利用学校 LLM API 的实践汇报

利用学校 LLM API 的实践汇报

黄俊霖 · USTC · 2026年5月

---

概述

本月，我持续利用学校提供的 DeepSeek 大模型 API，将其融入到日常科研编程与学术创新探索中。目前主要在以下两个方向取得了进展。

---

一、DeepSeek V4 + OpenCode：AI 辅助科研编程与方案规划

我将 DeepSeek V4 模型接入 OpenCode（一个终端 AI 编程助手），在日常科研编程中形成了高效的协作模式：

• 代码开发与调试：在生物医学深度学习相关项目（数据处理脚本、模型训练与评估、可视化等）中，利用 OpenCode + DeepSeek V4 进行实时代码补全、重构和 Bug 定位，显著缩短了编码-调试的迭代周期。
• 方案规划与头脑风暴：在实验方案设计阶段，通过与 AI 的多轮对话快速梳理技术路线、评估不同架构的可行性（如模型选型、管线设计），将原本需要半天的手工调研压缩到小时级。AI 在多轮交互中能够指出我考虑不周的地方，起到了"橡皮鸭 + 技术顾问"的双重作用。

体会：DeepSeek V4 强大的代码理解和长上下文能力，使其在科研场景中不仅是一个"代码生成器"，更是一个能理解研究语义的协作伙伴。

---

二、IdeaForgeX：论文创新点知识图谱生成

项目简介

IdeaForgeX 是一个面向 AI 研究创新点发现的开源知识图谱系统。其核心思路是：让 LLM 自动化地阅读学术论文，从中提炼出方法灵感（Inspiration）和研究缺口（Question），将它们组织成一张结构化的知识图谱，并通过图检索和漫游来辅助研究者发现新的研究方向。

🔗 项目已开源至 GitHub： https://github.com/cheanus/IdeaForgeX

设计动机

大多数"论文→创新点"的管线止步于摘要生成或需要人工逐篇标注。IdeaForgeX 的不同之处在于：

• 创新点是"一等公民"：不是论文元数据的附属品，而是图中独立的节点实体——可追溯、可复用、可迭代增强。
• 推理层刻意做薄：IdeaForgeX 自身不直接生成最终创新点，而是提供语义检索、节点探查、随机漫游和路径发现等底层查询原语，由外部 AI Agent 在上层自由编排创新工作流。这种"基础设施 + 外部编排"的架构，使得系统灵活、可组合，不会被单一创新范式锁死。

技术架构

层次	选型	说明
Agent 框架	LangGraph	7 节点 StateGraph，管理训练流程的状态机
LLM	DeepSeek V4 Flash	通过 OpenAI 兼容 API 接入，轻量低延迟
Embedding	Qwen3-Embedding-4B	2560 维向量，通过 SiliconFlow API
图数据库	Neo4j Community Edition	同时承担图存储和 HNSW 向量索引
论文来源	AMiner API + arXiv	付费主源 + 免费备选（PDF 全文提取）
数据验证	Pydantic	结构化输出解析与校验
包管理	uv	现代 Python 依赖管理
语言	Python ≥ 3.11	—

核心数据模型

知识图谱中包含两类节点和四种边：

节点类型：

节点	含义	核心属性
Inspiration	被抽象化的方法模式/技术思想	粒度（1-3）、核心描述、前提条件、操作步骤、已知实例
Question	未被完全解决的研究缺口	问题类型（理论缺口/工程瓶颈/评估缺失/跨领域空白）、当前现状、未解决部分

粒度系统（Inspiration 专属）：

粒度是一个 1-3 的整数，表示抽象层级。精化边必须从粒度 N 指向 N+1，不可跳跃。

粒度	含义	示例
1	抽象范式	“将生成式先验注入判别式模型”
2	通用方法	“扩散模型特征金字塔 + UNet 分割头”
3	技术实现	“DDPM 中间层输出作为 FPN 输入的多尺度条件注入”

四种边：

边	含义	方向	示例场景
灵感精化边	同方法概念的纵向展开（N→N+1）	有向	从"对比学习"精化到"SimCLR 式实例判别"
灵感组合边	两种不同方法组合产生新方向	无向	“扩散模型” + “图神经网络” → 扩散图模型
灵感问题边	某方法可驱动某问题的解决	无向	“少样本学习” 可用于 “医学图像标注稀缺”
问题组合边	两问题交集定义新研究缺口	无向	“长尾分布” + “联邦学习” → 联邦长尾学习

训练流程（LangGraph StateGraph）

训练管线是一个 7 节点的 LangGraph 状态机。每篇论文经过以下处理：

加载论文 → LLM 提炼检索查询 → 图检索（向量+遍历）
    → LLM 判断（修改已有节点 / 新增候选节点 + 边）
    → 事务写入 Neo4j（先 MATCH+SET 更新，再 CREATE 新增）
    → 标记已训练至 SQLite 论文库（去重）

• 每篇论文 2 次 LLM 调用：一次用于提炼检索查询，一次用于判断与生成节点
• 2 处条件边：去重检查（已训练则跳过）+ 提炼判断（论文是否有新意）
• 去重机制：SQLite 论文库（trained_papers.db）存储已处理论文 ID，WAL 模式支持并发读
• 模型选择：使用 DeepSeek V4 Flash（轻量、低延迟），在保持推理质量的同时将单篇论文处理成本控制在可接受范围。Flash 模型在结构化信息抽取任务上表现稳定，非常适合此类批量处理管线

推理阶段（CLI 查询原语）

IdeaForgeX 不内置创新点生成逻辑，而是通过 CLI 暴露四个查询命令，供外部 AI Agent 自由编排：

命令	语义	使用场景
retrieve	语义搜索 + 图检索，返回候选列表	输入论文摘要，获取相关知识图谱节点
inspect	深度探查单个节点	查看全字段、精化链、关联边详情
random	随机探索（可限定主题范围）	打破检索排序的路径依赖，引入意外灵感
relate	两节点间最短路径发现	理解远距离概念之间的关联链路

检索算法（5 阶段）：

1. 向量搜索：Inspiration 和 Question 各自 HNSW 索引召回 top-k
2. 精化链双向展开：沿有向精化边不限深度展开（向上到更粗粒度，向下到更细粒度）
3. BFS 图扩展：沿非精化边（组合边、问题边）扩展，每层分数衰减
4. 去重排序
5. 截断返回 top-K

所有扩展参数（k_hits、max_neighbors、max_depth、score_decay、final_k）均可配置。

快速开始

# 1. 克隆仓库
git clone https://github.com/cheanus/IdeaForgeX.git
cd IdeaForgeX

# 2. 配置 API 密钥
cp config.example.yaml config.yaml
# 编辑 config.yaml，填入 llm_api_key、embedding_api_key 等

# 3. 安装依赖
uv sync

# 4. 启动 Neo4j
docker compose up -d

# 5. 初始化图谱 Schema
uv run python main.py bootstrap

# 6. 训练论文
uv run python main.py train 1706.03762    # Attention Is All You Need
uv run python main.py train "ViT 论文标题"

# 7. 推理查询
uv run python main.py retrieve "扩散模型做医学图像分割的少样本学习"
uv run python main.py inspect insp-3f2a1...
uv run python main.py random --count 5
uv run python main.py relate insp-001 insp-002

体会与展望

学校 API 对 DeepSeek V4 Flash 模型的支持，让我能以极低的成本验证一个"大量调用 LLM 作为核心管线"的研究工具想法——这在没有学校资源的情况下几乎不可行。仅 API 费用的减免就为项目的快速原型迭代提供了关键保障。

目前项目处于 V1 原型阶段，后续规划包括：引入多范式并行生成（同一篇论文用类比、反事实、跨领域迁移等多种创新范式同时推演）、外部文献去重、以及更丰富的图谱可视化。欢迎大家 Star ⭐ 和提 Issue/PR，共同探索"AI 辅助 AI 研究"的可能性。

---

总结

学校提供的 DeepSeek API 已成为我日常科研不可或缺的基础设施。它一方面通过 OpenCode 提升了我写代码、做实验的效率，另一方面也让我有余力将 LLM 的能力延伸到"辅助科研创新"这个更具探索性的方向上——并最终产出了一个完整的开源项目 IdeaForgeX。感谢学校对学生在 AI 工具使用上的支持，这些实践经历对我的科研方法论产生了实质性的影响。