一个 PhD 的两周
假设你刚开题，导师丢来 50 篇论文："读完，告诉我这个领域用过哪些方法、哪些有效、哪些没人接着做。"
你花两周读完，做了笔记。但当你试图回答"方法 A 是在谁的基础上改进的"时，你得翻回第三篇论文的参考文献；当你想找"用了数据集 X 且超过 baseline Y 的所有方法"时，你发现你的笔记根本不支持这种查询——你记住的是论文的叙事，不是论文的结构。
两周的阅读，换来的是一个模糊的、有偏见的心理模型。
Agents-K1 想做的事情很简单：把论文从"文本"变成"图"。不是让你读 50 篇论文，而是让你查询一个由 246 万篇论文构成的知识图谱。
三层架构：从纸到图到 Agent
Agents-K1 由上海 AI 实验室、华东师大和复旦联合提出，分三层：
第一层：知识图谱（Scholar-KG）
传统信息抽取把论文拍平成文本，丢失了所有结构信息——图表在哪里、引用了谁、方法在谁的基础上改进。Agents-K1 的做法是把每篇论文解析成一个五模块的异构图：
- 模块 A（元数据）：作者、DOI、机构、发表时间——可验证的硬事实
- 模块 B（显式实体）：任务、方法、数据集、指标——论文里点名的东西
- 模块 C（隐式抽象）：动机、贡献、发现、局限——需要语义聚合才能得到
- 模块 D（引用关系）：谁引用谁、引用强度、引用意图（支持/对比/扩展）
- 模块 E（细粒度三元组）：方法 A BUILDS_ON 方法 B、数据集 X SOLVES 任务 Y
第二层：4B 模型的 GRPO 训练
有了图谱 schema，下一个问题是：谁来填这个图？
直接用 GPT-4 抽取太贵。团队的做法值得注意：拿 Qwen3-4B-Instruct 做基座，用 GRPO（Group Relative Policy Optimization）做强化学习微调，奖励函数是三条规则的加权和：
1. 格式正确性（输出是否是合法 JSON） 2. JSON 可解析性 3. 任务 F1（NER/RE/结构化 NER 的集合级 F1）
训练数据是三种任务：命名实体识别、关系抽取、深度嵌套结构化抽取。
结果很有意思：这个 4B 模型在 10 个 IE 基准上平均超过 8B 基座 2.7 个 F1 点，在 8/10 任务上打败 32B 基座。在 CoNLL2003（NER）上比 32B 高 6.1 个 F1 点，在 BC5CDR（生物医学 NER）上高 2.8 个点。
一个 4B 模型，8 张 GPU 训练一小时，在结构化抽取上追平 32B 模型。这背后的逻辑是：信息抽取不是需要泛化能力，而是需要格式纪律。RL 的作用不是教模型"理解"，而是教它"守规矩"。
第三层：GraphAnything CLI
有了图和抽取模型，最后一层是让 Agent 能用。CLI 的核心设计是三源检索：
- Web 搜索：覆盖最新论文（图还没收录的）
- 多模态图检索：图表、表格、方程作为一等证据，不只是 caption 的文本代理
- 跨文档遍历：沿引用边和方法 lineage 边做多跳推理
论文给了三个命题证明这件事不是工程技巧而是数学性质：
- 命题 1：稳定 ID 让跨视图 join 变成哈希连接
- 命题 2：union view 严格包含任何单一视图（当存在 arity≥3 的超边时）
- 命题 3：ID-respecting retriever 的候选集 recall ≥ 任何单一来源
语义锚点：跨模态的"翻译层"
这篇论文最优雅的设计是语义锚点（semantic anchor）。
问题背景：论文里有文本、图表、方程、表格，你想把它们放进同一张图。传统做法要么把所有模态拍平成文本（丢失结构），要么给每个模态建独立的图再做后对齐（对齐脆弱且昂贵）。
Agents-K1 的做法是在细粒度实体和文档结构之间插入一个中间层——语义锚点。每个内容单元（一段文字、一张图、一个表格）生成一个锚点节点，它包含"模态无关的语义摘要"+"显著实体"+"关系"。
这就像国际会议的翻译系统：你不需要让所有代表会说同一种语言，你只需要每个代表配一个翻译，翻译之间用一种中间语言交流。语义锚点就是这种中间语言——图里的实体不需要直接跨模态对齐，它们通过共享的锚点间接连接。
实验结果：数据说话
FrontierScience-Research 基准（物理/化学/生物的研究级问题）：
- Gemini-3：7.9% → 24.6%（绝对提升 16.7 个百分点）
- GPT-5.2：25.2% → 39.4%（绝对提升 14.2 个百分点）
- 生物学从 5.0% → 28.8%，物理学从 9.0% → 46.7%
多跳推理基准（HotpotQA / 2WikiMultiHopQA / MuSiQue）：在 MuSiQue（最难的）上，LightRAG 和 E2GraphRAG 性能急剧下降，Agents-K1 保持稳健。
跨域抽取质量：六学科平均 F1 在 79.07%–87.11% 之间，模块 C（隐式抽象）最稳健，模块 E（细粒度关系）方差最大。
为什么这件事重要
Agents-K1 的核心洞察不是"知识图谱很有用"——这大家都知道。它做对的是三件事：
1. 把"论文是文本"换成"论文是结构"。当前所有 LLM 读论文的方式都是把 PDF 转成文本再处理，这就像把一栋建筑拆成砖头再理解建筑——你拿到了所有材料但丢失了所有结构。Agents-K1 的五模块 schema 保留了论文的骨架：谁引用谁、方法在谁基础上改进、局限在哪里、数据集用在哪。
2. 用 4B 模型做 32B 的活。RL + 规则奖励训练一个 4B 抽取器，在结构化 IE 上追平 32B 模型。这说明信息抽取的瓶颈不是参数量，而是格式纪律。GRPO 的作用不是让模型更"聪明"，而是让它更"守规矩"。
3. 稳定 ID 让多源融合变成哈希连接。三源检索（web + 图 + 遍历）的融合不是模糊匹配，而是 O(|K|) 的哈希查找。这不是工程优化，是设计层面的数学性质（命题 1-3）。
一个类比
想象你要研究一个城市的餐饮生态。
传统 LLM 做法：让一个人去吃遍全城每家餐厅，写一篇综述。你得到的是一篇叙事性文章，信息量大但不可查询。
RAG 做法：把所有餐厅的菜单存成文本，用户提问时检索相关段落。你能查到"哪家餐厅有宫保鸡丁"，但不能查到"哪家餐厅的厨师是从 A 餐厅出来的"。
Agents-K1 做法：把每家餐厅解析成节点（厨师、菜品、食材、价格、地址）和边（厨师师承、菜品演变、食材供应链）。你可以查询"所有从 A 餐厅出来的厨师开的、价格低于 100、使用本地食材的餐厅"，沿厨师 lineage 做多跳推理，发现"A 餐厅的烹饪风格通过三个徒弟传播到了城东"。
这就是从"文本检索"到"图推理"的跃迁。
局限与开放问题
论文也坦承了几个局限：
- 关系抽取仍有差距：4B 模型在 CoNLL04（RE）上比 32B 低 15.9 个 F1 点。结构化 NER 可以靠格式纪律，但关系抽取需要更多关系监督。
- 冷启动依赖 gold 标注：新领域的 skill library 需要 10-20 篇人工标注文档。这比训练模型轻得多，但仍然不是零成本。
- 图的质量决定上限：如果抽取模型在某领域表现差（如 Physics Module B Recall 只有 68.36%），下游 Agent 的推理也会受影响。
开源
论文已开源：
- GitHub: InternScience/GraphAnything
- 发布 100 万篇论文子集 + 4B 抽取模型
- 提供 Claude Code skill 和 MCP server 集成
一句话总结：Agents-K1 把 246 万篇论文解析成五模块异构知识图，用 4B GRPO 模型做抽取器，通过三源 CLI 让 Agent 能查询、遍历、推理。不是让 AI 读更多论文，而是让 AI 查一个论文构成的图。