firecrawl-research-index

Firecrawl Research Index

找出能回答研究問題的研究論文。有些問題只有單一答案；但許多問題有多個答案——在不確定時，傾向於回傳更完整的相關集合（最相關的優先），而不是縮減到只剩一篇。讀者看到鄰近的方法與論文，會比默默被刪掉更好。

沒有固定的食譜。閱讀問題，判斷其類型，然後選擇以下方法。有些問題只需要一次搜尋；有些則需要大量的結構／語意擴展。不要對不需要的問題執行不必要的操作。

工具及其獨特優勢

• MCP：firecrawl_research_search_papers(query, k?)
  CLI：firecrawl research search-papers <query> [--k <number>]
  對摘要進行語意（HyDE）搜尋。幾乎所有問題的自然第一步。
  如果結果看起來很少或全部相似，請用不同的框架（兄弟領域、競爭方法、資料集／基準名稱）重新執行，而不是放棄。

• MCP：firecrawl_research_related_papers(seed_ids, intent, mode?, k?)
  CLI：firecrawl research related-papers <seedIds...> --intent <intent> [--mode <similar|citers|references>] [--k <number>]
  語意與結構擴展，根據你的 intent 排序。
  這能觸及語意搜尋無法找到的論文，也是將一個好的命中結果轉變為完整集合的方法。
  mode=similar → 小眾兄弟；citers → 誰使用／建構在這些種子論文之上；references → 它們建構在什麼之上／與什麼比較。

• MCP：firecrawl_research_inspect_paper(id)
  CLI：firecrawl research inspect-paper <id>
  單篇論文的標準元資料：標題、摘要、作者、分類、來源 ID 與日期。
  在 search_papers 或 related_papers 之後使用，當你需要候選論文的完整引用／元資料，或者當你從其他地方獲得 ID 並需要確認它對應到哪篇論文時。
  這不會讀取論文內文；請使用 read_paper 來回答特定的全文問題。

• MCP：firecrawl_research_read_paper(id, question)
  CLI：firecrawl research read-paper <id> --question <question>
  單篇論文的內文段落，用於驗證關鍵限制條件（實際使用的方法、實際報告的分數、所屬機構、論文比較的對象）。
  僅用於解決特定疑問，不要對所有東西都使用。

• MCP：firecrawl_search(query) / firecrawl_scrape(url)
  CLI：firecrawl search <query> / firecrawl scrape <url>
  一般網路搜尋與頁面擷取，用於不在論文摘要中的事實：基準排行榜、排名、「誰得分最高／最大／最常用」。
  先在網路上找到排名，然後用 search_papers 將頂尖項目對應回論文。
  只有在語料庫無法自行回答問題時才使用這些工具。

根據問題類型選擇方法

• 單一具名論文（「Qwen3 報告」）→ 一次 search_papers，完成。這是唯一真正只需要一篇論文的情況。
• 依描述／依方法或技術的論文（「介紹 X 的論文」、「訓練無需 N-gram 的 AI 文字偵測」）→ 找到最佳匹配，然後假設存在一個家族：用 related_papers 擴展，並包含密切相關的方法／論文。即使一篇論文是精確的字面匹配，也要呈現並保留其鄰近論文——不要縮減到單一最佳命中結果並推論其餘部分。只有在問題指定了特定論文時，才將其視為單一答案。
• 列舉／方法家族（「做 X 的論文」、「Adam 的替代方案」、「Y 的基準」）→ 答案是一個集合，而這是 related_papers 發揮作用的地方：用 mode=similar 擴展幾個強錨點，再從新的強命中結果重新播種。一次搜尋永遠不夠。
• 展示（「使用／展現屬性 P 的論文」）→ 相關論文應用了 P，但其摘要可能沒有描述。從 P 的定義論文出發，透過 citers/references 向外擴展，並使用 read_paper 確認候選論文確實使用了 P。
• 頂尖／排行榜（「基準 X 上最佳」、「最大」、「最受歡迎」）→ 排名存在於排行榜／網路上，而非任何單一摘要中。使用 firecrawl_search / firecrawl_scrape 找到該基準的排行榜或排名，讀出頂尖模型／論文，然後對每個使用 search_papers 取得其論文。作為備案，搜尋該基準並對候選論文使用 read_paper 來取得報告的數值。這是最難的類型——廣泛撒網。
• 機構／作者篩選（「來自 <org>」、「由 <author> 撰寫」）→ 僅主題匹配不夠；在保留論文前，需驗證所屬機構／作者身份（元資料或 read_paper）。
• 比較對象（「論文 X 與哪些基準比較／建構在什麼之上」）→ 答案在論文 X 內部：read_paper(X, ...) 或 related_papers([X], ..., mode="references")。

原則

• 不確定時，就包含在內。 對於任何主題／方法／比較問題，回傳相關的家族，而不只是單一最佳匹配——寧可保留一篇看似相關的論文，也不要刪掉它。鄰近的方法是良好答案的一部分；不要因為一篇論文是最精確的匹配就排除相近的工作。
• 跟隨文獻，保留你所找到的。 開創性來源、競爭方法、密切鄰近的論文通常只差一步——使用 related_papers，並包含它們，而不只是第一個命中結果。停在一個好結果是讓讀者得到一半答案最常見的方式。
• 驗證是為了排除，而不是為了把關。 當一個硬性限制條件明顯失敗時（錯誤的機構／作者、實際上沒有報告該分數），使用 read_paper 來排除一篇論文。當一篇論文看似相關時，傾向於保留它，而不是要求證明。
• 只刪除明顯離題的。 不要用你確信不相關的論文來填充——但這是一個高標準；大多數看似相關的工作都應該被納入。