ideate_paper（构思/假设/实验计划）
      │
      ▼
reproduce_paper ──► reproduce_status（异步轮询，五步闭环）
      │
      ├────────────────────────────┐
      ▼                            ▼
research_verdict（PROCEED/REFINE/PIVOT）   write_section（撰写各章节）
      │                                   │
      ▼                                   ▼
inject_results（实验数据并入 results）      export_document（LaTeX/PDF/DOCX）
      │                                   │
      └──────────────► get_deliverables（交付全部实物）

# 别人装机第一次用（最简）：
pip install "git+https://github.com/liudongyan13701205717-source/sci-forge.git"

# 或克隆到本地再安装（可同时拿到源码）：
git clone https://github.com/liudongyan13701205717-source/sci-forge.git
cd sci-forge
pip install -e .            # 最小安装（只带 MCP 本体）

# 需要复现线时，装上运行依赖（推荐）：
pip install -e ".[reproduce,dev]"

{
  "mcp": {
    "sci-forge": { "type": "local", "command": ["sci-forge"], "enabled": true }
  }
}

sci-forge --version                     # 打印版本（还会 --help 用法）
python -m pytest tests/ -q              # 跑内置测试，应全绿

paper_id = "demo"
write_section(paper_id, "abstract",   "为《边缘设备上的轻量推理》写摘要，主题=推理速度优化", "markdown")
write_section(paper_id, "problem",    "问题定义：边缘设备推理延迟与能耗瓶颈", "markdown")
write_section(paper_id, "modeling",   "建模：轻量化网络与量化方案", "markdown")
write_section(paper_id, "solution",   "求解：剪枝/蒸馏/量化组合策略", "markdown")
write_section(paper_id, "results",    "实验设置与评估指标", "markdown")
write_section(paper_id, "references", "参考文献", "markdown")

export_document(paper_id, "pdf")      # 产出 demo/doc.pdf + doc.tex + doc.html

ideate_paper("大语言模型的轻量化可解释方法", "my_proj")
# 返回：研究缺口、候选假设、多视角评审（novelty/rigor/feasibility 加权）、实验计划

tid = reproduce_paper("path/to/paper.pdf")["task_id"]
# 轮询 reproduce_status(tid) 直到 done

research_verdict(tid)             # 根据实验结果给出 PROCEED/REFINE/PIVOT
inject_results("my_proj", tid)    # 把真实指标表 + 收敛图写进 my_proj 的 results 章节

get_deliverables(tid)             # 拿到复现的全部交付物

ideate_paper(topic, paper_id)          # 选题与缺口
research_plan(topic, paper_id)         # 研究计划书
literature_review(topic, paper_id)     # 文献综述
# 由 agent 依 WRITING_PROTOCOL 用 write_section 写满各章完整正文（无 LLM 配置）
auto_title_abstract(paper_id)          # 提炼标题/摘要/关键词
peer_review(paper_id)                  # 模拟审稿，据意见修订
paper_polish(paper_id, "completeness") # 完整性检查
paper_polish(paper_id, "grammar")      # 语言润色
venue_suggest(topic, paper_id)         # 投稿建议
export_document(paper_id, "pdf")       # 终版导出

sciforge/
├── server.py           # MCP stdio server，注册 65 个工具 + 2 个 resource
├── review/             # 多视角评审面板（7席+Devil's Advocate+编辑综合决策）
├── claims/             # claim→source 核验 + 完整性门 + Material Passport
├── venue/              # 期刊写作模板 + journal-fit 匹配
├── disciplines/        # 学科论文支持 registry（261 门自动发现，v2 精细绑定工具/门类/论文库）
├── core/            # 布局/存储/Layout + 可选 LLM 连接层（无 key 会回退模板）
├── parse/           # 论文 PDF 解析（PyMuPDF）
├── reproduce/       # 五步复现闭环：tasks/codegen/harness/pipeline + codereview 静态点评
│   ├── codegen.py   #   提取超参 + 生成 numpy/torch 复现代码
│   ├── harness.py   #   沙箱执行 + 自愈重试 + 指标/图采集
│   └── pipeline.py  #   编排五步，产出 results.json / plan.json / deliverables/
├── write/           # 写作：doc(DocStore)/templates/validate
├── export/          # 导出：md→latex/html/docx + PDF 渲染
├── research/        # 研究线：lit/ideate/hypoth/design/inject + stats/bench/novelty/community
│   └── (plan/survey/extract/review/venue/polish  # 科研/论文工具集)
├── deliver/         # 交付：get_deliverables + package_submission（投稿打包）
└── science/         # 科学数据查询：46 个连接器，覆盖文献/蛋白/化学/基因组/通路/组学/数据集

from sciforge.disciplines import list_disciplines, get_discipline, list_by_category, list_by_contribution_form, list_by_tool, list_by_database

list_by_category("理学")          # 全部理学门学科
list_by_contribution_form("专利")  # 可产出专利的学科
list_by_tool("PyTorch")            # 绑定 PyTorch 的学科
list_by_database("PubMed")        # 优先 PubMed 的学科

.sci-forge/                  # 运行产物，已 gitignore
├── env                         # 本地配置（可选 LLM 端点），不提交
├── projects/{paper_id}/        # 写作项目：doc.md / doc.pdf / doc.tex / sections/
│   └── research/               #   研究产物：*.json + *.md（供后续复用/打包）
└── tasks/{task_id}/            # 复现任务：parse/ code/ runs/ deliverables/

BASE_URL=https://.../v1
API_KEY=sk-...
MODEL=...

pip install -e ".[dev]"
python -m pytest tests/ -q      # 全量测试，全离线可跑（文献/复现用模拟数据）