化学文献综合的难点往往不是找到论文，而是从多篇论文中定位具体发现、核对出处，再把分散证据拼成答案。AskChem试图改变这一流程：它不再以整篇论文作为检索的基本单位，而是建立一个携带来源信息的“主张”库，让研究者和 AI 智能体直接围绕可验证的陈述搜索。
从论文列表转向可追溯主张
AskChem会把论文转换为原子化、带类型的主张。每条主张都绑定来源 DOI，并附有论文中的逐字引文，或明确的证据定位信息。这种设计把“答案是什么”和“证据在哪里”放进同一检索对象，减少用户从搜索结果列表进入论文、查找段落并手工记录出处的步骤。
系统目前收录来自 14.7 万篇论文的 240 万条主张。这里更重要的并非单纯扩大索引规模，而是统一主张与来源之间的结构，使跨论文综合可以在共享的数据层上完成，而不是依赖模型临时阅读一批文档后自行组织引用。
三种结构服务检索与综合
在主张库之上，AskChem提供三类互补结构：稳定化的分面分类体系用于分层检索和浏览；证据图通过关系连接不同主张；探索性的动态分类体系则按照科学原理组织已索引论文。前两者更偏向确定性的查找和证据关联，后者用于探索文献所处的概念位置。
系统已提供网页界面，同时开放 REST、SDK 与 MCP 接口，意味着它既面向人工检索，也可作为 AI 智能体的外部证据基础设施。在 AskChem-Bench 上，接入 AskChem 的 GPT-5.5 阅读器所给 DOI 可解析率为 100%，未使用检索时为 88.3%；在五个受测系统中，它的引用密度最高。
我的判断
AskChem的价值在于把文献检索问题重新定义为“带出处的主张检索”，这比返回相关论文列表更贴近跨论文问答和智能体工作流。其 DOI、原文引句与证据定位设计，也为后续核验保留了入口。不过，现有结果主要说明引用可解析性和引用密度，并不能单独证明答案事实正确、证据充分或综合结论可靠。摘要也未交代主张抽取准确率、类型体系覆盖范围，以及证据图关系的质量，因此它更适合作为可追溯检索底座，而不应被直接视为自动完成化学证据判断的系统。