claim-extractor

name	claim-extractor
description	从论文 Markdown 中提取结构化证据卡片（claim + exact_quote + source），构建 Evidence Graph。当需要分析论文内容、提取关键发现、或为写作准备证据时触发。

claim-extractor

从解析后的论文 Markdown 中提取结构化的证据卡片，写入 evidence_graph.json。

输入

• 一篇已解析的 Markdown 文件（来自 parsed_mds/）
• 对应的 corpus_ledger.json 条目（获取 source_paper_id）

输出

更新 evidence_graph.json，新增一组 claims。

提取规范

对于每篇论文，提取以下类型的 claims：

type（claim 类型，5 种 canonical 枚举）

类型	示例
result	"Multi-head attention 在 ImageNet 上超过 CNN baseline 2.3%"
method	"我们使用了 scaled dot-product attention 机制"
limitation	"该方法在小数据集上表现不佳"
hypothesis	"我们假设 attention 可以完全替代卷积"
observation	"训练过程中发现 attention heads 存在冗余"

每条 claim 的字段（canonical schema，详见 schemas.py 的 Claim）

{
  "id": "claim-{自增编号}",
  "source_paper_id": "{corpus_ledger 中的 id}",
  "type": "result | method | limitation | hypothesis | observation",
  "text": "用中文简明概括此 claim",
  "exact_quote": "原文精确引用（英文或中文）",
  "section": "论文章节 (如 3.2 Method)",
  "page": null,
  "evidence_type": "support | oppose | limitation | neutral",
  "access_state": "从 corpus_ledger 继承（oa_fulltext | repository_fulltext | shadow_fulltext | user_supplied_pdf | abstract_only | metadata_only | unavailable）",
  "publishable": true,
  "verified": true,
  "confidence": 0.8,
  "extracted_at": "ISO 8601 时间戳（如 2026-05-25T10:30:00Z）"
}

字段命名: 已统一为 canonical names（Phase 2.6 / C1.6）。禁止使用旧字段名 paper_id / claim_text / claim_type——Pydantic strict schema 会在加载时直接拒绝。

执行步骤

1. 读取 Markdown 文件
2. 按章节扫描，提取每个章节中的关键断言
3. 对每个断言：
   • 找到原文精确引用（exact_quote）
   • 判断 type 和 evidence_type
   • 生成 text（中文简明概括）
4. 追加写入 evidence_graph.json 的 claims 数组
5. 更新 project_state.json 的 stats.claims_count

质量要求

• 每篇论文通常提取 5-20 条 claims
• exact_quote 必须是原文照抄，不得意译
• 避免提取过于泛泛的陈述（如"深度学习很重要"）
• 优先提取有数据支撑的 result 和明确的 limitation

遵守规则

严格遵守 rules/evidence-discipline.md。