【免费下载链接】PrincipiaPrincipia extracts reusable principles, composes those principles into traceable research ideas, and helps researchers inspect why an idea may be worth testing.项目地址https://gitcode.com/gh_mirrors/princi/Principia点击查看免费下载Principia 是一个本地优先的科学研究工具它可以连接你电脑上的私有文档文件夹把散落的论文、实验笔记和数据文件索引起来并从中提取带完整证据链的可复用研究发现Candidate Principles。本教程带你完整走一遍本地文献发现的流程连接私有文档文件夹 → 索引 → 提取 → 审查证据 → 归档导出全程无需把资料上传到任何服务器。一、为什么需要「本地文献发现」很多科研笔记工具只能存文档却不能从文档里长出结论。Principia 的本地文献发现Local Literature Discovery做了不同的事你的痛点Principia 的做法文献、笔记、CSV 散落在各处文件夹直接把私有文件夹整体接入支持 PDF、Markdown、HTML/XML、LaTeX、纯文本、CSV/JSON 等格式结论没有出处无法复核每条候选发现都附带精确证据摘录、Work 来源引用和 SHA-256 溯源提取结果不可控只对你精确选中的文档做提取模型策略no_llm/local/remote透明可见成果难以迁移分享一键导出无论文的可移植 showcase4 个文件即可在新工作区重建 Principles 库每条提取出的 Candidate Principle 都是一个有界范围、带证据的类型化科学声明并带有明确的unassessed待评估标签——它不冒充已验证结论。完整流程说明见 local-literature-discovery.md。二、快速安装并启动 Principia 本地工作区环境要求Python 3.11 或 3.12建议放在虚拟环境中git clone --depth 1 https://gitcode.com/gh_mirrors/princi/Principia cd Principia python3 -m venv .venv source .venv/bin/activate python -m pip install ./Principia-v1.4.2/core-v1.4.2[asd,local] principia open --working-directory ./principia-workspace --port 8142浏览器会自动打开http://127.0.0.1:8142/。启动后Principia 会在工作目录下创建两个明确的边界这也是归档的基础workspace/—— 数据库、索引缓存与持久化的 Principles可移植成果local_data/—— 你拥有的原始资料私有默认被 Git 忽略目录布局细节可参考 storage-and-portability.md 与 getting-started.md。三、三步连接私有文档文件夹 打开 Local Discovery在左侧 Principles Library / Local Discovery 入口进入本地发现面板选择文件夹可以选择、连接或新建一个私有文件夹。它的精确路径、文档数量、可用状态始终可见还能一键Open Folder回到原目录核对索引文档一键索引后支持 PDF、Markdown、HTML/XML、LaTeX、纯文本、JSON/JSONL、CSV/TSV 等DOCX、PPTX、XLSX 需要安装时带上[local]额外依赖上面已包含。几个值得知道的默认值来自 local-corpus.md限制项默认值单文件夹最大文件数500单文件大小上限50 MiB隐藏文件自动跳过符号链接不跟随缺文献怎么办如果文件夹里论文不够可以打开Find public literature搜索只做元数据检索审阅后可把允许获取的内容开放获取全文或摘要安全下载到选中的文件夹。下载不会自动触发提取也不会发起任何模型调用。四、选择文档并提取可复用的研究发现索引完成后进入提取环节——这是整个本地文献发现的核心精确选择范围可以全选、按过滤条件选择或勾选一个精确子集。提取只作用于你选中的文档多一篇都不会碰可选填写研究焦点research focus 用于引导提取Area 标签只是事后可编辑的组织信息不参与判定确认模型策略与限额no_llm只做确定性索引与结构化绝不编造文本local仅接受本机回环loopback的 OpenAI 兼容端点remote必须命名具体的提供商与模型并且每次运行都要显式确认外发egress开始提取进度、重试次数、token 用量、被搁置的候选数都会实时可见刷新页面也不会丢失已完成的部分。提取完成后你会得到一批Candidate Principles。每一条都可以点开审查声明本身、适用边界Conditions / Boundary Disproof、可靠性评分、以及可点击的公开来源。确认无误后可以选择Open in Principles Explorer把它并入你的 Principles 库。五、归档与导出让研究发现可迁移、可审计提取出的记录会自动归档到工作区原始文件留在你的私有文件夹里不动结构化成果保存在workspace/下。整个研究上下文Study map把 Principles、发现记录、证据锚点连成一张可导航的图你可以从一条发现顺藤摸到它背后的原文摘录当记录足够完整时它会沉淀为带公式、校验指标与验证拆分的可审计记录卡例如一条 Rule 会展示符号公式、白话解释、归一化 RMSE 与基线对比、验证拆分方式和适用范围的说明——这就是归档的最终形态一键导出可移植 showcasePrincipia 的归档导出不依赖原始论文4 个文件即可把整个 Principles 库带到干净的工作区principia showcase --working-directory ./principia-workspace export ./principles-showcase principia showcase --working-directory ./clean-project import ./principles-showcase导出目录固定包含manifest.json、principles.jsonl、works.jsonl、relations.jsonl。它刻意排除PDF、摘要、原文引用、归一化文本、凭据和绝对路径——即使删掉私有论文树导出包里的每条 Principle 仍保留其公开来源链接与证据哈希。导入是幂等的可反复执行。六、命令行进阶先搜索、后提取可选习惯 CLI 的话可以先做元数据搜索、审阅文献集合再显式发起获取与提取完整示例见 local-literature-discovery.mdprincipia local --workspace ./principia-workspace search \ --goal When does verifier-guided inference improve LLM reasoning? \ --target-count 20七、隐私与可靠性速记 私有优先本地文档默认私有远程模型接收文本前必须逐次显式确认凭据只保存在你的私有工作区中可恢复每篇文档是独立的工作单元任务带检查点中断后可以 Resume 从最后有效检查点继续不重复已完成调用可清理导出完成后工作区支持清除缓存的私有归一化文本原始文件不受影响。写在最后本地文献发现的完整路径可以浓缩为一句话连接私有文件夹 → 索引 → 精确选择 → 提取 Candidate Principles → 审查证据 → 归档到 workspace/ 或导出 4 文件 showcase把这套流程跑通后你私有文件夹里的文档就不再只是存档而是持续产出可复用、可复核研究发现的科学工作区。想进一步用它分析实验数据集可以继续了解>赞分享【免费下载链接】PrincipiaPrincipia extracts reusable principles, composes those principles into traceable research ideas, and helps researchers inspect why an idea may be worth testing.项目地址https://gitcode.com/gh_mirrors/princi/Principia点击查看免费下载相关推荐OpenResume技术文档SEO提升文档可发现性OpenResume技术文档SEO提升文档可发现性 在竞争激烈的开源项目环境中优秀的技术文档如果缺乏良好的SEOSearch Engine Optimiz前端ms-swift 训练 Qwen3 最佳实践从思考/非思考推理到 SFT、GRPO 与 Megatron 多节点训练ms swift 训练 Qwen3 最佳实践从思考/非思考推理到 SFT、GRPO 与 Megatron 多节点训练 本篇基于 ms swift 仓库中的 Q人工智能大模型微调预训练强化学习RLHFLoRA模型推理服务本地部署模型评测私有文档事实源如何驱动混合研究Veltrix company_overview.md 与 gpt-researcher hybrid 基准的构建与复现私有文档事实源如何驱动混合研究Veltrix company_overview.md 与 gpt researcher hybrid 基准的构建与复现 导读人工智能AI 应用深度研究AI Agent自主智能体RAG多智能体后端创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考