PaperLens · 文献快筛与研读助手

在线体验（免部署）

完整应用已部署在公网服务器：seekdb 混合检索 + PowerContext 记忆，浏览器打开即用

http://47.108.177.34/search

已预置 20 篇示例文献 / 33 个段落，无需注册与 API Key。检索、导入、标记已读、导出综述初稿均可真实操作，数据写入服务器端 seekdb 与 PowerContext。
演示环境为 HTTP 明文访问，请勿在其中填写真实个人信息。

STEP 1

检索页

输入「LoRA 如何降低大模型微调成本」，查看双路命中徽标、RRF 融合得分与可展开的 seekdb 检索证据（真实 SQL + 耗时）。

前往检索 →

STEP 2

导入页

粘贴一篇文献全文与元信息提交，观察分段 → 本地向量化 → seekdb 入库，导入后立刻可被检索到。

前往导入 →

STEP 3

记忆面板

填写研究方向并保存（写入 PowerContext），刷新页面或隔天再访问，记忆依然在——这就是跨会话个性化。

前往记忆 →

STEP 4

清单与导出

标记几篇已读后导出 Markdown 综述初稿：研究方向 + 已读综述 + 基于研究方向的 seekdb 向量未读推荐。

前往清单 →

解决的问题

科研与学习中最耗时的不是读文献，而是「找」与「记」

📚

整理文献要翻几十篇

写综述的第一步是逐篇翻阅候选论文，找到相关段落全靠肉眼比对，时间随语料规模线性增长。

PaperLens：一句话描述需求 → 段落级混合检索，秒级返回带出处的相关段落。

🔍

关键词搜不全，语义又搜不准

纯关键词检索漏掉换说法的同义内容，纯向量检索又拿不准专有名词与缩写，两路结果还各有排序。

PaperLens：seekdb 向量路（HNSW）+ 全文路（IK 分词）双路并发，RRF 融合排序，附 SQL 级检索证据。

🧠

读过什么、研究方向是什么，全靠回忆

上次筛过哪些文献、标记过哪些已读、我的研究主线是什么——换个会话、换台机器就断了。

PaperLens：PowerContext 持久化研究方向、已读文献与检索主题，跨会话自动生成个性化提示与综述初稿。

核心功能

四个页面覆盖「导入 → 检索 → 研读 → 沉淀」完整闭环

1段落级混合检索

用一句自然语言描述要找的内容，seekdb 双路检索并发执行、RRF 融合，结果按段落返回并高亮。

向量路：本地 MiniLM 多语言模型（384 维）+ HNSW 近似检索
全文路：IK 中文分词 MATCH…AGAINST
结构化过滤：年份范围 + 标签，与双路自由组合
「检索证据」面板可展开查看实际执行的 SQL、命中数与耗时

检索「检索增强生成」：顶栏个性化记忆提示，结果卡片显示向量/全文双路命中与 RRF 融合得分

2一键导入研读管线

粘贴文献全文与元信息，导入管线自动完成分段、向量化与入库，导入后立即可检索。

中文段落感知分段（按空行与句读切分，500 字上限）
本地 embedding 批量向量化，无任何外部 API Key 依赖
文档管理：列表查看分段数、删除

导入页：表单入库走真实管线（分段 → 向量化 → seekdb 事务写入）

3阅读清单与综述初稿导出

清单页聚合 seekdb 文档库与 PowerContext 已读记忆，一键导出结构化 Markdown 综述初稿。

研究方向 → 已读文献综述（自动取各篇首段摘要）→ 未读推荐
未读推荐 = 研究方向经 embedding 后在 seekdb 做向量检索，过滤已读取 Top 5
导出即下载 .md 文件，可直接作为组会汇报/文献综述的底稿

清单页：文献/分段/已读/记忆统计 + 标记已读 + 导出综述初稿（Markdown）

4PowerContext 研读记忆

研究方向、已读文献、检索主题全部持久化在 PowerContext，重启服务、更换会话记忆不丢。

检索历史自动记录，失败不影响检索主流程
检索页顶栏实时显示「记忆中的你」：研究方向 / 已读数 / 近期检索
记忆面板可编辑研究方向（替换式写入）、逐条删除（lifecycle → forgotten）

记忆面板：按 kind 分组展示全部记忆条目，含 artifact 引用与删除入口

技术方案：两个指定组件各司其职

seekdb 负责「找得快、找得准」，PowerContext 负责「记得住、跨会话」

seekdb 数据检索层

混合检索引擎：MySQL 协议接入，documents / chunks 双表，chunk 级 384 维向量列
向量路：VECTOR INDEX (TYPE=hnsw, LIB=vsag) + ORDER BY l2_distance(...) APPROXIMATE，小语料自动回退精确扫描
全文路：FULLTEXT ... WITH PARSER ik 中文分词 MATCH…AGAINST
融合：两路各取 Top 30，RRF（K=60）融合重排，附 SQL/耗时检索证据
导出推荐：研究方向 embedding 后做 HNSW 向量检索生成未读推荐

⇄

PowerContext 记忆层

稳定身份：scope-bindings 绑定用户键名，跨会话解析回同一 scope
三类记忆：research_interests / read_papers / search_history
写入：检索成功后自动记录检索主题；结果页/清单页一键标记已读（按文本去重）
替换语义：研究方向更新时旧条目走 atomic-memory lifecycle forgotten，新条目写入
复用：检索页个性化提示、综述初稿的研究方向与已读综述全部来自记忆

文献全文导入页粘贴

→

分段 + 本地向量化零 API Key

→

seekdb 入库向量列 + IK 全文索引

→

混合检索 + RRF 双路证据可查

→

标记已读 / 记录主题写入 PowerContext

→

个性化提示 + 综述初稿记忆跨会话复用

可核对的验证数据

以下数据来自开发过程中的真实运行记录（示例语料：20 篇文献 / 33 段落）

~300ms

混合检索端到端延迟
（向量 54ms + 全文 250ms 并行）

2 路

双路同时命中并 RRF 融合
（「检索增强生成」查询双路均命中 RAG 论文）

外部 API Key 依赖
（本地 q8 embedding + 免模型 PowerContext）

100%

跨会话记忆保留
（重启后端进程后研究方向/已读/检索史完整保留）

验证样例：POST /api/search {"query":"LoRA 微调"} → LoRA 论文同时命中向量路 #1 与全文路；导出综述初稿后可在 Markdown 中核对 seekdb 推荐与 PowerContext 已读来源。完整验证步骤见仓库 qoder/paperlens/CONFIG.md 与 docs/ 目录。

在线版公网实测（http://47.108.177.34）：查询「LoRA 如何降低大模型微调成本」→ 命中 10 条，向量路 30 条（10ms，HNSW 近似）、全文路 21 条（288ms），端到端 385ms；标记已读即时写入 PowerContext 并在顶栏提示中回显。

运行说明（评审可复现）

零 API Key：本地 embedding 模型 + 免模型 PowerContext + seekdb 连接配置

准备 Node.js ≥ 24 与 uv；克隆 https://github.com/leeplace0928/powercontext-2026.git 并切换到 2026-competition-ecosystem 分支，项目位于 qoder/paperlens/
安装 PowerContext：uv tool install --force "powercontext[cli,server]==1.4.1"，用免模型模板生成 .env 后启动 powercontext server run --env-file .env
复制 config.example.json 为 config.local.json，填入你的 seekdb 地址与账号（文件已 gitignore）
首次运行 node scripts/download-model.mjs 下载本地 embedding 模型（hf-mirror，约 118MB；已预下载到 backend/models/ 可跳过）
项目根目录 npm install，然后 npm run dev 同时启动后端（:3001）与前端（:5173）
可选：node scripts/seed.mjs 灌入 20 篇示例文献；浏览器打开 http://localhost:5173 体验完整流程

不想本地部署？直接访问在线版 http://47.108.177.34/search（同一套代码，已预置示例语料）。