dr.miromind.ai 的「百步交互缩放」改装成你的跨学科文献外脑
dr.miromind.ai（底层为开源的 MiroThinker-1.7 / H1 与 MiroFlow 框架）最强大的地方在于交互缩放（Interaction Scaling）——它不是单次 RAG 检索，而是能在 256K 上下文里连续执行上百步搜索、网页深读与全局自验证。
但高频做复杂科学 × AI × 神经科学前沿追踪时，单靠网页手敲还会卡在四个地方：① 缺按「集智品味」主动扫盘的雷达；② 单次对话失忆，读过的百篇论文没沉淀成先验概念谱系；③ 单一模型容易把隐喻当同构、把猜想当实测；④ 人被琐碎溯源绑架。
我帮你把这 4 个轮子直接造好了：既可以在这个页面里浏览器直连 OpenAlex 实时找论文、一键生成 dr.miromind.ai 百步溯源指令，也可以直接把零依赖的 swarma_miro_wheel.py --mcp-server 挂载进开源 MiroFlow。
点击下方任一你常挑的复杂科学 × AI 交叉母题（或输入任意英文关键词 / 机制名称），浏览器将直接请求公开学术库 api.openalex.org，按跨学科桥接度（40分）+ 机制形式化密度（30分）+ 开放全文溯源（15分）+ 引文动量（15分）自动打分排序。点选任意论文即可一键装填到下方的 dr.miromind.ai 深度溯源编译器。
dr.miromind.ai 百步溯源编译器 + 跨模型正交挑刺 ($r_\perp$)
支持一键复制并跳转 dr.miromind.ai
dr.miromind.ai 的底层架构是什么？我们给它加装了哪 4 个轮子？
MiroThinker-1.7 / H1 + MiroFlow 3-Tier Stack
dr.miromind.ai (MiroThinker + MiroFlow)
MiroMind 之所以比普通对话大模型更适合做文献深挖，核心在于它把研究拆成了三层解耦架构（MiroFlow）与第三维交互缩放（Interaction Scaling）：
MiroFlow）：
src/core/：DAG 任务编排器（Orchestrator）与子 Agent 委派；
src/llm/：模型无关客户端（支持 MiroThinker、DeepSeek、Claude、GPT、Qwen）；
src/tool/：原生采用 MCP 协议（Model Context Protocol）统一挂载搜索、浏览器与 Python 执行器。
直接利用 MiroFlow 的 src/tool/ MCP 扩展口与零代码 YAML 配置，无需改动 MiroFlow 源码即可插上：
swarma_taste_radar（主动品味雷达）：不等你去搜，自动从 OpenAlex / arXiv 零 Key 抓取候选论文，按「跨学科桥接度 × 机制密度」筛出真正有复杂科学味儿的论文。citation_lineage_dag + 概念代谢库：强制向上挖 2 跳理论母体（Ancestors）、向下挖 2 跳反例与跨界迁移（Descendants），并把读过的机制存成带 SHA-256 的概念算子（Concept Handle），彻底消灭单次对话失忆。evidence_provenance_audit + $r_\perp$ 正交挑刺：把结论严格分成三档（实测 Fact / 原文推导 Provenance / 假说 Signal），并强制调用异构模型族挑刺「究竟是数学同构还是文学比喻」。LITERATURE-HUMANS.md（人机对称契约）：把人类学者的精力 100% 保护在选品品味与跨界直觉上。[OpenAlex / arXiv / Crossref 零 Key 实时源]
│
▼ (Wheel A: swarma_taste_radar · 跨学科桥接度 + 机制密度打分)
┌──────────────────────────────────────────────────────────────────────────────┐
│ HUMAN GATE 1 (品味初筛 · 耗时 < 2 min) │
│ 学者/编辑扫一眼 Top-3 高分候选，勾选「这篇有真机制突破，值得深挖」 │
└────────────────┬─────────────────────────────────────────────────────────────┘
│
▼ (Wheel B & D: 自动编译百步溯源指令 → 驱动 dr.miromind.ai / MiroFlow)
┌──────────────────────────────────────────────────────────────────────────────┐
│ MiroThinker / MiroFlow (256K Context · 100~300 Step Interaction Scaling) │
│ • ステップ 1: 抓取一手全文/附录，提取核心动力学方程与目标函数 │
│ • ステップ 2: 2-Hop 向上溯源（奠基物理/神经理论）+ 向下追踪（失效边界与反例） │
│ • ステップ 3: 构建「自然复杂系统 ↔ AI 多智能体系统」跨学科同构对照表 │
└────────────────┬─────────────────────────────────────────────────────────────┘
│
▼ (Wheel C: r_perp 跨模型家族正交挑刺 · DeepSeek-R1 / Claude / Gemini)
┌──────────────────────────────────────────────────────────────────────────────┐
│ Non-Builder Falsification Gate (正交审稿人挑刺) │
│ • 审计 1: 是严格数学同构（有序参量/不变量对应），还是牵强的文学比喻？ │
│ • 审计 2: 强制标注 [Tier-3 实测 Fact] / [Tier-2 原文 Provenance] / [Tier-1 假说]│
└────────────────┬─────────────────────────────────────────────────────────────┘
│
▼
┌──────────────────────────────────────────────────────────────────────────────┐
│ HUMAN GATE 2 (最后 10% 破题与余味) + Concept Handle 写入本地长期记忆库 (SHA-256) │
└──────────────────────────────────────────────────────────────────────────────┘
绝大多数人配 Agent 只写 AGENTS.md，结果把自己变成了 24 小时替 AI 查假引文、改综述八股文的流水线工人。我们在自己的系统里跑通了一条核心原则：先写 HUMANS.md，明确规定哪些事人类绝不下场（全交机器），哪些事机器绝不越俎代庖（全留人类）：
| 工作环节 | 人类学者 / 集智编辑死守的 20%（「道」） | MiroMind × 文献轮子全包的 80%（「术」） |
|---|---|---|
| 1. 发现与选品 | 品味裁定（Taste）：一眼识别这篇论文是「换汤不换药的调参」还是「触及复杂系统本质的机制突破」。 | 全天候扫盘：自动拉取 OpenAlex / arXiv，计算跨学科桥接分与引文动量，生成候选短名单。 |
| 2. 跨学科连线 | 直觉跳跃（Analogical Leap）：提出真问题（如：*「哥德尔自指智能体与生物自创生 Autopoiesis 的边界条件是不是同构的？」*）。 | 百步顺藤摸瓜：在 dr.miromind.ai 中跑 100+ 步搜索，向上挖两跳奠基文献，向下找两跳反例实验。 |
| 3. 祛魅与核验 | 最终学术品味背书：审阅同构映射表是否抓住了物理/数学灵魂。 | 正交挑刺 ($r_\perp$) + 三层证据锁：异构模型自动挑刺隐喻滥用，强制标注图表公式出处与证据等级。 |
| 4. 长期记忆复利 | 问题树演进：决定下一个月读书会或专题综述往哪个深水区推进。 | 概念算子沉淀（Concept Handle）：每读完一篇自动签名写入本地 concept_handles.jsonl，永不失忆。 |
你在集智长期追踪和编译的几个核心方向，恰好跟我们过去半年在真实多智能体生产系统（StarShard）里每天实测、踩坑并形式化的 6 条研究线高度同构。这也是为什么我们可以一起把这套文献与实验轮子越磨越快：
共同关注：Gödel Agent、递归自改进架构与内生目标函数（Endogenous Objectives）。
我们的实测沉淀：四步自演化闭环（Workflow ⇄ 系统建造 ⇄ 实踩坑数据反哺 ⇄ 长期经验沉淀）+ 受保护评估核（Protected Evaluator Kernel）防止自修改智能体奖励黑客。
→ 查看 StarShard 宪制与自演化边界
共同关注：海马体慢波重放、突触稳态、大脑复杂网络信息压缩。
我们的实测沉淀：生产级仿生夜间睡眠整合管线（fleet-sleep）：白天高频交互记流水，夜间离线做跨会话语义聚类、去冗余与 supersede 概念代谢。
→ 查看记忆代谢与三模块架构指南
共同关注：LLM 社会经济仿真、合作涌现、声誉与契约演化动力学。
我们的实测沉淀：将机制设计中的可付验证合约 $V(T)$、两层金丝雀抽检（2-Tier Canary）与传统晋商「身股制」结合，给出开放 Agent 网络的反欺诈博弈均衡。
→ 查看验证合约 V(T) 交互式推导页
共同关注：群体智慧涌现、认知多样性定理与复杂网络同步相变。
我们的实测沉淀：实测发现同模型家族自审（Builder = Verifier）存在高共谋盲区；引入跨模型家族正交核验（$r_\perp$）显著压低复杂推理幻觉率。
→ 查看智能体互联网与正交核验专页
共同关注：《Nature Physics》复杂网络人类信息处理、主动推理（Active Inference）与 Marr 三层次。
我们的实测沉淀：以人类注意力带宽为硬约束设计状态差分唤醒门（实测拦截 34.2% 纯 ack 空唤醒风暴），让 Agent 充当外延皮层只呈递高惊奇度（Surprisal）信号。
→ 查看 Constraint Manifest (C1–C7)
共同关注：十万篇 AI4Science 文献网络量化分析、颠覆性创新指数（CD Index）。
我们的实测沉淀：Praxist 三层科学证据规范（严格区分文献假说 Signal、可溯源原文 Provenance 与实测事实 Fact），自动为新论文构造最小证伪检查表。
→ 查看 6 大共同母题结构化映射 JSON
无需安装任何第三方 pip 包，下载单个 swarma_miro_wheel.py 即可在本地终端运行 10 项自检、调用实时 OpenAlex 品味雷达，或直接作为 MCP Server 挂载进你本地克隆的 MiroMindAI/miroflow：
# 1. 下载零依赖轮子并跑通 10 项架构与协议自检（10/10 PASS）
curl -fsSL https://future.clawishmacheng.com/preview/miromind-literature-wheel/swarma_miro_wheel.py -o swarma_miro_wheel.py
python3 swarma_miro_wheel.py --verify
# 2. 直接在终端调用实时 OpenAlex 跨学科品味雷达（无需任何 API Key）
python3 swarma_miro_wheel.py --radar --topic "self-evolving agent complexity" --live
# 3. 为任意论文一键生成 dr.miromind.ai 百步交互溯源 Super-Prompt 与集智 6 段式导读框架
python3 swarma_miro_wheel.py --compile-prompt \
--title "Gödel Agent: A Self-Referential Agent Framework" \
--doi "arxiv:2410.04444" \
--question "它在递归改写自身代码时如何避免陷入退化吸引子？"
# 4. 挂载进开源 MiroFlow (github.com/MiroMindAI/miroflow) 的 MCP 工具层
echo '{"jsonrpc":"2.0","id":1,"method":"tools/list"}' | python3 swarma_miro_wheel.py --mcp-server