Corvus：让 AI 成为你的文献研究搭档

一位博士生与 200 篇文献的「困局」

凌晨两点，实验室里只剩屏幕的冷光。李明（化名）盯着面前堆积如山的 PDF——他的博士论文需要梳理近十年目标领域的核心文献，可每打开一篇，就引出三篇新的参考文献，像滚雪球一样越滚越大。Semantic Scholar 能搜关键词，Zotero 能管理引用，可这两者之间始终隔着一道鸿沟：他没有一套工具能把「发现论文」和「理解论文」串联起来，最终形成真正属于自己的知识网络。

Corvus 正是为这个场景而生的。它是一个基于多 Agent 架构的学术研究助手，核心理念很简单——用 AI 帮你找到对的论文，再基于这些论文回答你的问题。这不只是另一个 AI 搜索工具，而是一套完整的研究工作流：从语义搜索发现相关工作、引文滚雪球扩展知识边界，到选择性阅读后的问答验证，每一步都有专门 Agent 负责。

从「Supervisor」到「Paper Finder」：三层 Agent 协作机制

Corvus 的架构是它最值得展开讲的部分。整个系统以 LangGraph 实现Supervisor 模式，运行一个精心设计的状态机：

用户输入
  ↓
Supervisor（查询评估 → 规划器 → 执行器 → 后置处理）
  ↓ 遇到需要选论文时中断，等待用户操作
用户选择要深入阅读的论文
  ↓
Paper Finding Agent（最多3轮迭代搜索）
  ↓
Q&A Agent（基于选中的论文进行 RAG 问答）
  ↓
最终回答

Supervisor 的职责类似「前台接待员」：它先评估你的问题——是清晰的、需要找论文的、还是两者的结合？根据判断结果，它决定调用哪个子 Agent、调用几次。这个设计避免了传统 RAG 系统「一股脑把所有相关内容都塞给 LLM」的低效问题。

Paper Finding Agent 是整个系统最有技术含量的部分。它不是简单调 Semantic Scholar 的 API 搜关键词就完事，而是采用了循环规划（RePlan）机制：

• 每次迭代，Agent 会生成一套多步骤搜索计划
• 每个步骤可以是：网络搜索、学术数据库查询、或引文滚雪球
• 关键创新在于「向前滚」和「向后滚」：向前滚雪球找到引用了某篇论文的后续工作（帮助你发现最新进展），向后滚雪球则追溯某篇论文引用的原始文献（帮你找到奠基性工作）
• 每次迭代结束后，用 Cohere Reranker 对所有收集到的论文重新排序，只保留最相关的 35 篇

Q&A Agent 则在用户选定论文后接管。它会在 Qdrant 向量数据库中检索用户选中论文的相关段落，然后用结构化输出决定：证据是否充分？不够的话，应该用什么更好的查询策略重新检索？最多 3 轮迭代后给出最终答案。如果某篇论文在向量化时因为不是 arXiv 论文而只索引了摘要，Agent 会诚实告知用户这个限制。

技术栈：LangGraph + Qdrant + Grobid，一条完整的数据流水线

从技术选型可以看出，这是一个相当「正经」的系统，不是玩具项目：

数据流水线设计得相当优雅：用户将论文加入列表后，系统会同时做两件事：① 把论文 ID 写入 Agent 上下文（Q&A Agent 知道该在哪些论文范围内检索），② 通过 Celery 将 PDF 解析任务推入 Redis 队列，由后台 Worker 调用 Grobid 解析 PDF，再用 OpenAI 嵌入模型向量化后存入 Qdrant。向量数据库是跨用户共享的，如果有人之前已经索引过某篇论文，新用户添加时会直接命中缓存，无需重复解析。

部署体验：Docker Compose 起步，中等门槛

如果你想在本地运行 Corvus，门槛不算低但也不算离谱。docker-compose.yml 提供了完整的基础设施——PostgreSQL、Redis、Qdrant、Grobid 全部容器化，开箱即用。真正需要你操心的只有两件事：

第一，LLM API Key。 目前硬编码使用 Google Gemini 3 Flash（通过 LangChain），需要配置 GOOGLE_API_KEY。同时还需要 OpenAI API Key（嵌入）、Tavily Key（网络搜索）、Cohere Key（重排序）。如果你是部署在 Fly.io，README 提供了 langgraph dev --allow-blocking 的部署命令。

第二，资源需求。 核心推理靠 Gemini API，不强制本地 GPU，但 Qdrant 和 Grobid 容器会占用内存。实测 8GB RAM 够用，但如果要同时跑多个 Worker 并发处理大 PDF，建议 16GB+。

前端开发体验不错：pnpm dev 直接起热更新，配合 Clerk 做身份验证（可选）。有一个 MCP server 实现，允许你在 Claude Desktop 里直接调用 Corvus 的搜索工具——这算是给 AI 开发者准备的彩蛋。

代码质量：架构清晰，文档详尽

从代码组织来看，这是一个高质量的开源项目：

• 架构设计：LangGraph Supervisor 模式用得很标准，interrupt 机制在关键节点暂停等待用户操作的设计思路值得学习
• 文档完整性：README 详细描述了三层 Agent 的状态机、每个节点的输入输出、甚至包含前端实时状态卡片的渲染逻辑
• 测试覆盖：有 eval 目录和 eval_qa.sh 评测脚本，说明作者在乎答案质量
• 可扩展性：MCP server 独立实现、Worker 独立 Dockerfile，职责分离清晰

不足之处：目前没有看到详细的单元测试覆盖（tests 目录存在但内容未知），代码质量评分暂给 78/100。

局限性：不要期待「一键通读」

Corvus 并非万能，有几个必须知晓的限制：

1. 依赖外部 API 生态。 Gemini、OpenAI、Tavily、Cohere、Semantic Scholar——如果任何一个不可用，整个系统就残了。没有本地模型 fallback 方案。

2. PDF 解析质量依赖 Grobid。 非 arXiv 论文的 PDF 解析效果参差不齐，有些论文的表格、公式会被 Grobid 错误提取，影响向量检索质量。

3. 问答深度受限于段落级检索。 Q&A Agent 不是对论文做全文理解再回答，而是基于段落级向量相似度检索。如果你的问题需要跨多个段落综合推理，模型可能给出表面化的答案。

4. 没有多轮对话记忆。 每一次 Q&A 是独立 session，不会记住你之前问过什么、得出什么结论。

行业意义：学术 AI 工具的新范式

Corvus 代表了一个有价值的趋势：把 Agentic RAG 落地到专业领域。过去一年的 RAG 热潮大多停留在「文档问答」层面，Corvus 的引文滚雪球 + 分层 Agent 设计，展示了如何在知识密集型任务中引入更复杂的推理流程。

从增长看，它目前 97 颗星，还处于早期，但 README 质量和系统设计已经超过很多千星项目。如果你做学术方向的 AI 应用，或对 LangGraph 感兴趣，Corvus 值得 clone 下来跑一跑。

本文基于 GitHub 仓库 YS0meone/Corvus（MIT License）分析生成。