企业官网建设流程全解析

作品阶段标注：可演示原型（已用于日常工作）—— 本文所有判定结果均来自真实 API 调用，覆盖我自己待投手稿中 6 条 Related Work 断言。

一、需求从哪来：写 Related Work 时，我的每条引用都可能出错

我是一名做开放世界目标检测（Open-World Object Detection，OWOD）的研究生，正在准备投稿。论文写到最后阶段，最消耗心力的不是方法，而是Related Work 里的每一句话。

一篇 Related Work 有几十条对他人工作的引用，每一条都包含三类容易出错的事实：

1. 数字类断言：比如"该方法仅增加 0.1% 额外参数"——数字一旦记错，审稿人一眼就能看出来；
2. 方法归属类断言：“XX 在 M-OWODB 上接近饱和”——这句话对不对，取决于原始论文的真实结论；
3. 设计细节类断言：“XX 要求训练前固定未知类数量”——说错设计细节，等于替作者造谣。

人工核验的痛点是：每条断言要打开搜索引擎、逐条比对来源、判断哪个来源权威、确认时间和出处，一条平均 10~20 分钟，还容易漏。更重要的是，我自己想找证据的时候，搜索引擎的结果质量参差不齐——博客、搬运站、同名论文混在一起，很难快速判断"这句话到底有没有权威来源支持"。

所以我想做一个工具：输入一条论文断言，输出"已核验 / 存疑"判定 + 完整证据链，把 20 分钟的人工活压缩到几秒钟；顺便解决投稿前查截稿日期、CCF 分级的零碎查询。

二、为什么需要搜索：核验的本质是"多来源交叉验证"

事实核验的本质，不是"搜到一条相关结果"，而是用多个独立权威来源对同一断言做交叉验证。这就要求检索能力具备三个特性：

• 多来源：同一个断言要用不同措辞分别检索（我称之为"双盲查证"），避免拿同一查询的重复结果冒充多来源；
• 可溯源：每条结果必须带 URL、时间、站点、相关度，证据链能点开复查；
• 可过滤：能限定学术行业、能指定域名、能控制时效。

元宝搜索的 SearchPro 服务（腾讯云对外开放的搜索 API）恰好满足这些要求：调用一次返回 title / date / url / site / score / passage，支持industry=acad学术过滤、site域名限定、freshness时效控制。接入方式也很简单——服务 API KEY，直接POST即可，不需要复杂的签名流程：

importrequestsimportosfromdotenvimportload_dotenv load_dotenv()resp=requests.post("https://api.wsa.cloud.tencent.com/SearchPro",headers={"Authorization":f"Bearer{os.getenv('WSA_API_KEY')}","Content-Type":"application/json"},json={"Query":"UC-OWOD open world object detection","Industry":"acad"},timeout=15,)pages=resp.json()["Response"]["Pages"]# 每条含 title/date/url/site/score

（真实密钥已安全存放于本地环境变量，本文所有截图与结果均来自真实调用。）

三、怎么实现：一个能装进投稿工作流的核验管线

整个项目用 Python 3.12 实现，拆成两层：CLI 批量核验（跑整条断言列表）+Gradio 交互演示（三个 Tab）。核心链路只有四步：

第一步：鉴权与检索封装（api_client）。统一处理重试、超时、调用计数，把腾讯云返回的错误码映射成中文提示（UnauthorizedOperation / RequestLimitExceeded 等），写论文期间配额用完了能立刻知道。

第二步：意图识别与查询词构造（query_builder）。同一个断言生成 3 种不同措辞的查询 + 数字精简查询 + 领域/数据集限定查询。比如断言"FOMO reports that a plain foundation-model detector nearly saturates M-OWODB"，会同时检索原句、原句加"arXiv"、以及消歧查询"fomo m-owodb"。这一步是整个工具的"侦查能力"来源。

第三步：权威分级与内容门槛（verifier）。维护学术/官方域名白名单（arXiv、DOI、ACM、IEEE、Springer、OpenReview、官方项目仓库等），区分"权威来源 / 普通来源 / 弱来源（博客、搬运站）"。判定时要求：证据必须同现断言的主体词 + 指标词 + 数据集词（断言含数字时数字必须真的出现在权威证据里），且至少来自2 个独立权威域名。任一条件不满足就降级为"存疑"并写明原因——宁可漏判，不可误判。

第四步：输出与私域知识库（report + kb）。每条断言输出判定卡（含证据链，可点开复查）和 CSV 核对表；另外把我自己的论文手稿main.tex清洗成可检索的知识库（21 个段落），回答"MEMO 如何更新原型库？"这类论文内部细节问题时，先答论文原文，再用公共检索补外部佐证——这就是混合问答。

四、得到什么：6 条真实断言，2 条已核验、4 条存疑——每条都有原因

我拿自己 CVPR 手稿的 Related Work 提取了 6 条可核验断言，跑了一遍完整流程。这是全文最硬的部分：判定全部来自真实检索。

（完整核对表含每条的证据数、独立来源域名、首条证据 URL，见文末。）

迭代过程本身就是结果：按真实失败改了三轮

工具不是一次写对的，是按真实检索结果迭代出来的，这三轮最能说明问题：

• 第一轮暴露 3 个查询缺陷：freshness=y3时效过滤把 2017 年的 iCaRL、2023 年的 RandBox 原始论文直接筛掉，只召回不相关的近期文章；doi.org不在权威白名单，出版商的官方 DOI 链接被当成普通来源；arXiv 子域名（aps.arxiv.org）被误算成独立来源。修复后，RandBox 和 iCaRL 从"存疑"转为"已核验"。
• 第二轮暴露"同名误判"：FOMO 最初被判 ✅，但点开证据链发现全是"FoMo"（遥感森林监测、机器人导航数据集、表格异常检测）——短方法名撞名严重，证据根本没出现断言里的数据集 M-OWODB。于是给判定加了内容门槛：定性断言也必须验证证据同现数据集/关键内容。修复后 FOMO 正确转为存疑。
• 第三轮平衡精度与召回：内容门槛一刀切导致 UC-OWOD、RandBox 被误降级（证据是原始论文但片段覆盖不足），改为"短主体词（FOMO/Dual）才要求关键内容同现，专属长名（UC-OWOD/RandBox）主体匹配即可"。

投稿决策与混合问答两个附加场景

• 投稿决策：输入"CVPR 2026"，返回 26 条去重结果，含官网新闻（cvpr.thecvf.com 官方"CVPR 2026 收到 16,000 篇投稿"）、截稿信息、高校录用动态，按相关度排序——投稿前查截稿日期和官方通知，一次搞定。
• 混合问答：问"MEMO 如何更新原型库？"，私域知识库直接答出论文 Anti-Forgetting 分析（DEUS 从 Task2 的 61.0 掉到 Task4 的 50.5，相对下降 17.2%，而 MEMO 仅小幅下降）和 SACD 自适应发现细节；公共检索则补充外部来源。这里有个有意思的发现：公共搜索里"MEMO"被同名产品（MIT 的 LLM 记忆框架 MeMo）淹没——这恰恰说明私域知识库不可替代：你的论文细节，公共搜索帮不上忙。

五、实际效果：真的抓到了手稿里的问题

工具最大的价值，是它真抓到了一个我自己没发现的问题：

手稿 Related Work 里写着：“Zohar et al. adapt foundation detectors directly to OWOD in FOMO and report that a plain foundation-model detector nearly saturates M-OWODB”。核验结果显示这条断言找不到任何权威支持——进一步人工查证发现：FOMO 论文真实存在（斯坦福 AI 实验室官网：https://ai.stanford.edu/~orrzohar/projects/fomo/），但官方页写明其"未知类 mAP 约为基线的 3 倍，仍有显著提升空间"；OW-OVD（CVPR 2025 补充材料）给出 FOMO 在 M-OWODB 上的 U-mAP 仅 2.6；且 FOMO 有 FOMO/LLM 与 FOMO/IN 两种变体，并非"plain"检测器。"近乎饱和"这个说法与权威来源矛盾，这句话必须在投稿前改写或重新核实引用。

效率对比同样直观：6 条断言，工具批量核验一次调用 23 次检索（活动期内配额 6000 次/月，无压力），全程几十秒；人工逐条核对同样内容，按一条 10 分钟算需要两个小时以上，还未必查得全。

工具也有明确的局限，我在设计上选择"保守"：数字类断言（如 0.1% 额外参数）受搜索摘要片段截断影响，数字常常不在片段里，此时工具不冒险判"已核验"，而是判"存疑"并给出证据链和原因，由人工点开确认。这不是缺陷，是设计选择——事实核验工具的价值恰恰在于"宁可漏判，不可误判"，把不确定的信息明确标注出来。

六、结语

这个项目的定位很简单：把写论文时的"查证焦虑"交给一个带证据链的检索管线。它证明了一件事——搜索 API 的正确用法不只是"搜一搜"，而是把它变成可编程的、带判定逻辑的事实核验基础设施。

未来我会继续做三件事：把整篇论文的\cite全部批量跑一遍生成引用审计表；给数字核验加"证据页内容抓取"（解决摘要片段截断）；把私域知识库扩展到全部实验笔记。欢迎交流：评论区留下你写论文时最头疼的引用问题，我可以用这套工具帮你核验。

附录：真实运行截图

附录：6 条断言完整核对表（CSV 节选）

作品阶段：可演示原型（已用于日常工作）。运行方式：python run_cli.py verify "断言"或python app.py打开 Gradio 演示页。仓库地址：https://github.com/goodgoodstudier/yuanbao-factcheck