LLM 与研究产物

本页说明 AutoBiology 什么时候会调用 LLM、哪些能力由确定性算法负责，以及 GitHub 仓库中的研究产物如何使用。

如何确认 LLM 是否开启

运行：

autob config show

只有以下字段都已配置时，LLM 推理才会运行：

• apiKey：显示为脱敏值，而不是 unset
• baseUrl：不是 unset
• model：不是 unset

流水线运行后，可以继续检查：

• run-meta.json：config.llmModel 是实际模型名；如果没有创建 LLM client，则是 not-configured。
• 06-clarifications.json：如果 LLM 未启用或调用失败，会出现包含 LLM 辅助层未启用 的澄清项。
• 04-requirements.json：LLM 新增的需求会带有 inferenceRule: "LLM-Candidate" 和 status: "candidate"。

可直接复制的检查命令：

node -e "const fs=require('fs'); const m=JSON.parse(fs.readFileSync('out/run-meta.json','utf8')); console.log(m.config.llmModel)"
rg -n '"LLM-Candidate"' out/04-requirements.json
rg -n 'LLM 辅助层未启用' out/06-clarifications.json

默认行为

默认情况下，AutoBiology 不会自动调用 LLM。只有 JSON 配置能解析出完整的 OpenAI-compatible client 时，Stage 4 才会调用 LLM。

没有 LLM 配置时，确定性流水线仍会完整运行。使用 autob init 可以写入全局配置 ~/.autob/config.json。项目级 .autob.json 可以覆盖 baseUrl、model、timeoutMs 等非敏感字段，但不能包含 apiKey。

算法引擎和 LLM 的边界

确定性算法引擎负责：

• SOP 归一化和操作原子化
• 字段抽取、别名归一化和知识库补充
• 操作超图构建
• 基于超图证据生成 R1-R10 需求
• 基于 fingerprint 的去重
• 覆盖率矩阵、警告、Mermaid 图和报告

LLM 只负责可选的 Stage 4 辅助：

• 基于已有需求表提出隐含候选需求
• 将候选描述改写为简洁的工程需求句
• 在加入候选前判断是否可能与已有需求语义重复

LLM 输出有来源边界。候选需求必须引用 source hyperedge，默认保持 candidate 状态，不会覆盖确定性生成的 confirmed 需求。LLM 失败时，AutoBiology 会保留确定性结果并记录澄清项。

GitHub 仓库产物

GitHub 仓库包含两个生成产物目录：

• publication/：论文方法说明、复现说明、样例输出、Mermaid 图和 draw.io 兼容算法图。
• graphify-out/：代码知识图谱、架构报告和可交互 HTML 图谱。

这些目录主要用于源码审阅、论文写作和复现说明。npm 包重点包含 CLI 运行时、使用文档和内置 data/ 知识库。

常用命令

autob config show
autob run your-sop.txt -o out
autob infer out/04-requirements.json -o out

优先打开 out/report.md 查看可读摘要；如果要确认 LLM 情况，再检查 out/04-requirements.json、out/06-clarifications.json 和 out/run-meta.json。