文献自动入库流水线
OWNER · 2025.10 – 至今 · 国家生物信息中心面向国家级基因组数据库（GSA / GSA Human / OMIX）。把散在邮件、PMC、期刊页里的文献， 变成可审计、可入库的结构化数据。人工审核是流水线里的正式节点，不是失败兜底。
1三条路线汇进一条流水线
每日跑邮件订阅、PMC、期刊页三条采集路线，统一成同一种记录形状，抽出文章与数据编号。
其中 PMC 那条做过一次方向反转，见下面第二张图。
2缺的元信息逐级补齐
来源自带 → 落地页 → PubMed/PMC → Crossref 四级降级，按「成本从低到高、可信度从高到低」排，任一级失败不中断后续。
抓取只对 6% 的行发生（332 / 5539）—— 92.8% 的编号直接来自 PMC 全文。这 332 次里成功 125 次、撞付费墙 155 次；付费墙转人工上传 PDF，原地重写原记录，不新增行。
3用 LLM 判断引用类型
一篇论文与一个数据集的关系有三种：提交、复用、只是引用。原本是规则，改成 LLM —— 这个判断需要全文级语义，往往要交叉方法、数据可用性声明与致谢多处才能定。
同集同口径下，规则版误判率 35.8%，LLM 降到 9.2%。
4三路一致才自动落库
所有记录先进审核队列，不直接写发布库。确定性规则判一次、LLM 用两个不同 prompt 各判一次，三路完全一致才自动采信；任意不一致即置空转人工。
500 条标注集上逐档实测：仅 LLM 一次覆盖 71.4%（9 条误判），三路一致覆盖 44.8%、该区间零误判。剩下的 55.2% 不是没兜住的错误，是设计内的分流。
一次具体改造 · PMC 反查
原来是拿本地库里的数据编号逐个问 PMC「谁引用了它」，一次约 6 万次检索、跑 14.3 小时，只能一个月一次。把问题反过来问「谁提到了这个仓库」，一次检索就够。
真正的目标不是性能。一个月一次意味着一次积压几百篇，没人愿意开始；每天一次是十几篇，分给四个人当天就消化掉了。性能是手段，让审核量落回人的日常承受范围才是目的。
- 日常流量46 天内日均入链 24 篇文献 / 39 个数据集，该口径下自动入库率 71%
- 累计3154 篇文献 / 5539 个数据集，综合自动入库率 80.3%（含一次全量历史回填）
- 调度153 次运行 3 次失败，成功率 98.0%；失败当晚的邮件由次日回溯窗口覆盖，零数据丢失