浙大联合上海AI Lab发布：首个AI原生科学知识图谱上线

来源：市场资讯

（来源：PaperWeekly）

导读：“科学知识图谱”作为连接海量科研数据与科学发现的核心纽带，正成为支撑 AI4S 科研范式演进的关键知识底座。浙江大学联合上海人工智能实验室、同济大学等单位持续推进科学知识图谱的建设与应用探索。前期，联合团队在《国家科学评论》（National Science Review）发表综述论文，对知识图谱驱动的AI科学发现进行了系统性分析与介绍。

近期，我们系统整合生命、物质、材料、数理等多学科开源图谱，正式发布 SciGraph-SCP Server。作为首个专为科学智能体打造的AI原生（AI-Native）科学图谱开放服务，该服务通过集成科学智能上下文协议（SCP）为智能体提供无缝调用接口。进一步基于SkillNet完成技能化封装，并支持从OpenClaw、华为JiuwenClaw等多个开源智能体框架直接调用。在此基础上，我们还展示了怎样基于 SciGraph 构建面向科学家的大模型知识维基：SciLLM-Wiki，直观呈现其赋能AI科学发现的多样化价值。

目前，SciGraph-SCP已集成涵盖8个科学领域，逾3.7亿+实体、37亿+三元组，是当前国内外覆盖领域最多、集聚规模最大的开放科学知识图谱服务。我们诚邀科学社区各界共同参与，持续共建这一开放的科学知识基础设施。本项工作得到科技创新2030—“新一代人工智能”国家科技重大专项支持。

全文目录

1. SciGraph:构建AI原生科学知识服务

2. SciGraph SCP Server架构设计

3. SciGraph SCP Server实战示例

3.1 常规 SCP 调用

3.2 从OpenClaw访问SciGraph

3.3 从JiuwenClaw访问SciGraph

4. 基于SciGraph构建SciLLM-Wiki

5. 诚邀共建AI4S科学图谱开放社区

• 书生Intern-Discovery SCP Server：https://scphub.intern-ai.org.cn/detail/37O

• OpenKG SciGraph Service Catalog：http://scigraph.openkg.cn/service/

• 《国家科学评论》NSR综述文章：https://doi.org/10.1093/nsr/nwag140

01

SciGraph

构建AI原生的科学知识服务

在新一代 AI 智能体架构演进中，知识图谱的定位正在发生质变：它不再局限于供人查阅的“静态百科”，而逐步发展成智能体的“外脑皮层”和“逻辑向导”，实现从“人看图谱”向“智能体驾驭（Agent Harness）”的转型。

参考近期Palantir Ontology的成功实践，面向AI Agent的数据基础设施已超越单纯的存储和检索，而跃迁至“以本体为中心（Ontology-Centric）”的解耦表达——将底层数据抽象为AI原生可理解的对象、关联与操作逻辑。这种高度组织的语义结构，不仅为LLM构建了对抗幻觉的“思维锚点”，还为智能体提供了标准的语义框架以消除调用歧义。在此基础上，它还能赋予智能体高效驾驭（Harness）动态上下文与复杂工具链的能力，实现对流程逻辑、因果关联及专业约束条件的精准操控，从而真正释放知识图谱在Agentic推理与自主决策规划中的核心价值。

进一步，通过引入面向AI智能体的协议标准(如MCP模型上下文协议)，图谱服务可以实现从“封闭孤岛”向“标准化资源”的进化。它将异构的科学图谱统一抽象为可即插即用的资源，并将复杂的专业查询封装为智能体可直接调用的工具（Tools），在消除接口差异的同时，通过AI原生的模型上下文反馈抹平知识存储与模型推理之间的协作断层。

此外，结合OpenClaw和SkillNet的实践，将标准化的图谱工具升级为AI原生可调用的知识技能单元，使得分散的图谱不再是孤立的脚本，而是根据逻辑依赖关系连接而成的知识技能网络，从而能最终构建起AI原生的知识服务系统。

秉持上述核心理念，联合团队系统整理并汇集了生命、物质、数理及材料等八个细分学科的开源知识图谱，依托上海AI Lab推出的“科学智能上下文协议（SCP）”完成图谱的标准化封装，并在此基础上集成 SkillNet 实现服务的“技能化”跃迁，构建起AI原生的开放科学图谱服务(AI-Native Science Graph Open Service)。

表1：AI原生知识图谱服务

维度

传统知识图谱 (For Human)

AI 原生图谱服务 (For Agent)

交互媒介

可视化前端 / 复杂查询语言

MCP 协议 / 自然语言函数

内容形态

事实描述

对象+关系+技能

集成方式

手动集成/ETL

动态发现/自动挂载

核心价值

辅助人类决策

赋能 Agent 自主推理与执行

02

SciGraph SCP Server

作为 AI 原生开放科学图谱服务的核心载体，SciGraph-SCP Server 依托上海人工智能实验室推出的 SCP (Science Context Protocol)，对多学科图谱资源进行协议级统一封装，向上层 AI 智能体提供标准化的知识访问与调用接口，使科学知识能够以可计算、可溯源、可编排的形态被智能体原生调用。

图1：书生Intern-Discovery SCP Server

图2：学科专属的SciGraph SCP Server

目前，SciGraph SCP Server 已深度集成覆盖数学、物理、生物、化学、材料等多个细分学科的 68 个科学知识图谱，拥有3.7 亿+实体与 37 亿+ 条三元组，初步构建起支撑跨学科科研场景的统一知识服务底座。在保留全图谱统一服务能力的基础上，平台通过延伸开发生命科学（SciGraph-Bio）、物质科学（SciGraph-Material）、数理科学（SciGraph-MathPhys） 及 地球科学（SciGraph-Earth）四大粗粒度学科专属 SCP 服务，实现了跨学科知识组织与垂直领域专业支撑的深度协同。

图3：OpenKG SciGraph Service Catalog首页

SciGraph SCP Server核心特点：

(1)跨学科本体融合，多学科统一接口：基于统一的科学本体方法论，SciGraph SCP Server深度整合化学、材料、生物等领域的结构化知识。通过标准化协议实现异构数据无缝集成，研究者仅需单一接口即可实现跨多个学科的逻辑链接。

(2)多维图谱架构，科研全路径覆盖：不仅追求规模，更强调知识的稠密性。以 ElementKG（化学知识图谱）为例：该图谱包含约 2309 万个节点、7400 余万条关系，涵盖分子、化学反应、实验流程、实验试剂、实验装置、元素等 13 种实体类型。包含实验目的、操作步骤、试剂用量、反应条件、产物产率、官能团及元素物理化学属性等完整信息，支持从实验设计到结果分析的全流程知识查询。知识图谱中的实体通过 97 种关系类型相互连接，形成了一个完整的化学实验与元素知识网络。

(3)MCP原生兼容，开箱即用：所有工具通过标准化MCP（Model Context Protocol）协议封装，提供一致的API调用方式，研究人员无需本地部署图数据库，仅需几行Python代码即可远程访问完整知识图谱，显著降低使用门槛，提升研发效率，让使用者专注于科学探索而非工程实现。

图4：SciGraph SCP Server架构图

03

SciGraph-SCP 实战示例

本节通过一组具体案例，展示 SciGraph-SCP 如何将分散的科学知识图谱组织为 AI 智能体可直接调用的知识服务，并进一步以技能化方式接入 OpenClaw、JiuwenClaw 等开源智能体框架，打通从图谱资源到智能体调用的完整链路。

3.1 常规SCP调用

为了更直观展示SciGraph-SCP的运行方式，本小节提供了三个不同层次的实战示例：

第一层是单图谱调用，即 AI 智能体能够根据问题自动路由到最合适的学科图谱；

第二层是多图谱联合调用，即系统可跨多个知识图谱协同检索与整合；

第三层是图谱与外部工具的协同，即在图谱提供知识依据之后，进一步联动更多工具，将知识检索延伸为任务执行支持。

在开始前请安装SDKpip install mcp，并确保 mcp_config.json 已通过https://discovery-usercenter.intern-ai.org.cn/获取并正确配置API-KEY。

{"mcpServers": {"SciGraph": {"type": "streamableHttp","description": "这是一款面向科学研究的统一知识查询服务，集成了化学、生物等多个学科领域的知识图谱数据，支持跨学科知识检索、实体关系查询、领域知识问答等操作","url": "https://scp.intern-ai.org.cn/api/v1/mcp/37/SciGraph","headers": {"SCP-HUB-API-KEY": "{API-KEY}"

✅ 单一图谱调用

问题输入：

Q6GZX4 蛋白能够参与哪些生物过程，是如何在生物细胞中发挥作用的？

系统将问题路由到生命科学图谱 ProteinKG25，并使用以下Python代码进行查询：

import asynciofrom mcp import ClientSession, StdioServerParametersasyncdefquery# scp服务调用response = await session.call_tool("SciGraph.query_graph", arguments={# 定义使用的kg"graph_name": "ProteinKG25",# kg查询语句"cypher_query": "MATCH (p:Protein {proteinId: 'Q6GZX4'})-[:ANNOTATED_WITH]->(g:GOTerm) RETURN g.goId, g.definition LIMIT 50"context = response.contentreturn contextasyncio.run(query())

查询结果返回：

{"data": ["goId": "GO:0046782","definition": "regulation of viral transcription","type": "Process"],"triples": [["Q6GZX4", "ANNOTATED_WITH", "GO:0046782"],["GO:0046782", "IS_A", "Biological Process"],["GO:0046782", "DEFINITION", "regulation of viral transcription"]

在此基础上，大模型生成面向用户的回答：

根据 Scigraph-Bio/ProteinKG25 知识图谱查询结果，Q6GZX4 蛋白参与的主要生物过程是 病毒转录调控（GO:0046782）。该蛋白通过调节病毒基因组转录的频率、速率或程度发挥作用，可能作为转录辅助因子与病毒或宿主转录机器相互作用。由于参与转录调控，推测该蛋白主要定位于细胞核。

✅ 多图谱联合调用

问题输入：

CID 1268 (Sunitinib) 的主要靶点蛋白是什么类型，参与哪些重要的生物学过程和信号通路？

系统将问题路由到多个生命科学知识图谱 iKraph、MKG-FENN、Otter-UBC 联合处理，并使用以下Python代码进行查询：

import asynciofrom mcp import ClientSession, StdioServerParametersasyncdefquery# 查询MKG-FENN中药物-蛋白质相互作用信息response = await session.call_tool("SciGraph.query_graph", arguments={"graph_name": 'MKG-FENN',"cypher_query": "MATCH (d:Drug)-[:BINDS_TO]->(p:Protein) WHERE d.name CONTAINS 'Sunitinib' RETURN d.name, p.name LIMIT 30"context = response.contentcontext_list.append(context)# 查询MKG-FENN中蛋白质-通路信息response = await session.call_tool("SciGraph.query_graph", arguments={"graph_name": 'MKG-FENN',"cypher_query": "MATCH (p:Protein)-[:INVOLVED_IN_PATHWAY]->(pw:Pathway) RETURN p.name, pw.name LIMIT 30"context = response.contentcontext_list.append(context)# 查询iKraph中药物相关信息response = await session.call_tool("SciGraph.query_graph", arguments={"graph_name": 'iKraph',"cypher_query": "MATCH (n:Node)-[:RELATED_TO]->(m:Node) WHERE n.name CONTAINS 'Sunitinib' RETURN n.name, m.name, m.type LIMIT 50"context = response.contentcontext_list.append(context)# 查询Otter-UBC中药物-蛋白质相关信息response = await session.call_tool("SciGraph.query_graph", arguments={"graph_name": 'Otter-UBC',"cypher_query": "MATCH (d:ns0__Drug)-[:ns0__binding_to]->(p:ns0__Protein) WHERE d.name CONTAINS 'Sunitinib' RETURN d.name, p.name LIMIT 30"context = response.contentcontext_list.append(context)return context_listasyncio.run(query())

查询结果返回：

{"targets": [["KDR/VEGFR2", "Receptor tyrosine kinase"],["KIT", "Receptor tyrosine kinase"],["PDGFRA", "Receptor tyrosine kinase"],["PDGFRB", "Receptor tyrosine kinase"],["CSF1R", "Receptor tyrosine kinase"],["FLT3", "Receptor tyrosine kinase"],["RET", "Receptor tyrosine kinase"]],"processes": [["GO:0002237", "angiogenesis"],["GO:0045056", "vascular endothelial cell proliferation"],["GO:0033993", "vascular endothelial growth factor receptor signaling pathway"],["GO:0007169", "transmembrane receptor protein tyrosine kinase signaling pathway"],["GO:0050767", "regulation of cell migration"]],"pathways": [["VEGF signaling pathway", "WikiPathways:WP1981"],["PI3K-Akt signaling pathway", "PathBank:SMP0000716"],["Ras-MAPK signaling pathway", "Reactome"],["PDGF signaling pathway", "WikiPathways:WP3594"],["JAK-STAT pathway", "PID:PC7_7269"]],"triples": [["Sunitinib", "INHIBITS", "VEGFR2"],["Sunitinib", "INHIBITS", "KIT"],["Sunitinib", "INHIBITS", "PDGFR"],["VEGFR2", "PARTICIPATES_IN", "Angiogenesis"],["KIT", "PARTICIPATES_IN", "Stem cell development"]

在此基础上，大模型生成面向用户的回答：

CID 1268 (Sunitinib) 的主要靶点均为受体酪氨酸激酶（RTKs），包括 VEGFR1/2/3、PDGFRα/β、KIT、FLT3 和 RET。这些靶点参与的重要生物学过程包括血管生成和血管发生、细胞增殖和分化、细胞迁移和运动等；相关信号通路主要包括 VEGF 信号通路、PI3K-Akt 通路、Ras-MAPK 通路、PDGF 信号通路、JAK-STAT 通路等。通过同时抑制多个 RTK 靶点，Sunitinib 能够阻断肿瘤血管生成和肿瘤细胞增殖，实现双重抗肿瘤作用。

✅ 图谱+工具联合调用

问题输入：

设计一个使用 CRISPR-Cas9 系统敲除 HEK293T 细胞中 EGFR 基因的详细实验方案，包括 sgRNA 设计与合成、CRISPR 载体构建、细胞培养与转染、单克隆筛选、基因型鉴定和蛋白水平验证。

系统先将问题路由到生命科学图谱 ProteinKG25和TxGNN，检索 EGFR 的功能注释与设计依据，并生成如下查询语句：

import asynciofrom mcp import ClientSession, StdioServerParametersasyncdefquery# 查询ProteinKG25 - Functionresponse = await session.call_tool("SciGraph.query_graph", arguments={"graph_name": 'ProteinKG25',"cypher_query": "MATCH (p:Protein {proteinId: 'P00533'})-[:ANNOTATED_WITH]->(g:GOTerm) WHERE g.type = 'Function' RETURN g.goId, g.definition, g.type LIMIT 50"context = response.contentcontext_list.append(context)# 查询ProteinKG25 - Processresponse = await session.call_tool("SciGraph.query_graph", arguments={"graph_name": 'ProteinKG25',"cypher_query": "MATCH (p:Protein {proteinId: 'P00533'})-[:ANNOTATED_WITH]->(g:GOTerm) WHERE g.type = 'Process' RETURN g.goId, g.definition, g.type LIMIT 50"context = response.contentcontext_list.append(context)# 查询ProteinKG25 - Componentresponse = await session.call_tool("SciGraph.query_graph", arguments={"graph_name": 'ProteinKG25',"cypher_query": "MATCH (p:Protein {proteinId: 'P00533'})-[:ANNOTATED_WITH]->(g:GOTerm) WHERE g.type = 'Component' RETURN g.goId, g.definition, g.type LIMIT 50"context = response.contentcontext_list.append(context)# 查询TxGNNresponse = await session.call_tool("SciGraph.query_graph", arguments={"graph_name": 'TxGNN',"cypher_query": "MATCH (d:Drug)-[:DRUG_TARGETS_PROTEIN]->(p:Gene_Protein {name: 'EGFR'}) RETURN d.name, d.type, d.status LIMIT 30"context = response.contentcontext_list.append(context)return context_listasyncio.run(query())

查询结果返回：

{"graphs": {"ProteinKG25": {"data": [["GO:0004672", "protein kinase activity", "Function"],["GO:0042802", "identical protein binding", "Function"],["GO:0007173", "EGFR signaling pathway", "Process"],["GO:0005887", "integral component of plasma membrane", "Component"],["GO:0005886", "plasma membrane", "Component"]},"TxGNN": {"data": [["EGFR targeted drug information", "20 drugs"]},"triples": [["EGFR", "HAS_FUNCTION", "Protein tyrosine kinase"],["EGFR", "LOCATED_IN", "Plasma membrane"],["EGFR", "PARTICIPATES_IN", "EGFR signaling pathway"],["CRISPR-Cas9", "TARGETS", "EGFR"],["sgRNA", "DIRECTS", "Cas9 to EGFR locus"],["HEK293T", "CELL_LINE_FOR", "EGFR knockout"]

在图谱检索基础上，系统进一步调用Thoth SCP Server 的protocol_generation 工具，用于根据实验需求自动生成结构化湿实验方案：

{"tool": {"service_name": "Thoth SCP Server","tool": "protocol_generation","input": "CRISPR-Cas9 knockout EGFR experiment requirements","output": "Structured wet lab protocol"

在此基础上，生成面向用户的回答：

本实验方案设计了一个完整的 CRISPR-Cas9 介导的 EGFR 基因敲除细胞系构建流程。基于知识图谱检索，EGFR(P00533) 是跨膜受体酪氨酸激酶 (GO:0005887)，具有蛋白激酶活性 (GO:0004672) 和二聚化能力 (GO:0042802)，定位于细胞膜。

• sgRNA 设计：推荐 4 条靶序列，采用双 sgRNA 策略造成大片段缺失，策略 A(Exon 3-4 缺失) 导致移码突变，策略 B(激酶域 Exon 18-19 缺失) 破坏催化功能。PAM 序列为 NGG，GC 含量 40-60%，使用 CRISPOR 评估脱靶风险。

• 载体构建：推荐 lentiCRISPRv2 慢病毒载体，BsmBI 酶切后连接退火 oligo，转化 DH5α，测序验证。

• 细胞转染：HEK293T 细胞用 Lipofectamine 3000 转染，48h 后开始 1-2 μg/mL 嘌呤霉素筛选 5-7 天。

• 单克隆筛选：有限稀释法 (1 cell/孔) 或 FACS 分选 (GFP 阳性)，培养 2-3 周至汇合。

• 基因型鉴定：PCR 扩增靶位点 (~500 bp)，T7E1 酶切检测异源双链，Sanger 测序确认突变类型。

• 蛋白验证：Western Blot 检测~170 kDa EGFR 条带，敲除成功则无信号，内参用 GAPDH 或β-Actin。

• 时间线：第 1 周 sgRNA 设计合成与载体构建，第 2 周转染筛选，第 3-5 周单克隆扩增，第 6 周基因型鉴定，第 7 周蛋白验证，总周期 7-8 周。

• 常见问题：转染效率低 (用低代次细胞)、筛选后无存活 (预实验测最小致死浓度)、单克隆生长慢 (加条件培养基)、T7E1 无切割 (优化 PCR 或增加测序克隆数)、Western 仍有信号 (用 N/C 端双抗体验证)、脱靶效应 (重新设计 sgRNA 或用高保真 Cas9)。

• 资源：Scigraph-Bio 提供 EGFR 功能注释，Thoth 工具生成结构化湿实验方案，推荐试剂包括 lentiCRISPRv2、Lipofectamine 3000、CST EGFR 抗体#4267。

3.2 从OpenClaw访问SciGraph

图5：在OpenClaw中调用 SkillNet 中封装的 SciGraph-Skill

在 AI Native 架构下，SciGraph 通过将图谱检索能力进一步解耦为原子化的 SciGraph-Skills，并纳入 SkillNet 进行统一组织，同时支持通过 OpenClaw 接入智能体调用链路，实现从静态“知识库”向持续进化的知识技能引擎的价值转变。

以图5中展示的scp-dtinet为例，该Skill面向药物—靶点相互作用预测和药物重定位任务，底层连接DTINet图谱，通过SciGraph SCP服务 + API Key授权方式接入，并封装了 query_cypher、get_kg_statistics、get_entity_details、pget_experiment_workflow 等工具，支持关系查询、图谱统计、实体详情查看和实验流程追踪等能力。

OpenClaw 会先在 SkillNet 中识别 SciGraph-Skills 集合中的候选技能，再结合当前任务语义，将与 drug-target prediction 最相关的候选项定位为 scp-dtinet。基于此，SciGraph 中原本分散在不同图谱中的知识资源，已经能够以 Skill 的形式被智能体自动发现、按需选择并接入调用链路，从而为后续的分析提供统一的知识技能入口。

SciGraph-Skills 示例：scp-dtinet面向任务：药物—靶点相互作用预测、药物重定位底层图谱：DTINet接入方式：SciGraph SCP 服务 + API Key 授权可调用工具：query_cypher、get_kg_statistics、get_entity_details、get_experiment_workflow典型能力：查询图中关系、获取图谱统计、查看实体详情、追踪实验流程

3.2 从华为JiuwenClaw访问SciGraph

图6：在华为JiuwenClaw中调用 SkillNet 中封装的 SciGraph-Skill

我们进一步将技能化的 SciGraph 深度接入华为 JiuwenClaw智能体框架，并以药物—靶点预测为核心场景展示了全链路闭环。

如图 6 所示，系统实现了从“需求感知”到“环境就绪”的自动化流程：用户发起请求后，SkillNet 立即触发语义检索，从 SciGraph-Skills 资源池中精准定位并匹配最符合 drug-target prediction 任务的技能包 scp-dtinet。随后，框架自动完成该技能包的分发、下载与本地挂载，并实时同步说明文件以辅助推理决策。

这一过程验证了 SciGraph 在 JiuwenClaw 生态中已具备支撑“发现—路由—部署”完整链路的能力，演示了大规模科学图谱已能够以标准化 Skill 的形态，无缝嵌入智能体的原生运行环境。

04

SciLLM-Wiki应用举例

图7：SciLLM-Wiki科学知识维基示例

在大模型驱动的 AI Native 范式下，SciGraph 的核心价值已突破单一的瞬时检索，转而聚焦于更深层次的科研需求：面向特定研究主题的知识沉淀与内生演化 。

为了呈现这一价值，我们借鉴了近期大模型知识维基（LLM-Wiki）的构建思路 。LLM-Wiki 是一种全新的知识组织形态，它由大模型持续维护一组可积累、可链接、可更新的知识页面，旨在为知识问答、知识归纳与综述生成提供稳定的事实基座。

基于上述理念，我们探索基于SciGraph构建面向科学家的大模型知识维基（SciLLM-Wiki）。在这一系统中，SciGraph 发挥着至关重要的“定海神针”作用：它将结构化的图谱知识与特定主题的海量领域文献深度融合，为复杂庞杂的科研数据提供结构化的索引与锚点，从而沉淀出面向前沿研究问题的结构化知识空间。

在图7中，我们以 ElementKG 中的典型领域为例，展示了其构建思路：

• “联烯化学”主题： 系统首先从 SciGraph 中抽取联烯及其衍生物的反应类型、催化剂体系等核心骨架，利用图谱的结构化特征快速勾勒出该领域的知识拓扑。

• “非对称化学”主题： 通过 SciGraph 精准定位手性配体、不对称合成路径及代表性课题组等关键节点，形成研究脉络的“逻辑锚点”。

具体而言，图7展示了从 Propargylic Precursors 这一关键中间体切入的构建逻辑：SciGraph 负责提供概念间的结构化连接（图7左），帮助系统快速定位关键方法论与代表性工作；而 SciLLM-Wiki 则在这些骨架之上，通过大模型结合海量领域文献进行语义填充、进展归纳与文献综述（图7右）。

这种“图谱定骨架、模型赋语义”的分工协同模式，不仅保证了知识组织的严谨性，更实现了内容随研究进展而持续演化的生命力，构建起真正适合科研实战的知识中枢。

05

诚邀共建AI4S图谱开放社区

展望未来，SciGraph 的演进将超越单纯的知识汇聚，致力于进化为科学智能的“本体骨架”。一方面，我们将科学实体、复杂关系与可执行动作统一于同一语义层，并在统一的本体框架下系统化地组织与编排智能体技能（Skills）。在这一范式中，科学基座模型充当 “大脑” ，负责深度理解科学问题、构建推理规划并实现任务调度；而科学知识图谱提供的本体骨架则作为 “逻辑支柱” ，为大模型的思考提供确定性的物理约束与知识边界。通过“大脑”与“骨架”的深度协同，我们将构建一套 AI 原生的科学知识服务体系，推动科学知识从静态的 “数据仓库” 升级为动态的 “能力基座” ，为 AI for Science（AI4S）提供一个开放、可复用、可持续扩展的知识基础设施。

我们诚邀广大科研社区共同参与，携手定义AI原生时代的科学知识基座，让每一条知识都转化为重构物质和生命世界的智能原动力。

http://scigraph.openkg.cn/donate/

撰文：庄祥

编辑：邓鸿杰