research_assist

研究者向けのサーベイ論文ファインダー＋新規性チェッカー。 キーワードが論文中で「目的(objective)」か「制約(constraint)」かを本文まで読んで判定する。 （"Undermind の素朴版" / 自前 ResearchRabbit）

アーキテクチャ

research_assist/
├── paper_novelty_checker.py   # リファレンス実装（単体で動くCLI。scaffoldの移植元）
├── backend/                   # Python + FastAPI + LangGraph
│   ├── app/
│   │   ├── main.py            # FastAPI エントリ（OpenAPI を吐く）
│   │   ├── config.py          # pydantic-settings + TOML ローダ（設定の単一ソース）
│   │   ├── schemas.py         # Paper / Judgment / RunRequest …（フロントとの契約）
│   │   ├── deps.py            # 認証など共通依存（スケルトン）
│   │   ├── llm/               # provider非依存LLM層
│   │   │   ├── registry.py    #   providers.toml からプロバイダ解決（旧 _LLM_REGISTRY）
│   │   │   └── client.py      #   complete() → 使用トークンも返す（課金用）
│   │   ├── pipeline/          # LangGraph
│   │   │   ├── state.py       #   GraphState（state→state の純ステップ）
│   │   │   ├── nodes.py       #   search/snowball/embed_rank/judge/deepen
│   │   │   └── graph.py       #   配線 + 「弱い判定は深掘り」条件サイクル
│   │   ├── services/          # 実ロジック（cache/semantic_scholar/pdf/judge）✅移植済
│   │   ├── routers/           # runs.py（SSEストリーム） / config.py（UI用メタ）
│   │   └── static/index.html  # 組み込みの軽量UI（バニラJS, ビルド不要）← 当面はこれで操縦
│   ├── config/
│   │   ├── providers.toml     # LLMレジストリ＋料金 ← ハードコード排除
│   │   └── settings.toml      # 既定値・許容範囲・パイプライン設定
│   └── prompts/
│       └── objective_vs_constraint.ja.jinja2  # 判定プロンプト（仮置き。UIから編集可）
└── frontend/                  # （将来用）Next.js。当面は backend 組み込みUIで十分
    └── package.json           # `npm run gen:api` で OpenAPI → TS型生成

設計の3本柱

1. 最大限カスタマイズ可能 / ハードコード排除 LLMレジストリ・料金・既定パラメータ・許容範囲・プロンプトはすべて config/*.toml と prompts/*.jinja2 に外出し。コードには「賢いデフォルト」だけ残し、上書きを設定で受ける。 UI は GET /config でカスタマイズ可能項目を取得して描画する。

2. インタラクティブ＝非同期＋ストリーミング クロール＋判定は数分かかるので、POST /runs で即 run_id を返し、 GET /runs/{id}/stream（SSE）で LangGraph の astream_events を流す。 論文が1件判定されるたびにUIへ届く。LangGraph の条件サイクル（弱い判定→深掘り→再判定）が このアプリでLangGraphを使う正当な理由。

3. 自分＋友人用 / 課金なし APIキーは環境変数でサーバ側が持つ（こちらが発行したキーを使う）。決済・台帳・認証は無し。 まずは関連研究を探すツールとして動くことを優先。 （将来 公開するなら、providers.toml に料金欄を残してあるので、後からメータリング層を 足せる設計にはしてある。）

プロバイダの線引き（重要）

• Anthropic は純正 anthropic SDK（prompt caching / adaptive thinking / 正確な usage のため）。
• OpenAI / Gemini / xAI / DeepSeek は openai SDK + base_url（いずれも OpenAI互換エンドポイント）。
• Anthropic にも OpenAI互換シムは存在するが機能不足（キャッシュ・思考制御・usage精度を失う）なので 本番では使わない。client.py の分岐は意図的。

起動

cd backend
cp .env.example .env        # → .env に DEEPSEEK_API_KEY=... を1行書く（git管理外）
uv run uvicorn app.main:app --reload
# ブラウザで http://localhost:8000 を開く（/docs に Swagger, / が操縦UI）

.env（git管理外）に LLMキー（いずれか1つ）、任意で SEMANTIC_SCHOLAR_API_KEY。 UIから クエリ / キーワード / research question / 各件数 / プロバイダ / 判定プロンプト を すべて変更して実行でき、結果は判定されるたびにストリーム表示される。

実装ステータス

• ✅ 設定の外出し（providers/settings TOML, jinja2 プロンプト）, pydantic スキーマ
• ✅ provider非依存LLM層, LangGraph 配線（条件付き深掘りサイクル含む）
• ✅ services/ 実ロジック移植（検索/snowball/埋め込み/PDF/判定）
• ✅ FastAPI + SSE + 組み込みUI（クエリ・件数・プロンプトをUIから変更可能）
• ✅ DeepSeek で end-to-end 動作確認済み
• ⬜ run_id の永続化（今はプロセス内メモリ）, LangGraph checkpointer
• ⬜ 深掘りノードの中身（grobid全文 / 近傍snowball / 再プロンプト）
• ⬜ （必要になれば）Next.js フロント, 公開時の課金・認証