kg-hypothesis

name	kg-hypothesis
description	从生物医学知识图谱生成可检验假设。当用户要求提出研究假设、寻找机制解释、做靶点发现、药物重定位、或问"X 和 Y 之间可能有什么联系"时使用。也在需要为一个观察到的表型找候选通路时使用。
allowed-tools	Read, Write, Grep, Bash(python -m graph.*), mcp__kg__*, mcp__ot__*, mcp__pubmed__*, mcp__biomni__*, Agent(bio-critic, lit-scout)
model	opus
effort	high

从知识图谱生成可检验假设

什么时候不要用这个 skill

先说这个，因为误用的代价比不用高。

• 只需要事实检索时不要用。 "TP53 的已知互作蛋白有哪些" 是检索，直接查 Open Targets / STRING。图上的多跳采样在简单事实检索上会输给普通 RAG —— 已发表的对比显示 basic RAG 在 fact retrieval 上 60.92% 胜过 GraphRAG，且 GraphRAG 的 token 成本是 44×–377×。
• KG 里没有相关子图时不要用。 先跑 python -m graph.kg_staging --coverage <terms>，若种子词命中的节点 < 5 个，说明这个领域没被本地 KG 覆盖，改走文献路线（lit-scout subagent）。

核心机制：随机化路径采样，不是最短路

这是 SciAgents 的做法，且它解释了为什么有效：在 embedding 距离寻路的基础上注入 随机性（randomness factor 0.2，waypoint 从路径节点的邻居中抽），原文理由是 "randomization infuses the path with a richer array of concepts"。

最短路给你的是已知关系的复述；带随机性的路径给你的是需要解释的意外邻接—— 后者才是假设的原材料。node + edge 路径本身就是 prompt 支架，不要把它压缩成 一句自然语言再喂给模型，那样会丢掉中间节点的类型信息。

python -m graph.kg_staging --sample-paths \
  --seed "T cell exhaustion PD-1 metabolic reprogramming" \
  --k 8 --randomness 0.2 --max-hops 5 --out /tmp/paths.json

严格只在 asserted 命名空间采样

KGStaging.sample_paths() 默认 include_pending=False，不要改。 用未验证的 pending 边播种假设会形成自我强化的幻觉回路： 上一轮的猜测变成这一轮的"证据"。

步骤

1. 确认覆盖度 —— 种子词在 asserted 图上的命中节点数 ≥ 5，否则改走文献路线。
2. 采样 8 条路径（可并行，这是安全的扇出维度）。
3. 每条路径生成一个假设，输出必须含这五项：
   • statement —— 一句话，含方向（上调/下调/增强/削弱）与比较对象
   • kg_path —— 支撑路径的 edge id 列表（可追溯，这是审计凭据）
   • mechanism —— 沿路径讲的机制故事，每一跳都要有交代
   • falsifier —— 能推翻它的最小实验（不是"能支持它的实验"）
   • prior_evidence —— 已有文献是支持、反对、还是沉默
4. 逐条核验支撑边（这一步不可省）：
   • 用 mcp__pubmed__* / mcp__ot__* 为每条边取文献支持
   • 参考基线：OptimusKG 用 PaperQA3 评估 5,708 条边（4,708 真边 + 1,000 假对照）， 真边 70.0% 能取到文献支持，假边 83.4% 取不到支持。 所以"取不到支持"是强信号，不是噪声。
   • 支撑率 < 70% 的假设直接弃掉，不要"降级保留"。
5. Elo 锦标赛排序 + escalation ladder。新假设起始分 1200； top-3 做多轮辩论，其余只做单轮比较 —— 把算力花在难分的对上。 这是 Google AI co-scientist 的 Ranking agent 做法。
6. 异构对抗评审。调 Agent(bio-critic) 与 mcp__codex__codex， 要求它们试图反驳而不是评价。 ⚠️ 不要用同一个模型自评：LLM 在没有外部反馈时自我纠错会降低性能 （Huang et al., ICLR 2024），且 LLM 成对排序准确率只有 53.3%。
7. 写入 pending，不写 asserted。新产生的边只 stage：

   kg = KGStaging(thread_id=..., step="H")
   kg.stage([Edge(subject=..., predicate=..., object=..., provenance=action_id)])
   

   只有等实验验证门（G_V）通过后才由 verify_join 节点 promote。

输出格式

写到 design/hypotheses.json，schema 见 references/hypothesis_schema.json。 排名第一的假设同时写一份人类可读的 design/H1.md，含： 路径图（mermaid）、机制叙述、falsifier、以及明确列出的、如果假设为真则必然 同时成立的三个可检验推论（这三个推论是后续 pipeline 的断言来源）。

一条必须写进输出的免责说明

假设生成的质量与执行后的质量是两件事。已发表的对照实验（43 位专家各花约 103 小时 执行 43 个随机分配的想法，58 位专家盲评）显示：AI 生成的想法在执行后各项指标 显著下降，而人类想法保持稳定。所以本 skill 的产出是待检验的候选， 排名不代表可行性，必须走完 D→I→E→V 才有结论。