Knows.Academy

Knows：让任意论文在几分钟内对 AI agent 可用

English | 中文

一个 YAML 文件。每一条论断、每一个数字、每一条关联——结构化、经过验证，随时供你的 AI agent 使用。

Schema Papers Disciplines Platform License

npx skills add OniReimu/Knows

然后跟你的 agent 说："find papers about transformers"、"summarize this paper"、"what's the main contribution?"

为什么需要 Knows：agents 重复重建作者已经知道的东西 — sidecar 解决这个问题

Knows 的由来

学术出版仍是一座象牙塔，还在假装自己活在 1995 年。

我们训练研究者用八股文式的论文格式写作，这种格式为人类的眼球而优化——然后把同样的 PDF 喂给 AI agent，让它们从散文中反向工程出文章结构。每个 agent，每一次，都要从同样的非结构化文本中独立提取论断、将证据映射到断言、解析引用目标。这是有损的，是重复的，也是荒谬的。

与此同时，agent 已经是消费研究成果的主要界面。它们评审论文、检索文献、综合发现。我们早已过了"让人类为人类写自然语言，再让机器重新解析"这种做法还有意义的阶段。

信息流应该反转。 内容应该以最高效、最结构化、token 最少的形式创作——为 agent 优化。当人类需要阅读时，由 agent 将其翻译成自然语言。而不是反过来。

这就是我们构建 Knows 的原因。

不是另一个论文写作工具。不是另一个 PDF 解析器。而是一套伴侣标准，将结构化知识置于首位，让格式服务于任何阅读它的人——或事物。

Knows 是什么？

Knows 是一个 sidecar YAML 文件，放在你的 PDF 旁边——是你的论文所有论断、证明和关联的结构化、agent 原生表示：

paper.pdf ← 人类文档（不变） paper.knows.yaml ← 面向 agent 的伴侣文件

经过 schema 验证。支持版本链。比 PDF 减少 77% 的 token。无需修改已发表的文档。

# paper.knows.yaml
$schema: https://knows.dev/schema/record-0.9.json
knows_version: 0.9.0
profile: paper@1
title: "Deep Residual Learning for Image Recognition"

statements:
  - id: stmt:c1
    statement_type: claim
    modality: empirical
    text: "ResNets achieve 3.57% top-5 error on ImageNet"
    confidence:
      claim_strength: high
      extraction_fidelity: high

evidence:
  - id: ev:imagenet
    evidence_type: table_result
    observations:
      - metric: top5_error
        value: 3.57
        unit: "%"

relations:
  - id: rel:1
    subject_ref: stmt:c1
    predicate: supported_by
    object_ref: ev:imagenet

Example KnowsRecord sidecar — claims, evidence, relations

安装

面向 agent 用户（推荐）

# Claude Code，项目级
npx skills add OniReimu/Knows -a claude-code -s '*' -y

# Claude Code，全局安装（在所有项目中可用）
npx skills add OniReimu/Knows -g -a claude-code -s '*' -y

# Codex CLI
npx skills add OniReimu/Knows -a codex -s '*' -y

# 同时安装到 Claude Code 和 Codex
npx skills add OniReimu/Knows -a claude-code -a codex -s '*' -y

# 安装到所有支持的 agent（50+）
npx skills add OniReimu/Knows --all

npx skills CLI 由 vercel-labs/skills 提供，支持 50+ 个 agent。上面的参数指定特定 agent 并跳过交互式选择器。

面向 sidecar 作者（Python CLI）

如果你是论文作者，需要为自己的论文编写 sidecar，请安装 Python 包：

pip install knows-sidecar
# 或
uv add knows-sidecar

这会提供 knows gen（LaTeX → sidecar scaffold）、knows lint（验证）、knows query（基于 sidecar 提问）等命令。作者工作流见快速开始。

快速开始

作为 agent 用户

安装 skill 之后（见上），直接用自然语言和你的 agent 对话：

  • 查找论文："find me 5 papers on diffusion models"
  • 总结："summarize this paper for me"（粘贴 paper.knows.yaml 或 PDF）
  • 对比："compare these two papers — what's different?"
  • 头脑风暴："what's underexplored in side-channel ML attacks?"
  • 起草评审："help me prep a review of this paper"

agent 会根据你的表达自动选择合适的 Knows sub-skill。完整菜单见你的 agent 能做什么。

作为 sidecar 作者

如果你在发表论文，想随论文附上 sidecar：

# 1. 从 LaTeX 源文件生成 scaffold
knows gen paper/main.tex -o paper.knows.yaml

# 2. 填写 TODO（有经验的用户约 15 分钟）

# 3. 验证
knows lint paper.knows.yaml

# 4.（可选）测试查询
knows query paper.knows.yaml "What is the main contribution?"

完整 CLI 参考，运行 knows --help。

你的 agent 能做什么

Knows 提供 12 个 sub-skill（查找 / 阅读 / 写作 / 对比 / 评审 / 头脑风暴 / 起草 rebuttal / 生成 sidecar / 检视版本 / 建议下一步 / 构建 commentary / 修补元数据），以及 11 个交互 stance（devil's advocate, socratic, red-team, executive summary, paper brainstorm, draft grill, ...）。

Sub-skills 产出 schema 验证过的产物（一个 sidecar、一份排序后的论文列表、一篇同行评审等）。Stances 触发思考姿态（让我们辩论、向我提问、找漏洞），并通过 fenced YAML 握手与 sub-skills 串联。

→ 查看 完整 skill 目录 了解每个 skill 做什么、何时激活、如何组合。

工作原理

KnowsRecord schema（v0.9）

KnowsRecord 是一个放在论文 PDF 旁边的 YAML 文件。它绑定 statements（claim / method / limitation / question / reflection / lesson）、evidence（数字、来源、支撑）、typed relations（一条 statement 支持/反驳/扩展另一条）、artifacts（引用的数据集、代码、模型）和 provenance（谁写了每个部分、何时、如何写的）。

KnowsRecord ├─ artifacts[] paper, repository, dataset, model, benchmark, software, website, other ├─ statements[] claim | assumption | limitation | method | question | definition │ modality: empirical | theoretical | descriptive | normative │ confidence: claim_strength × extraction_fidelity ├─ evidence[] table_result | figure | experiment_run | proof | case_study | observation | ... │ observations[]: value（数值）OR qualitative_value（字符串） ├─ relations[] supported_by | challenged_by | depends_on | limited_by | cites ├─ actions[] 可选的可执行 hook，含安全策略 ├─ provenance 来源、行为者、方法、验证 ├─ replaces 上一版本的 record_id（版本链） ├─ version spec × record × source └─ freshness as_of, update_policy, stale_after

30 个根级字段，23 个实体定义，可通过 x_extensions 扩展。完整示例见 examples 目录。

Orchestrator + dispatch

Orchestrator 通过类型化元组 (intent_class, required_inputs, requested_artifact) 将用户意图路由到 12 个 sub-skill 之一。7 个守卫（G1-G7） 防范 prompt 注入、profile 污染、质量泄漏和无界 fetch。完整合约见 skills/references/dispatch-and-profile.md。

How Knows works — orchestrator routes intent through guards to sub-skills

两种使用模式

| 模式 | 适用场景 | 发生了什么 | |---|---|---| | Knows-only（agent 原生） | 你有 sidecar | agent 只读 YAML——快速、确定性、低 token | | Knows + PDF fallback（混合） | 冷启动，sidecar 不完整 | agent 读 YAML，并在 sidecar 覆盖不足时回退到 PDF |

默认为 Knows-only。当 sidecar 报告 coverage_statements: partial，或 agent 的查询需要 sidecar 未绑定的证据时，fallback 自动激活。

评估

横跨 11 项实验（E1-E10），覆盖 20 篇论文、14 个学科、8+ 个 LLM agent：

  • +29 到 +42 个百分点 的准确率提升 — 弱模型（Qwen-0.8B、Gemma-2B）在拿到 sidecar 后 vs 仅看 PDF
  • 节省 55% token 即可达到与读完整 PDF 相同的准确率
  • 可追溯性 0% → 64-91% — sidecar 把每个论断绑定到证据；PDF 不绑定任何东西
  • 覆盖 14 个学科 — 从 CS / ML 到经济学、生物学、土木工程

→ 完整结果表、length-effect 分析、评分稳健性、每个实验细节请见 docs/evaluation.zh.md

引用

@misc{yu2026knowsagentnativestructuredresearch,
      title={Knows: Agent-Native Structured Research Representations}, 
      author={Guangsheng Yu and Xu Wang},
      year={2026},
      eprint={2604.17309},
      archivePrefix={arXiv},
      primaryClass={cs.AI},
      url={https://arxiv.org/abs/2604.17309}, 
}

许可证

Apache License 2.0——见 LICENSE。

Copyright 2026 The Knows Authors. Licensed under the Apache License, Version 2.0.