AI消息速览

AskChem——以声明为中心的化学文献综合基础设施

事件日期 2026-07-30 · 学术前沿 · 已接受

返回列表 打开来源
事件日期2026-07-30
信息日期2026-07-30
入库日期2026-07-31
通道学术前沿
状态已接受
来源arXiv 论文

知识卡片：AskChem——以声明为中心的化学文献综合基础设施

英文标题：AskChem: Claim-Centered Infrastructure for Chemistry Literature Synthesis
英文关键词：claim-centered infrastructure; chemistry literature synthesis; provenance-carrying claims; evidence graph; AI agents
原始来源：https://arxiv.org/abs/2607.28618v1

一句话结论

AskChem将化学文献的检索单位从“论文”变为“带出处的原子化声明”，使AI阅读器在AskChem-Bench上的可解析DOI率达到100%（无检索为88.3%），并在五个被测系统中获得最高引用密度。

研究问题

化学文献综合常需把分散在多篇论文中的具体发现拼在一起，而现有文献检索系统主要返回排序后的文档列表；科学家和AI代理需要手动定位相关信息、核验出处并跨论文组织答案。AskChem旨在解决这一“检索得到文档、却难以直接得到可验证答案”的问题。

方法/产品要点

  • 将每篇论文转换为原子化、类型化的声明（claim），每个声明都由来源DOI和逐字引用（verbatim quote）或明确的证据定位器（explicit evidence locator）作为出处支撑。
  • 在共享声明库之上提供三种互补结构：稳定的分面分类法（faceted taxonomy）用于层级检索和浏览；证据图（evidence graph）通过关系连接声明；探索性活体分类法（exploratory living taxonomy）将索引论文置于科学原理下。
  • 目前索引了来自14.7万篇论文的240万条声明。
  • 提供Web界面，并通过REST、SDK和MCP访问接口供AI代理使用。

主要结果或产业意义

  • 在AskChem-Bench上，将GPT-5.5阅读器与AskChem检索相结合，可解析DOI率达到100%，而无检索时为88.3%。
  • 该组合在五套被测试系统中拥有最高的引用密度。
  • 系统已上线：https://askchem.org。
  • 产业意义：为科学文献检索提供了“以声明为最小可验证单元”的基础设施，有望减少AI代理在回答化学问题时的事实拼接错误，并提升引用可溯源性。

为什么重要

AskChem将检索单元从文档级推进到声明级，并且每个声明自带出处，这一转变直接回应了科学文献综合中的可验证性痛点。对于AI代理而言，它可以更可靠地获取、引用和综合化学知识，为未来的科学问答、文献综述和自动发现工作流提供基础设施。

局限与不确定性

  • 摘要未提及明确局限；声明抽取的准确率、覆盖偏差、分类法与证据图的维护成本等均有待核实。
  • AskChem-Bench的构建方式、指标细节以及“五套被测系统”的具体构成，原文摘要中未展开，待核实。

可用于图书/PPT/简报的角度

  • 从“检索革命”切入：为什么传统文档检索不适合科学综合？
  • 以AskChem为例，展示“带出处的声明”如何支撑可验证的AI科学阅读。
  • 从基础设施视角看化学信息学：REST/SDK/MCP接口如何服务AI代理生态。
  • 与化学基准工作（如逆合成评估基准）形成对照：评估与基础设施是互补的AI化学研究路线。

原始材料

  • 英文标题：AskChem: Claim-Centered Infrastructure for Chemistry Literature Synthesis
  • arXiv ID：2607.28618v1
  • 作者：Bing Yan, Gregory Wolfe, Stefano Martiniani, Kyunghyun Cho
  • 提交/更新：2026-07-30T17:59:11Z
  • 分类：cs.CL, cs.AI, cs.IR, cs.LG
  • 摘要（原文）：Chemistry literature synthesis often requires assembling specific findings scattered across many publications, yet existing literature-search systems primarily return ranked document lists. As a result, scientists and AI agents need to locate relevant information, verify their provenance, and assemble cross-paper answers manually. We present AskChem, a claim-centered infrastructure for cross-paper chemistry search. AskChem changes the unit of retrieval from the paper to the provenance-carrying claim: each paper is converted into atomic, typed claims, each grounded by a source DOI and a verbatim quote or an explicit evidence locator. Over this shared claim store, AskChem exposes complementary structures for search and synthesis: a stabilized faceted taxonomy for hierarchical retrieval and browsing, an evidence graph linking claims through relations, and an exploratory living taxonomy that situates indexed papers under scientific principles. AskChem currently indexes 2.4M claims from 147K papers and provides a web interface, as well as REST, SDK, and MCP access for AI agents. On AskChem-Bench, grounding a GPT-5.5 reader in AskChem yields 100% resolvable DOIs, compared with 88.3% without retrieval, and the highest citation density among five tested systems. AskChem is live at https://askchem.org.
  • 来源URL：https://arxiv.org/abs/2607.28618v1