User / Agent Intent
问题、研究目标、约束条件、输出要求与已有上下文。
Domain-grounded persistent deep research
TopicLens
主题透视 · 面向专业领域、可持续积累知识的深度研究系统
TopicLens 不同于传统 Deep Research 工具，它不把研究理解为一次“搜索 → 阅读 → 汇总 → 报告”的孤立任务。 TopicLens系统围绕 Topic 组织研究，让每次任务都可以利用既有领域知识、调用外部信息源、形成可追溯证据，并把新的可靠知识继续沉淀为下一次研究的基础。
Research PreviewPERSISTENT LOOP
示例主题
垃圾渗滤液处理工艺在高盐、高氨氮条件下有哪些可靠的工程路线？
01
Router · 接收意图识别 Topic、研究边界、约束与研究方式。
02
Graph · 执行研究组织检索、工具调用、证据核验、冲突识别与综合。
03
Field + External · 提供依据调用长期知识，同时连接 Web、Search 与其他 Providers。
04
Evidence → Answer形成有来源、有依据、可复查的 Findings 与研究资产。
↻不是结束：可靠结果更新 Field / Topic State，继续成为未来研究的上下文。
本页介绍 TopicLens 的产品与架构方向，不暴露私有 Core 的内部实现和知识资产。
Persistent research loop
研究的终点，也是下一次研究的起点
一次请求从用户或 Agent 的意图开始。Router 决定怎样研究，Graph 组织实际研究过程，Field 与外部来源共同提供依据。 最终形成的不只是一个答案，还包括可追溯的 Evidence、Findings 与可复用 Research Asset；经过验证的新增知识会继续沉淀进 Topic 的长期状态。
Router 接收用户意图并决定怎么研究，Graph 执行研究，Field 提供并积累知识。
Research Decision
识别 Topic，整理约束，并形成进入研究系统的方式。
Research Execution
检索、工具调用、证据核验、冲突识别、状态维护与综合。
Findings & Answer
把多来源材料转化为可解释、可追溯、可再次使用的研究成果。
Field / Topic State
可靠知识、来源关系和历史依据持续积累，而不是随会话消失。
↻ Topic State 回到下一次研究中，形成持续演化的领域研究能力
Core architecture
三个核心模块，各自只做自己擅长的事
TopicLens 把入口决策、研究执行和长期知识分开。这样既避免 Router 变成万能调度器，也避免 Graph 退化为知识库，更不把 Field 做成只有文件堆积的静态资料库。
理解意图，决定怎么研究
面向用户、Agent、Skill、MCP、API 或其他调用方，识别 Topic、整理研究约束，并形成 Research Spec / Command 等进入研究系统的请求。
边界：负责入口决策，不承担复杂工具执行和长期知识存储。
把研究意图真正跑起来
把 Router 的研究请求转换为实际过程，执行检索、Provider 与工具调用、证据核验、冲突识别、状态维护以及最终综合。
边界：负责运行研究，但不长期充当知识库。
提供基础，并持续积累
长期维护 Sources、Research Catalog、Evidence、Knowledge、Field State、Topic State 与 Generations，为研究提供领域基础与可追溯依据。
边界：不是静态资料库，会随新的 Source 与 Evidence 持续验证、更新和扩展。
Topic as a first-class object
Topic 是研究视图，不是资料文件夹
Topic 不是第四个服务模块，而是贯穿 Router、Graph 和 Field 的核心研究对象。问题围绕 Topic 被解释，研究围绕 Topic 被执行，新的 Evidence、Findings 与 Knowledge 最终又更新 Topic State。
一份 Source，可以服务多个 Topics
Topic 不要求与物理目录一一对应。相同标准、论文、工程案例或产品资料，可以在不同问题下被重新组合、引用和解释；Topic 负责提供研究视角，而不是复制一份资料。
Topic is a View, not a Container.
Source / Evidence标准、论文、案例、设备资料、监测数据、历史研究资产……
同一来源可以被多个研究视角引用 ↓
Topic A · 高盐渗滤液关注盐度约束、膜系统、浓缩液与长期运行。
Topic B · 高氨氮废水关注脱氮路线、负荷边界、碳源与运行稳定性。
Topic State随着新的可靠证据进入，研究状态持续更新，而来源本身无需被复制到多个文件夹。
Beyond one-shot deep research
它和一次性的 Deep Research 有什么不同？
传统 Deep Research 常常以一次问题开始，以一份答案或报告结束。TopicLens 更关注研究能力能不能被保存、复查、更新和继续使用。
带着领域知识开始
不是每次从空白网页重新搜索，而是把已经积累的专业知识作为研究起点。
重要结论回到证据
尽可能把 Findings 与 Source / Evidence 建立明确关系，让结论可追踪、可复查。
研究状态不会随会话消失
可靠知识、研究状态和可复用资产持续积累，成为后续研究的上下文。
Field 重要，但不是唯一来源
研究可以同时使用 Field、Web / Search、Tools 与外部 Providers，并对来源进行综合。
知识具有时间状态
Knowledge、Field State 与 Topic State 会随时间变化，不把旧结论永远视为当前事实。
逐层深入，也保留历史
先从 Catalog 与元数据筛选，再深入候选资料和原文；关键知识变化保留代际依据，而不是直接覆盖。
Access boundary
开放入口，私有核心
TopicLens 核心系统长期保持私有，并面向后续商业化研发与运营。面向用户与外部生态的 Web、Agent Skill / MCP、自托管 Web、API 与文档，通过独立的公开 Access 项目提供，并与 Core 通过稳定接口交互。
公开 Access
负责“怎样使用 TopicLens”，承载入口、客户端、接口规范、示例和集成说明。
- Official Web / Self-hosted Web
- Agent Skill / MCP
- API / SDK / Docs
- 公开示例与使用指南
私有 Core
负责“怎样真正完成研究并积累知识”，核心实现与私有知识资产不通过公开接入仓库暴露。
- Router 决策与研究契约
- Graph 研究编排与运行
- Field 数据、证据与知识资产
- 商业化能力与内部运行机制