src/concept_extractor

阶段 2b 模块，基于 LLM 的技术概念抽取。

常量

CONCEPT_EXTRACTION_PROMPT

GPT-4o-mini 的系统提示模板，指导模型：

• 为每篇论文抽取 1-3 个关键技术概念
• 将每个概念分类为 INTRODUCES（论文提出）或 APPLIES（论文应用）
• 识别领域和子领域
• 检测跨学科来源
• 返回结构化 JSON

函数

extract_concepts_llm(paper: dict, client: OpenAI, model: str) → list[dict]

使用 LLM 从单篇论文中抽取结构化技术概念。

参数：

名称	类型	说明
paper	dict	论文数据，包含键：title、abstract、keywords、year
client	OpenAI	已初始化的 OpenAI 客户端
model	str	模型名称（如 gpt-4o-mini）

返回值： 概念字典列表，每个包含：

{
    "name": str,              # 概念名称
    "field": str,             # 主要领域
    "subfield": str,          # 子学科
    "relationship": str,      # "INTRODUCES" | "APPLIES"
    "confidence": float,      # 0.0 - 1.0
    "cross_discipline_source": str | None  # 跨学科来源领域
}

异常处理： API 错误时返回空列表。

---

run() → None

执行完整的阶段 2b 流水线：

1. 加载 publications.parquet 和 awards.parquet
2. 使用 settings.yaml 配置初始化 OpenAI 客户端
3. 遍历论文，调用 LLM 进行概念抽取
4. 保存原始响应到 output/concepts/llm_extraction_raw.json
5. 扁平化并保存到 output/concepts/concepts.parquet

前置条件

需要设置 OPENAI_API_KEY 环境变量。