一、Agent 与 LLM：不要把工作流误认为智能体
LLM 是推理和生成引擎，本身被动、无状态、只做输入到输出的概率映射。固定的 LLM workflow 是预先写死的流程：先总结，再分类，再调用工具，再输出。Agent 的差异在于自主拆解任务、动态规划、工具调用、环境反馈、记忆和反思。一个系统是否是 Agent，不看它是否用了大模型，而看它能否根据中间结果改变执行路径，能否在失败后重规划，能否把外部文件、命令、搜索、数据库和历史状态纳入决策。提示词仍然重要，但它只是规定工具边界、角色和思考范式，不是智能体本身。
在技术预测、图模型、化学组合或工程可行性判断中，直接让 LLM 打分并不能解决方法论问题。它可能给出看似合理的 plausibility score，但核心困难没有被解释：模型为什么会预测某个组合，错误来自数据提取、图结构、负样本构造、过度平滑，还是物理互斥没有被建模。严肃方法应回到底层机制：如果组合内部存在互斥，就需要 pairwise compatibility 和 weakest-link penalty；如果出现测试期新节点，就需要归纳式节点生成或语义邻近的结构对齐。LLM 可以辅助解释，但不能替代模型结构中的约束。
二、新兴技术预测：从文本主题转向技术元素和模体融合
主题聚类只能识别已经形成文档规模和词汇共现的技术，它描绘成熟趋势，不解释新技术如何由旧元素组合产生。基于《技术的本质》的组合进化思路，粒度必须从文献级下沉到元素级：组件、机制、动作、对象、功能、应用场景、物理效应。预测新兴技术，不应只是预测某个主题会升温，而应预测哪些原本分散的元素会发生新连接，哪些结构洞会被桥接，哪些技术模块会跨域融合。技术预测的问题从“哪些词一起出现”转为“哪些有效功能单元未来会形成新组合”。
单个词太碎，整篇专利太粗，网络模体提供了中观层级。专利术语共现网络中，显著高于随机网络频率出现的三节点或四节点子图，不只是词的偶然同现，而可能是经过研发实践筛选后的稳定功能组合。把网络模体定义为“技术元素群”，就能把组合进化翻译成图论语言：新兴技术是原本独立的模体通过桥接节点或新边发生融合。这个定义的理论支撑在于技术系统的层级性和模块化；方法优势在于模体既有结构稳定性，又比主题更早、更细地捕捉弱信号。
全量子图同构是 NP-Hard，不能把几十万节点网络直接拿去穷举高阶模体。合理做法是先语义剪枝，用 TF-IDF、C-value、领域停用词和频率阈值压缩到核心术语网络；再限制模体阶数到 3 或 4；再用 RAND-ESU 或 FANMOD 一类启发式采样估计显著模体。模体发现后，还要解决“这个三角图到底是什么技术”的语义黑盒：把模体反查回包含它的专利，统计最高关联的 CPC 组别，抽取原句中的中心名词短语，生成可读的技术功能标签。算力问题靠剪枝和采样，语义问题靠 CPC 锚定和语境回溯，不靠 LLM 猜。
技术预测不能只展示网络图。最基本的验证是时间切片回溯：用早期数据提取模体和潜在链接，预测后续时间窗是否真的出现模体融合。还要设置基线模型，例如关键词共现、主题模型、普通链路预测、专利分类相似度，用早期捕获率、假阳性率和预测提前量比较优势。管理学价值不能只停留在 AUC，还要把高潜力模体融合与后续产业报告、前沿技术清单、企业布局或专利族扩张进行外部印证。预测模型的价值是提前给出可解释路径，不是事后把已知趋势重新命名。
超图模型如果只做集合池化，可能把整体看似相关但内部互斥的元素组合打高分。改进方向是在超边内部计算两两兼容性矩阵，把最低兼容性的元素对作为惩罚项，形成 veto-aware hyperedge scoring。一个技术组合只要存在硬互斥，整体得分就应被拉低。测试集中还会出现训练期没有的新技术元素，不能默认模型知道它们的拓扑位置。可用语义嵌入找到最相近的已知节点，再聚合这些已知节点的拓扑嵌入，为新节点生成结构位置。这样模型才具备零样本或归纳式技术预测能力。
三、证据源与数据结构：先问数据能回答什么
AI 技术前沿的主要载体是 arXiv、顶会论文、头部机构技术报告、GitHub 和模型社区。专利公开通常有时间滞后，文本也常为法律保护而写得宽泛，难以追踪最新算法细节。但专利并非无用，它更适合看产业化、技术护城河、共性技术、专利池和企业战略布局。用专利看 AI，不应问“最前沿模型是什么”，而应问“哪些技术开始被商业主体保护，哪些应用方向开始形成资产，哪些组织在布局同一底层能力”。不同证据源回答不同问题。
OpenAlex 的 abstract_inverted_index 不是摘要文本，而是词到位置数组的倒排索引。这样做的原因是版权边界：完整摘要是表达，批量分发可能涉及版权；单词出现位置更接近事实数据，便于开放。还原文本时，只需按位置把词放回数组再拼接；做词频、共现和关键词距离时，也可以直接利用倒排结构。这个设计说明数据开放不只是技术问题，也是在法律约束下重新组织数据结构。文本挖掘中，数据形态本身往往已经包含了合规策略。
DOE 正交实验的核心是用均衡分散的少量实验覆盖多因素多水平，不要求因素和结果之间存在严格线性关系。每个水平都可以被看成离散分类，极差分析只比较不同水平的平均效果。真正的限制是交互作用：标准正交设计往往默认因素影响可以加法叠加，如果 A 的效果取决于 B 的水平，忽略交互就可能得出错误结论。参数多、目标是筛选主要因素，用正交实验；已知关键因素、希望拟合连续曲面和最优区域，用响应面。不要把正交实验误解成线性模型的低配版。
四、文本、图表与排版工程：可编辑性和可投稿性要同时满足
LaTeX 编译器不在乎主文件是否叫 main.tex，但自动化工具、协作人员、CI、编辑器插件和论文模板常常默认寻找这个入口。复杂项目应保留 main.tex 作为控制层，用 \input 或 \include 加载章节文件。个人想用项目名命名主文件，可以通过软链接或编辑器配置解决。命名本身不是技术限制，约定能降低协作和自动化成本。
大模型生成 TeX 时容易混淆中文左右引号，原因是英文 LaTeX 引号语法、中文全角标点和自回归生成状态混在一起。直接用正则替换所有成对引号有误伤风险，尤其在缺失一个引号时，会把中间大段正文错误包进引语。安全策略是按自然段拆分作用域，统计每段中文引号数量，偶数才交替纠正，奇数直接报错并提示人工检查。自动化清洗的原则是宁可停止处理，不要为了“修好”而扩大破坏半径。
Pandoc 的强项是文档格式转换和结构化文本，但 Word 的复杂格式、段落 run、表格、对象和页面样式常常会在 AST 转换中丢失。需要精细修改 docx 时，更合理的是通过 MCP 调用 python-docx、OpenXML SDK 或其他原生文档处理库，对段落、文本块和表格对象直接操作。MCP 本身不是解决格式的魔法，它只是让大模型能调用外部工具；真正的格式保真来自底层库是否理解 Word 对象模型。
Matplotlib 生成的 SVG 往往是大量硬编码 path，Draw.io 不适合拆解这种复杂图形；TeX 原生也不适合直接插入 SVG，投稿系统更容易出问题。更稳的工作流是：Matplotlib 输出底层数据图为 PDF 或可编辑 SVG；若要微调曲线、文字和矢量节点，用 Inkscape；若要加逻辑框、箭头、模块关系，用 Draw.io 作为上层标注工具；最终导出 PDF，再由 TeX 用 \includegraphics 引入。数据图、矢量编辑、逻辑图和排版系统各司其职，少走“一个工具解决一切”的弯路。
Visio 图复制到 PPT 后取消分组，中文文本被拆成单字或碎片，根源是 EMF 到 Office 形状的逆向转换。PPT 为保持视觉位置，牺牲了文本框结构。无损编辑的方案是把 Visio 作为嵌入对象保留，双击回到 Visio 修改；必须在 PPT 中改时，可以尝试 Word 的 PDF 重排引擎做中介；如果要做长期可维护的逻辑图，更应使用 Draw.io 插件或在 PPT 内原生绘制文字。Illustrator 适合平面设计，不适合作为逻辑图和 PPT 可编辑性的终极方案。
