOI/arXiv ID/URL 稳定标识符。

对本地来源(local),规范同样要求书目身份与引用上下文核验:要记录实际文件支撑的内容与未决出处,local 渠道或空白验证字段不是验证证据。对无法完成外部核验的行,规范的态度是:保留其真实渠道、标记验证 pending、将其排除出可用采纳集,同时继续用已支撑的证据推进草稿——绝不能通过篡改来源渠道来掩盖疑虑。遗留检查器可能拒绝 pending 行,那是对输入候选库的诊断,不是停止写作的理由。

六、输出位置:写入何处、何时需要、何时不需要

规范指定的落盘路径为:

paper_rewriting_output/citation_support_bank.md

在 artifact_check.py 的必需产物清单(COMMON)中,citation_support_bank.md 与 paper_spine_config.json、research_dossier.md、writing_rationale_matrix.md 等并列,属于两条工作流(rewrite_existing 与 build_from_materials)共用的核心 artifact;当 translation_package=zh 时还存在对应的 translation_zh/citation_support_bank.zh.md(见 artifact_check.py)。

规范同时给出一个重要边界:使用一条引用前,先确立其身份与它支撑的内容;已存在的已验证笔记(existing verified notes)即可满足要求,单独命名的引用库文件并不是写作的前提。最终被引用条目要与已保存的目标做对账,规则见 citation.md——再大的候选库也不能替代这一步对账。

七、四步构建流程与候选库诊断命令

citation.md 给出了引用支撑库的完整流程,与本文档直接衔接:

  1. 收集轮(Collection pass):构建初始候选池,为每一行填写 Source Channel;
  2. 验证轮(Verification pass):核验每一行外部来源,填写 Verified 与 Verification Note,并在适用时运行 citation_quality_audit.py 与 citation_verification_en.py;
  3. 覆盖检查(Coverage check):区分 unique_source_count(唯一来源数)与 claim_use_count(论断使用数)。最终目标短缺时应寻找并整合相关、已验证的支撑,不得静默降低要求的覆盖;若显式语料限制或期刊规则确实阻止,则如实报告冲突与实际覆盖。CLOSED_CORPUS_EXHAUSTIVE 仅是遗留检查器对"语料已穷尽"的标记,不是新的写作关卡。两种模式下都禁止复制使用行来凑数;
  4. 策展(Curation):稿件中只使用已验证、上下文匹配的来源;未决候选保持分离,并继续基于已有有效证据起草——不要让某个未用候选的空白字段阻塞全部写作。

配套诊断命令(均以仓库根目录下 src/scripts/ 为基准):

# 结构检查:开放文献范围
python src/scripts/citation_bank_check.py <existing-bank.md> --target-count <resolved-target> --scope open_literature --markdown
# 结构检查:封闭语料范围
python src/scripts/citation_bank_check.py <existing-bank.md> --target-count <resolved-target> --scope closed_corpus --markdown
# 质量审计(可解析性/时效性/领域相关性与场景化策略),写出 citation_quality_audit.md
python src/scripts/citation_quality_audit.py paper_rewriting_output --write
# 英文文献 Crossref 标题/年份核验,写出 citation_verification_en.md
python src/scripts/citation_verification_en.py paper_rewriting_output/citation_support_bank.md --markdown --write

citation_bank_check.py 的解析参数(src/scripts/citation_bank_check.py)值得注意:--target-count 是需要解析后的任务书目目标(缺省表示不评估覆盖);--multiplier 默认 1(注意:规范的现代语义已取消"最终引用数的固定倍数"这一完成要求,仅遗留调用方显式传入时才启用其历史结构检查);--recent-ratio 默认 0.0(同样已取消跨领域统一近源百分比),--recent-years 默认 3。在封闭语料模式下,时效性与 3 倍发现广度只是建议性的,来源真实性、去重与论断支撑仍是硬性要求;且当库中声明 CLOSED_CORPUS_EXHAUSTIVE 时,即使行数/唯一来源数低于目标也不会因此判 FAIL(src/scripts/citation_bank_check.py)。

八、验证工具链源码解析:三类检查器各司其职

围绕 citation_support_bank.md,仓库提供了三个互补的校验脚本,理解其判定口径对构建"一次过检"的候选库至关重要。

8.1 citation_quality_audit.py:教学导向的质量审计

该脚本超越单纯 DOI 核验,从**可解析性(resolvability)、时效性(recency)、领域相关性(field relevance)**三个轴给每条引用打分(0–100),并生成场景化引用策略。核心判定逻辑(src/scripts/citation_quality_audit.py):

  • 有 DOI 时查询 Crossref,用标题相似度判定身份:相似度 ≥ 0.75 判 verified(可解析性 100 分);0.50–0.75 判 mismatched(40 分,提示 DOI 或题录文本可能需修正);< 0.50 判 mismatched(20 分,提示可能是错误 DOI);年份不匹配会额外追加提示。
  • 无 DOI 但有稳定标识符与充分验证说明时保持 pending 并给 80 分;有 Verified=yes 但无标识符时保持 pending 且仅 35 分(自证不成立);外部渠道无 DOI 且无充分验证说明时判 error(0 分)。
  • --no-api 离线模式下,携带 DOI 且 Verified=yes 附具体说明的行可作为"结构上可验证"接受(80 分),但明确标注"未经网络确认"。
  • 报告按 CITATION_TYPES 统计各类型占比,低于 5% 的类目(critique 除外)会进入"多样性缺口"分析;同时产出场景化策略与四原则(多样性优于密度、相关覆盖、身份与支撑都要核验、类型随场景变化)。

8.2 citation_verification_en.py:Crossref 标题/年份匹配

该脚本专门对英文引用做 Crossref 核验(src/scripts/citation_verification_en.py):优先按 DOI 精确查询,无 DOI 时退化为书目元数据检索(query.bibliographic);标题相似度阈值 MIN_TITLE_SIMILARITY = 0.6,年份容差 YEAR_TOLERANCE = ±1。关键行为:渠道为 local 的行永不查询 Crossref 而标记为 skipped;--no-api 时完全不联网;--max-checks(默认 30)限制单次核验条数;匹配率低于 50% 判 FAIL。测试 tests/test_citation_verification_en.py 还专门验证了"DOI 可解析但本地年份与 Crossref 注册年份不同时仍判 matched"的口径——DOI 存在只证明记录存在,不证明本条引用身份无误,标题不匹配仍会显式暴露供修正。

8.3 citation_verification_zh.py:中文引用格式与 DOI 可用性诊断

对中文文献(如 CNKI 渠道来源),该脚本做格式与 DOI 可用性诊断(src/scripts/citation_verification_zh.py):用正则识别中文作者、《期刊名》、年份、卷期与页码范围;缺作者/期刊/年份判 INCOMPLETE;有 DOI 则查询 Crossref 判断可用性。它的定位非常克制:格式诊断不能证明伪造、书目身份或论断支撑,任何行都不会仅因格式或 DOI 可解析就变成 VERIFIED——完整核验仍需原始来源或权威元数据。这也与规范"语料规模是披露项而非编造理由"的立场一致。

8.4 artifact_check.py 中的集成校验

artifact_check.py 将引用库作为整体产物的一个必查项(src/scripts/artifact_check.py):要求表头包含 candidate id、reference/bibtex、year、recency、supports section、support claim sentence、why this paper fits、source、source channel 九列,verified 与 verification note 为可选列——但只要存在外部渠道行,这两列就必须存在且合规。同时它保留了对旧 3 倍候选数与 80% 近源比例的检查逻辑,但仅在封闭语料模式下将时效性问题降级为警告,且 CLOSED_CORPUS_EXHAUSTIVE 标记可豁免数量硬性要求。这与 citation_bank_check.py 的"现代默认不设跨领域倍数与年龄配额"完全一致。

九、与整体契约的关系:从候选库到最终引用的对账

引用支撑库是候选池(candidate pool),不是最终参考文献表。规范与 audit.md 的审计条目都强调:最终要以当前稿件中实际引用的不同条目与保存的目标(自定义计数或统计的期刊样本均值)做比较——不是看候选库大小、使用行数或未引用的 BibTeX 条目。缺口出现时,查找有用缺失文献并整合其支撑点;若确实存在范围/期刊冲突,如实报告,而不是把一次诊断 PASS 当成目标偏好已达成。

从写作落点看,rewrite.md 明确"逐句从 citation_support_bank.md 中选择引用",SKILL.md 则在底线原则中强调"引用身份与引用上下文均需核验;不得有伪造或惰性引用"。因此,构建 citation_support_bank.md 的正确心智模型是:

  1. 先按 venue_average/custom 解析目标计数,按 open_literature/closed_corpus 确定范围;
  2. 混合六类文献构建去重候选池,逐行填写 13 列并标记来源渠道;
  3. 外部来源逐条完成身份核验(稳定标识符 + 核验说明),未决行显式标记 [VERIFY]/pending 并隔离;
  4. 用三个检查器(结构、质量、英文核验)跑出诊断,用中文诊断脚本补充中文文献体检;
  5. 写作时只选已验证、上下文匹配的支撑子集,最后与实际引用条目对账,如实处理覆盖缺口。

十、常见误区自查清单

  • 把候选库当最终文献表:候选池允许大于最终引用数,但最终稿只取连贯子集,且不得把未引用的候选计入"覆盖达成"。
  • 用固定 20 或固定 3 倍做规模要求:现代语义下目标来自 venue_average 实测样本或 custom 用户值;CLOSED_CORPUS_EXHAUSTIVE 时数量目标可被语料穷尽状态豁免。
  • Verified=yes 但没有稳定标识符:会被审计判为自证,不能达到 verified 状态;务必同时记录 DOI/arXiv ID/URL 与核验方式。
  • 用本地渠道或空白验证字段充当验证证据:local 同样需要书目身份与上下文核验。
  • 把 Crossref 查询失败当成伪造判定:审计注释明确"Crossref 查找失败不构成伪造、撤稿或 DOI 无效的证明",应重试或改查出版社/权威索引。
  • 跨领域强推统一近源百分比或滚动窗口:规范明确禁止;时效性要按"是否实际相关"判断,基础性与纵向证据无论年代都应保留。

结合本文给出的命令,你可以在任意任务输出目录下对既有 citation_support_bank.md 直接跑一轮完整体检,逐步把候选库收敛到可支撑、可核验、可过检的状态。

登录后查看全文
PaperSpine