meishiwhy/literature-mind/litmind-analyzer

LitMind Paper Analyzer

将 Paper Parser 输出的 PaperContent（论文全文）通过 LLM 分析，提取为结构化 PaperAnalysis。

不做自由文本摘要。 重点是知识提取：研究问题、方法、变量、统计、发现、声明、局限、未来方向、深度数值提取。

工作流程

Step 1: 输入

接收 PaperContent JSON（来自 /litmind-parser 的输出）。

Step 2: 分析

调 LLM 提取结构化知识。支持：

• Anthropic Claude (default)
• OpenAI GPT-4o

Step 3: 验证

Pydantic schema 验证 + 字段完整性补全。

Step 4: 输出

统一 PaperAnalysis JSON（含可选的 deepExtraction 深度提取数据）。

深度提取 (DeepExtraction) v0.4.0+

除摘要级知识外，analyzer 还会从 Results/Methods 中提取细粒度数值数据：

• numericalFindings: 含条件、指标、数值、单位、统计量的结构化数据
• 例: {"condition": "Flatfoot + CS shoe", "metric": "Ankle eversion ROM", "value": 12.3, "unit": "deg", "statistics": "p=0.003"}
• experimentalProtocols: 实验参数，如 "Drop height: 45cm", "Sampling rate: 1000Hz"
• 此为 optional 字段，LLM 无法提取时留空，不影响原流程
• 深度提取数据存入独立 ChromaDB collection，M5 问答时可检索到具体数值

输出格式

输出格式

{
  "paperId": "KP33THHS",
  "researchQuestion": "Does landing height affect GRF?",
  "studyDesign": "Experimental Study",
  "participants": {
    "sampleSize": 20,
    "groups": ["Flat", "Normal"],
    "population": "Healthy males"
  },
  "methods": ["3D motion capture", "Force plate", "EMG"],
  "statistics": ["Repeated measures ANOVA"],
  "mainFindings": ["Flat feet had greater peak GRF"],
  "claims": [
    {"statement": "Flat feet increase GRF", "evidenceSource": "Results"}
  ]
}

调用方式

# CLI
litmind-analyze paper_parsed.json -o analysis.json
 
# 指定 provider
litmind-analyze paper.json --provider openai --model gpt-4o
 
# 批量
litmind-analyze batch ./parsed/ -o ./analyses/

环境变量

• ANTHROPIC_API_KEY — Claude provider
• OPENAI_API_KEY — OpenAI provider
• LITMIND_LOG_LEVEL — 日志级别 (DEBUG/INFO/WARNING/ERROR, 默认 WARNING)