对于许多科研人员来说，真正耗费时间的工作不一定是实验本身，而是从大量科学文献中寻找、筛选和整理数据。
假设你正在研究某类药物的药代动力学特征，需要收集不同药物的半衰期（Half-life）、给药剂量、研究对象、实验条件等信息。你可能需要阅读数百甚至数千篇论文，逐篇检查正文、表格和补充材料，再把数据复制到 Excel 中。
这个过程不仅耗时，还容易出现数据遗漏、单位不统一、原始证据难以追溯等问题。即使最终完成了一份数据表，几个月后出现新研究，你仍然需要重新检索和整理。
有没有办法让 AI 自动阅读科学论文，按照研究者指定的字段提取数据，并且保留每条数据对应的原始文献证据？
Paperclip Datasets 正是为解决这一问题而设计的工具。 它将 AI Agents（人工智能代理）与科学文献检索、并行阅读和结构化数据提取结合起来，让研究者能够从一个研究问题出发，逐步构建可检查、可追溯、可更新的科学数据集。
官方体验入口：Paperclip Datasets。
什么是 Paperclip Datasets？重新定义 AI 数据集构建方式
Paperclip Datasets 是 GXL 推出的 AI 驱动科学数据集构建工具。它的核心理念是：研究人员不必再手动逐篇阅读论文、复制数据，而是直接描述自己需要的数据集，让 AI Agents 自动检索文献、阅读原始资料、提取指定字段，并生成结构化表格。
与传统的 AI 文献问答工具不同，Paperclip Datasets 的目标不是简单回答一个科学问题，而是把分散在不同来源中的证据转化为可以反复使用的数据资源。
例如，你可以提出这样的需求：
请构建一份人类药物半衰期数据集，每行代表一种药物在特定患者群体和给药条件下的一次半衰期测量。请提取药物名称、半衰期数值、单位、剂量、患者群体、样本量、研究论文及原始证据位置。
AI 会根据研究需求组织数据字段，并尝试从相关科学文献中提取对应信息。
它能够处理的资料不局限于期刊论文，还包括专利、临床试验记录、监管文件和生物学数据库。这样，研究者便有机会把原本分散在多个信息系统中的数据整合到同一张表格中。
Paperclip Datasets 的核心价值可以概括为三个方面：
- 自动化提取： AI Agents 承担大量重复性的文献阅读和数据整理工作。
- 证据可追溯： 每个提取的数据值都可以回到支持它的原始文献段落或图表。
- 持续更新： 可以重新运行数据集任务，将新出现的研究证据添加进来。
这意味着，AI 数据集构建不再只是一次性的文献整理，而可以成为持续维护的科研工作流程。
Paperclip Datasets 如何工作？从研究问题到结构化数据
Paperclip Datasets 的工作流程可以理解为从自然语言描述到结构化数据生成的六个阶段。
1. Describe：用自然语言描述研究需求
研究者首先需要说明希望构建什么数据集，以及每一行代表什么。
例如，研究抗癌药物的药代动力学特征，可以要求每行对应一个药物在特定研究条件下的测量结果，而不是简单地为每种药物保留一个平均值。
这一步非常重要。研究问题越明确，数据集的纳入标准和字段定义就越容易保持一致。
2. Agree on columns：确定数据字段
Paperclip 会根据描述提出数据表的列结构，研究者可以检查并确认。
例如，药物半衰期数据集可能包含：
- 药物名称及标准化名称；
- 半衰期数值和时间单位；
- 给药剂量及给药方案；
- 患者或受试者群体；
- 样本量和研究条件；
- 原始论文及证据位置。
这里需要特别强调：数据字段并非越多越好。字段定义应当与研究目的对应，同时明确单位、缺失值处理方式和纳入标准。
3. Gather：AI Agents 并行检索和阅读资料
确定字段后，AI Agents 开始搜索相关资料，并行阅读符合条件的论文和其他科学文档。
与传统人工逐篇处理不同，并行工作方式能够同时处理多个文献来源。对于需要比较数百篇论文的研究任务，这种方式具有明显的效率潜力。
AI 不仅需要找到相关内容，还需要识别具体数值对应的研究对象、剂量和实验条件，避免把不同研究背景下的数据错误地合并。
4. Assemble and check：生成结构化表格并核查
收集到的数据会被整合成围绕研究问题构建的表格。
最重要的特点是，每个数据值都保留了对应的来源证据。研究者可以检查具体数值来自哪篇论文、哪段正文或哪张图表，而不是只能接受 AI 给出的一个结果。
这种设计对于科学文献数据集尤其重要，因为一个数值即使提取正确，如果对应的研究人群、剂量或测量时间不正确，也可能导致后续分析出现偏差。
5. Keep current：刷新数据集
科学文献持续增长，数据集也需要更新。
Paperclip Datasets 支持按需刷新，在原有数据集基础上增加新证据和数据行。研究人员不必每次都从零开始重新整理。
6. Use the data：将数据用于后续研究
生成的数据集可以导出为 CSV，并用于统计分析、Meta-analysis、机器学习建模及其他科研工作流。
因此，它不仅是一个文献阅读工具，更是连接文献检索、数据提取和后续科研分析的基础设施。
以上工作流程来自 GXL 官方产品介绍：Introducing Paperclip Datasets。
实际案例一：20K 人类药物半衰期数据集
Paperclip Datasets 最有代表性的案例之一，是 GXL 团队利用该工具构建的人类药物半衰期数据集（Human Drug Half-Life Dataset）。
为什么这个案例值得关注？
药物终末半衰期（Terminal Half-life）是药代动力学研究中的重要参数，反映药物在体内分布后，血液中药物浓度下降一半所需的时间。它与给药频率、药物在体内的持续时间以及药物开发中的候选化合物评估密切相关。
然而，公开的药物半衰期数据相对有限。
GXL 团队在官方介绍中提到，一个常用的 Obach 数据集仅包含667种化合物的半衰期数据，而且每种化合物只有一个数值。大量人类药物半衰期测量结果实际上分散在不同论文中，难以直接利用。
借助 Paperclip，团队从已发表文献中整理出了规模更大的数据集。
Paperclip 人类药物半衰期数据集
19,952:半衰期测量记录
2,418:标准化药物名称
1,524:具有配对 SMILES 和 InChIKey 的化合物
12,434:结构信息完整的测量记录
数据来自 GXL 官方发布的案例介绍。这里的 20K 指测量记录数量，而不是20,000种不同药物。
与只记录一种药物的单一半衰期数值相比，这份数据集更有价值的地方在于保留了测量背景。
每条记录对应特定药物、患者群体、剂量和研究时间点，同时关联原始研究论文。这使研究人员能够进一步分析同一种药物在不同人群和临床条件下的半衰期差异。
例如，GXL 团队分析了肾功能与药物半衰期之间的关系。在审查的73篇出版物中，52篇（71%）报告肾功能受损人群的半衰期更长。对于肾脏排泄比例较高的药物，这种差异表现得更加明显。
这一案例说明，AI 自动提取药物数据的价值并不只是增加数据量，还在于保留研究背景，使后续研究能够分析不同临床条件下的变化，而不是将所有测量值简单地归结为一个平均数字。
获取数据集： Hugging Face – GXL AI Paperclip Half-Life。
研究人员可以访问数据集页面，查看具体字段、数据样本和下载信息。
实际案例二：AI Agents 复现20篇已发表 Meta-analysis，结果一致性达到90.3%
除了药物半衰期数据集，GXL 团队还使用 Paperclip 测试了另一个更具科研意义的任务：利用 AI Agents 从科学文献中提取数据，并尝试复现已经发表的 Meta-analysis（荟萃分析）。
Meta-analysis 通常需要研究团队花费数月时间完成文献检索、筛选、数据提取和统计分析。尤其是从不同论文的表格、森林图（Forest Plot）和补充材料中提取效应量（Effect Size）及其置信区间（Confidence Interval），既耗时又容易出错。
GXL 团队选择了20篇近期发表于 Lancet 系列期刊和 JAMA Network Open 的 Meta-analysis，建立基准数据，并使用相同的 AI Agent、模型和任务指令，比较三种文献数据获取方式。
三种工具的复现结果对比
这里的90.3%并不意味着 AI 完整复现了90.3%的原始统计分析，也不意味着所有效应量数值完全相同。
GXL 使用了一个更具体的评价标准：对于原 Meta-analysis 中的每个研究结局（Outcome），AI 重新收集相关研究数据后，必须同时满足两个条件，才算复现成功：
- 效应方向一致： 比值类指标（如 OR、RR）处于相同的1.0一侧，差值类指标处于相同的0一侧。
- 统计学显著性一致： 双方对95%置信区间是否排除无效值的判断相同。
最终，Paperclip 达到90.3%，WebSearch + WebFetch 为72.7%，Elicit API 为71.7%。在20篇论文中，Paperclip 有11篇达到100%一致性，且单篇得分均不低于69%。
为什么 Paperclip 表现更好？
一个重要原因是全文访问能力。
很多文献搜索工具主要依赖标题和摘要，但 Meta-analysis 所需要的详细数据经常隐藏在正文表格、亚组分析、敏感性分析和补充材料中。只看摘要，可能遗漏关键结果，甚至把某个亚组的数据误认为整体结果。
GXL 在案例中展示了维生素D研究的一个例子：原始研究需要提取每日给药的数据，而 WebSearch 获取了每周给药对应的结果，两者得出的结论明显不同。
Paperclip 能够读取全文并定位对应数据，从而降低了这类提取错误的风险。
当然，这项测试是产品团队开展的基准评估，并非独立第三方验证，也不能直接推导出所有研究领域都能达到90%的复现率。实际使用中，研究者仍然需要核查纳入标准、数据提取和统计方法。
GXL Blog
如何使用 Paperclip Datasets？网页版与终端两种方式
Paperclip Datasets 提供网页版和终端（Terminal）工作流，两者使用同一套数据集，研究人员可以根据自己的工作习惯选择。
方式一：通过网页版直接构建数据集
适合大多数科研人员
无需自己编写复杂的程序，通过自然语言描述研究需求即可开始。
访问 Paperclip Datasets 官方页面，进入数据集构建界面。
基本操作流程如下：
- 描述希望构建的数据集及其研究目标。
- 检查 AI 提出的字段和数据结构。
- 确认字段定义，启动文献检索与数据提取。
- 检查生成的表格及其原始证据。
- 根据需要刷新数据集，并导出 CSV。
例如，可以输入：
Build a dataset of human drug half-life measurements from scientific literature. Include normalized drug name, half-life, unit, dose, patient cohort, sample size, study conditions, paper title, DOI, and supporting evidence.
这样，研究人员就可以用英文自然语言描述需求，而不必从头编写数据提取程序。
方式二：通过终端和 AI Agent 构建数据集
适合开发者和生物信息学研究人员
将 Paperclip 与编程环境中的 AI Agent 结合，构建更复杂、可重复的科研工作流。
如果你已经使用 Claude Code、Cursor 或其他兼容的 AI Agent，也可以采用终端方式。
Paperclip 提供 CLI（Command-Line Interface），用户可以安装工具，让 AI Agent 通过命令行执行检索、文献阅读和数据处理任务。
官方安装命令：
curl -fsSL https://paperclip.gxl.ai/install.sh | bash安装后执行：
paperclip install这一步用于为项目配置 Paperclip 的 Agent 使用说明。之后，你可以直接向 AI Agent 描述需要的数据集，让它调用 Paperclip CLI 完成相关任务。
此外，Paperclip 还支持通过 MCP（Model Context Protocol）连接兼容的 AI 客户端：
https://paperclip.gxl.ai/mcp这种方式适合希望把科学文献检索和数据提取整合到现有 AI 工作流中的研究人员。
需要注意，网页版 Datasets 与终端 Paperclip CLI 是不同的使用入口。官方介绍明确说明两种方式可以使用同一个数据集，研究人员可以从网页版开始，再切换到终端继续工作。
Paperclip Datasets 适合哪些科研场景？
它的应用范围并不局限于药物半衰期数据整理。只要研究任务涉及从大量科学资料中提取特定字段，就有可能使用这类工具。
药物研发与药代动力学研究
药企和药物研发团队可以收集药物半衰期、药物靶点、化合物特征、剂量和临床前研究数据，为候选化合物筛选、药物比较和模型开发提供数据基础。
Meta-analysis 与系统综述
研究人员可以按照 PICO（Population、Intervention、Comparison、Outcome）框架组织研究问题，提取效应量、置信区间、样本量和研究特征，为后续统计分析准备数据。
临床试验数据整理
可以构建特定疾病或药物领域的临床试验数据库，整理试验阶段、研究对象、干预措施、主要终点和申办方等信息，并在有新研究注册时刷新数据。
AI 和机器学习训练数据
对于需要从论文中获取实验测量值的机器学习研究者，可以使用 Paperclip 构建具有来源记录的数据集。例如，收集药物性质、分子特征和实验结果，为预测模型提供训练数据。
但需要区分：能够提取和导出数据，并不代表数据已经自动满足机器学习训练要求。研究者仍需进行数据清洗、去重、标准化、缺失值处理以及训练集和测试集划分。
Paperclip Datasets 与传统文献数据整理方式有什么区别？
两者最大的区别不是是否使用 AI，而是数据整理过程能否形成可重复、可追溯的工作流程。
不过，Paperclip Datasets 并不能完全取代科研人员的判断。
AI 可能误读表格、混淆不同研究人群、遗漏补充材料中的信息，或者错误处理单位和研究条件。因此，对于涉及药物安全性、临床决策和重要科研结论的数据，研究人员仍然需要进行人工验证。
更合理的定位是：让 AI 负责大规模资料检索和初步数据提取，让研究人员把更多时间用于研究设计、证据判断和科学解释。
常见问题
1. Paperclip Datasets 是免费的吗？
Paperclip Datasets 提供免费和付费使用方案。根据 GXL 官方介绍，Free 方案每个数据集最多50行，Pro 方案每个数据集最多200行。如果需要构建包含数千条记录的大型数据集，可以联系 GXL 咨询 Enterprise 方案。具体价格和使用限制建议以官方页面为准。
2. Paperclip Datasets 可以处理哪些类型的科学文献？
它可以检索和处理科学论文、专利、临床试验记录、监管文件及生物学数据库中的相关信息。具体可用范围取决于对应数据源是否被 Paperclip 收录，以及是否提供全文或结构化数据。
3. AI 提取的数据可靠吗？可以追溯原始论文吗？
Paperclip Datasets 的一个重要设计是为提取的数据值保留原始来源证据，研究人员可以回到对应文献段落或图表进行核查。但可追溯不等于绝对正确，仍然需要人工验证关键数据。
4. 不懂编程的科研人员可以使用 Paperclip Datasets 吗？
可以。网页版支持通过自然语言描述研究需求，不需要自行编写复杂代码。熟悉终端和 AI Agent 的用户，则可以选择 CLI 或 MCP 工作流。
5. Paperclip Datasets 能直接替代系统综述和 Meta-analysis 吗？
不能完全替代。它可以显著简化文献检索和数据提取环节，但系统综述仍然需要研究者制定检索策略、确定纳入排除标准、评价偏倚风险（Risk of Bias），而 Meta-analysis 还需要正确选择统计模型并解释结果。Paperclip 更适合作为这些研究工作的数据整理辅助工具。
Paperclip Datasets 让科学文献真正成为可利用的数据资源
科研领域从来不缺少数据，真正的问题是大量有价值的信息仍然分散在论文、表格、专利和临床试验记录中，难以被系统地收集和利用。
Paperclip Datasets 提供了一种新的解决思路：研究人员提出问题，AI Agents 并行阅读资料，自动提取结构化数据，同时保留原始证据，并支持后续更新。
从19,952条人类药物半衰期测量记录，到20篇已发表 Meta-analysis 的复现测试，GXL 展示了 AI 在科学文献数据整理方面的实际应用潜力。
当然，工具不能代替科学判断。真正高质量的数据集，仍然离不开明确的研究设计、合理的字段定义和严格的数据质量控制。
但对于需要长期处理大量科学文献的科研团队、药企和生物信息学研究人员而言，Paperclip Datasets 值得关注。
如果你希望尝试如何从科学文献自动构建数据集，可以直接访问以下官方资源：
- 在线体验： Paperclip Datasets
- 产品介绍： Introducing Paperclip Datasets – GXL Blog
- 药物半衰期数据： Paperclip Half-Life Dataset – Hugging Face
- 终端及开发者文档： Paperclip Documentation
当 AI 不仅能够阅读论文，还能将论文中的证据转化为可验证、可更新的数据资源时，科研人员利用科学文献的方式也正在发生变化。
