企业官网建设流程全解析

论文阅读正在成为一项越来越“重”的体力活。过去我们读一篇论文，需要自己翻图表、找数据、核对实验设置；现在虽然有大模型可以做问答，但多数助手只停留在“聊天”层面——你问它“这篇论文的核心方法是什么”，它能答；你再问“把表2里不同模型的F1分数做个柱状图，并计算相对提升幅度”，它就只能泛泛而谈，给不出可复现的结果。

真正要被解决的不是“读懂论文”的问题，而是“把论文里的数据真正用起来”的问题。论文AI助手如果只带检索问答，本质上还只是一个带引用的搜索引擎；只有让它具备“跑分析”的能力，才能把论文从静态PDF变成一个可交互的科研数据工作台。这篇文章会带你从零搭建这样一个助手：先用向量库把论文内容变成可检索的知识，再让大模型通过函数调用执行Python代码，完成数据统计、可视化甚至简单复现分析。

读完你会理解传统RAG问答的边界在哪里，也会拿到一套可以直接扩展的代码骨架。整套方案不绑定特定科研领域，任何包含实验数据表的论文都可以套用。

1. 论文AI助手的真实需求：问答只是第一层

如果你平时只是泛读论文，那普通的摘要生成工具就够了。但科研和技术调研的真实场景往往是这样的：

• 你想比较多篇论文的实验结果，需要从数据表中提取性能指标；
• 你想快速验证一篇论文的结论，比如“作者声称方法A比基线高3个点”，需要自己算一遍；
• 你想把某篇论文的数据重画成符合自己论文风格的图，需要访问底层数据；
• 你需要追踪某篇论文不同版本或补充材料中的数据变化。

这些需求都指向同一个关键点：AI不仅要“读过”论文，还要“碰到”论文里的数据。

传统的RAG方案把PDF切块、向量化、检索，最后把文本块塞进Prompt让大模型生成回答。这种方法对“论文主要讲了什么”很有效，但对“帮我跑一个分析”基本无能为力。原因很简单：表格数据被PDF切块后，语义往往已经丢失；即使大模型能读出表格内容，它也无法直接动手算。

所以要做一个真正有用的论文AI助手，需要在RAG之上增加一层“工具调用层”。大模型负责理解用户意图、引用论文上下文，再通过代码执行工具完成实际的数据处理。用户看到的不再是一段文字，而是一个可以验证、可以修改、可以重新运行的分析结果。

2. 整体架构：检索增强 + 代码执行

这个论文AI助手的核心由三部分组成：

首先是把论文变成结构化知识。PDF里既有连续文本，又有非结构化的表格和图片。我们需要用工具抽取文本和表格，文本用于构建向量库，表格单独保存为CSV，供后续代码分析使用。

然后是检索问答。用户的每个问题先转换成向量，在论文文本索引中检索最相关的片段，连同问题一起交给大模型生成回答。这个过程负责处理“论文在讲什么”“方法是什么”“结论是什么”这类事实性问题。

最后是分析执行。当用户需要计算、统计、画图时，大模型会根据可用的数据文件生成Python代码，调用一个受控的代码执行函数。执行结果（文本输出、图片路径、新增数据文件）再反馈给大模型，由它组织成最终回答。

打个比方：传统RAG是一个“读过书的图书管理员”，能告诉你书里写了什么；加入代码执行后，这个管理员还变成了“实验室助理”，能帮你把书里的数据拿去做实验、画图表，并把实验报告交给你。

在实际实现中，我们不必把这三部分做成微服务。一个Python脚本就足以跑通最小验证。架构上只需要保证：数据文件与代码执行环境是隔离的，防止论文中的恶意指令污染宿主环境。

3. 环境准备与前置条件

实现这套方案需要准备以下基础环境：

• Python 3.10 或更高版本；
• 一个可用的 OpenAI API Key，或任何兼容OpenAI接口的大模型服务；
• 如果使用本地模型，需要保证机器有足够内存，并选择支持函数调用和工具调用的模型；
• 操作系统不限，Windows、macOS、Linux 均可。

需要安装的依赖库如下（版本请以实际安装为准，本篇文章不锁定具体版本）：

pip install openai pandas matplotlib pdfplumber langchain langchain-openai langchain-community faiss-cpu python-dotenv

说明一点：langchain-openai用于向量嵌入接口，faiss-cpu用于向量检索。如果你更习惯使用Chroma或Elasticsearch，也可以替换，这里我们选择FAISS是因为它轻量、适合本地快速验证。

项目目录结构建议这样组织：

paper_ai/ ├── input/ │ └── paper.pdf ├── data_tables/ │ └── (代码自动生成 CSV) ├── paper_index/ │ └── (FAISS 向量索引) ├── outputs/ │ └── (图表和分析结果) ├── .env └── paper_ai.py

.env文件存放API密钥：

OPENAI_API_KEY=sk-xxxxxxxx

4. 论文解析：把PDF变成可计算的数据

解析论文是容易被低估的一步。很多人以为PDF解析就是把文本抽出来，真正做起来会发现两个难点：文本提取顺序错乱、表格提取困难。

对于文本部分，pypdf或pdfplumber都可以。既然我们要提取表格，直接使用pdfplumber更方便。下面的代码会遍历PDF每一页，分别提取文本和表格，表格数据保存为CSV文件，文本拼接后返回。

# 文件路径：parse_paper.py import pdfplumber import pandas as pd import os def parse_paper(pdf_path: str, output_dir: str = "data_tables") -> str: os.makedirs(output_dir, exist_ok=True) full_text = [] table_count = 0 with pdfplumber.open(pdf_path) as pdf: for page_index, page in enumerate(pdf.pages): # 提取文本 page_text = page.extract_text() or "" full_text.append(f"### Page {page_index + 1}\n{page_text}") # 提取表格 for table in page.extract_tables(): table_count += 1 # 第一行作为表头，其余作为数据行 header = [str(col) if col else "col" for col in table[0]] rows = table[1:] df = pd.DataFrame(rows, columns=header) # 清理空值和类型 df = df.apply(lambda col: pd.to_numeric(col, errors="ignore")) out_path = os.path.join(output_dir, f"table_{table_count}.csv") df.to_csv(out_path, index=False) full_text.append(f"\n### Table {table_count} located at Page {page_index + 1}\n") full_text_content = "\n".join(full_text) return full_text_content if __name__ == "__main__": text = parse_paper("input/paper.pdf") with open("paper_text.txt", "w", encoding="utf-8") as f: f.write(text) print("解析完成，表格和文本已保存")

这段代码会把PDF中的文本按页保存，同时把提取到的表格写入data_tables/table_*.csv。注意PDF表格的格式千差万别，extract_tables可能返回不完整的数据，后续需要人工抽查和清洗。如果某篇论文的表格特别复杂，更稳妥的办法是直接用Excel手动补充一份CSV，把论文中的原始数据录进去。AI助手不介意数据来自PDF还是手动录入，关键是数据要准确。

5. 构建向量索引与基础问答

论文文本准备好后，接下来的任务是把文本切块、向量化，存入FAISS索引。

切块大小一般选择500到1000字符，重叠100到200字符。这样既能保留上下文，又不会让检索粒度太粗。

# 文件路径：build_index.py from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import FAISS from langchain.text_splitter import RecursiveCharacterTextSplitter def build_index(text: str, index_path: str = "paper_index"): splitter = RecursiveCharacterTextSplitter( chunk_size=800, chunk_overlap=150, separators=["\n\n", "\n", "。", "；", " ", ""] ) chunks = splitter.split_text(text) embeddings = OpenAIEmbeddings(model="text-embedding-3-small") vectorstore = FAISS.from_texts(chunks, embeddings) vectorstore.save_local(index_path) return len(chunks) if __name__ == "__main__": text = open("paper_text.txt", encoding="utf-8").read() count = build_index(text) print(f"已索引 {count} 个文本块")

基于这个索引，就可以写一个最基础的问答函数了。先检索相关文本片段，再把它们和问题一起传给大模型。

# 文件路径：rag_qa.py from openai import OpenAI from langchain_openai import OpenAIEmbeddings from langchain_community.vectorstores import FAISS import os client = OpenAI(api_key=os.getenv("OPENAI_API_KEY")) embeddings = OpenAIEmbeddings(model="text-embedding-3-small") vectorstore = FAISS.load_local("paper_index", embeddings) def ask_question(question: str) -> str: docs = vectorstore.similarity_search(question, k=4) context = "\n\n".join([doc.page_content for doc in docs]) response = client.chat.completions.create( model="gpt-4o-mini", messages=[ {"role": "system", "content": "你是论文阅读助手，请基于提供的论文片段回答用户问题。如果片段不足以回答，请明确说明。"}, {"role": "user", "content": f"论文片段：\n{context}\n\n用户问题：{question}"} ] ) return response.choices[0].message.content

这个函数已经可以满足“论文在讲什么”“实验条件是什么”“结论是什么”这类问题。但距离“跑分析”还差关键一步。

6. 给AI加上“跑分析”能力：函数调用与代码执行

基础RAG只能输出文本，而我们的目标是在回答中输出真实的数据分析结果。实现方式是用大模型的函数调用能力，让模型在需要时生成Python代码，然后由我们的程序去执行。

先定义一个可安全执行的代码运行函数。这里使用的是Python内置的exec，但必须明确它的边界：它只能在受信任的本地环境中使用，不能用于处理不可信来源的论文。生产环境推荐用Docker容器或云沙箱隔离。

# 文件路径：executor.py import os import pandas as pd import matplotlib matplotlib.use("Agg") import matplotlib.pyplot as plt def execute_python_code(code: str, data_dir: str = "data_tables", output_dir: str = "outputs") -> dict: """ 执行模型生成的Python代码，并返回文本结果和生成的图片路径。 代码运行前会统一把数据目录和输出目录注入环境。 """ os.makedirs(output_dir, exist_ok=True) global_env = { "pd": pd, "plt": plt, "os": os, "data_dir": data_dir, "output_dir": output_dir, "__name__": "__main__", } captured_output = [] def print_wrapper(*args, **kwargs): captured_output.append(" ".join(str(arg) for arg in args)) global_env["print"] = print_wrapper try: exec(code, global_env) # 找出output目录下新增的图片 images = [f for f in os.listdir(output_dir) if f.endswith(".png")] return { "status": "success", "stdout": "\n".join(captured_output), "images": [os.path.join(output_dir, img) for img in images], } except Exception as e: return { "status": "error", "stdout": "\n".join(captured_output), "error": f"{type(e).__name__}: {e}", }

函数本身很简单，关键在于让大模型知道可以调用它。下面定义工具Schema：

# 文件路径：agent_tools.py tools = [ { "type": "function", "function": { "name": "execute_python_code", "description": "在本地Python环境中运行代码，可读取data_tables/下的CSV数据文件，进行统计分析，并生成图片到outputs/目录。", "parameters": { "type": "object", "properties": { "code": { "type": "string", "description": "要执行的Python代码。示例：df = pd.read_csv('data_tables/table_1.csv'); print(df.columns)" } }, "required": ["code"] } } } ]

接下来是Agent循环。流程是：把可用数据表的信息注入System Prompt，让模型知道有哪些数据文件；用户提问后，如果模型返回工具调用，我们就执行代码并把结果回传给模型，直到模型给出最终回答。

# 文件路径：run_agent.py from openai import OpenAI import os import glob import json from executor import execute_python_code client = OpenAI(api_key=os.getenv("OPENAI_API_KEY")) def list_available_tables(): tables = [] for path in glob.glob("data_tables/*.csv"): df = pd.read_csv(path) tables.append({ "path": path, "columns": list(df.columns), "shape": df.shape, }) return tables def run_agent(question: str, max_steps: int = 5) -> str: tables_info = list_available_tables() system_prompt = ( "你是一篇论文的AI分析助手。你可以阅读论文内容，也可以调用execute_python_code工具对论文中的实验数据执行分析。" "数据表位于data_tables目录下。当前可用数据表：\n" + json.dumps(tables_info, ensure_ascii=False, indent=2) + "\n当你需要统计数据、计算指标、画图时，请使用execute_python_code工具。" ) messages = [ {"role": "system", "content": system_prompt}, {"role": "user", "content": question}, ] for step in range(max_steps): response = client.chat.completions.create( model="gpt-4o", messages=messages, tools=tools, tool_choice="auto", ) message = response.choices[0].message if not message.tool_calls: return message.content messages.append({ "role": "assistant", "content": message.content, "tool_calls": message.tool_calls, }) for tool_call in message.tool_calls: args = json.loads(tool_call.function.arguments) result = execute_python_code(args["code"]) messages.append({ "role": "tool", "tool_call_id": tool_call.id, "content": json.dumps(result, ensure_ascii=False), }) return "达到最大步骤限制，未获得最终答案。" if __name__ == "__main__": question = "帮我读取data_tables/table_1.csv，统计不同方法在测试集上的F1分数，并绘制柱状图保存到outputs目录。" answer = run_agent(question) print(answer)

这个Agent流程看起来不复杂，但已经具备“跑分析”的核心能力：大模型会根据问题生成代码，代码在受控环境中执行，结果返回后再由大模型归纳总结。用户可以继续追问“那个图里方法A比方法B高多少”，系统会继续检索论文上下文并调用工具。

7. 运行与效果验证

按顺序运行脚本即可体验完整流程。

首先解析论文：

python parse_paper.py

解析完成后检查data_tables/目录下是否生成了CSV文件，同时打开paper_text.txt确认文本没有乱码。

然后构建向量索引：

python build_index.py

最后启动Agent：

python run_agent.py

正常情况下，你会在终端看到类似这样的过程：

1. 模型先请求调用execute_python_code，参数里包含一行读取CSV和绘图的代码；
2. 工具返回执行结果，例如{"status": "success", "stdout": "...", "images": ["outputs/f1_bar.png"]}；
3. 模型根据工具结果生成最终回答，说明图表已保存，并简单解读柱状图中的关键对比。

判断成功的标准有三个：问题能得到基于论文上下文的回答；数据分析结果有实际输出文件；回答中的数字能够和论文原始表格对应上。如果模型生成的结果和论文表格不一致，多半是CSV解析出错或代码读取了错误的列，需要检查data_tables目录下的数据是否准确。

8. 常见问题与排查思路

9. 最佳实践与工程建议

把这套原型放到真实生产环境之前，有几个问题值得提前思考。

第一是数据可信度。论文PDF解析出的表格往往有误差，尤其是跨页表格、合并单元格、小数点被截断的情况。一定要在构建索引前建立数据审计流程，至少核对每张表的行数和关键统计量。宁可让助手的数据来源是人工整理的CSV，也不能用来源不明的脏数据。

第二是代码执行安全。exec是一把双刃剑。如果论文文本中存在恶意指令（例如要求代码读取本地文件或联网），模型可能在生成代码时被误导。生产环境中应该把代码执行放在Docker容器、云函数或专门的沙箱服务中，并限制网络、文件系统访问权限。即使是本机调试，也要确保运行环境中没有敏感数据。

第三是函数调用设计。工具的名字和描述一定要具体，不要只写“执行代码”。要把可用的数据表路径、列名、输出目录规则都写进System Prompt，否则模型会反复生成错误的文件读取路径。

第四是评估与回归。论文AI助手和普通聊天机器人一样，需要一套评估集。准备10到20个固定问题，覆盖事实问答、数据提取、统计计算、可视化四类，每次改动解析逻辑或者Prompt后都跑一遍，防止“修好一个功能，搞坏另一个分析”。

第五是版本锁定。langchain、openai、pdfplumber这些库的接口更新很快，项目上线时建议把依赖版本锁定在requirements.txt中，否则半年后代码可能完全跑不起来。

10. 总结与后续学习方向

从“能答问题”到“能跑分析”，这套论文AI助手的核心改动其实只有两步：把论文中的表格独立成结构化数据，再为模型增加一个代码执行工具。如果你已经跑通过上面的流程，下一步可以尝试：

• 把向量库从FAISS换成Chroma或Elasticsearch，支持更大规模的论文库；
• 加入多篇论文对比功能，让助手可以横向比较不同论文的实验数据；
• 将代码执行环境切换到Docker，增加安全边界；
• 用LangSmith或自建日志来评估提示词和工具调用效果；
• 把助手封装成FastAPI服务，供Web前端或Jupyter Notebook调用。

真正值得投入的是数据解析和数据清洗部分。大模型能力的下限被工具决定，但工具效果的上限被数据质量决定。一篇论文的PDF解析得好不好，直接决定了这个AI助手是能解决科研问题，还是只会在Token里消耗你的耐心。建议收藏这篇文章，自己找一篇有数据表的论文试一次。只有跑通从PDF到图表的完整链路，你才会真正体会到“论文AI助手”和“论文聊天机器人”之间的差别。