DianShi-RxnDB：把专利里的化学反应全自动变成数据，怎么做到？

反应知识困在专利里：为什么电脑和 AI 一直用不上？

本文检验 DianShi-RxnDB 怎样把专利反应知识变成机器可用数据。全文要回答的只有这一个问题。这个问题本身就透着反常。专利是化学家公开经验的第一现场，谁和谁反应、各自用多少、什么温度、产率多少都写在里面，可这套现成的答案，机器至今用不上。

把问题放进一个具体画面里看。假设你是做逆合成（retrosynthesis）的研究者，要查一个目标分子有没有现成的合成先例。今天的做法是打开专利检索系统，一篇一篇翻，看到实验条件还得亲手核对。这件事听起来很笨，但直到 2026 年，它依然大部分靠人。与此同时 AI 已经能写代码、解数学题，可它同样帮不上忙。

为什么帮不上忙？不是缺信息，而是缺结构。专利里的知识以三种形态存在，一种是叙述实验步骤的正文文本，一种是画着分子结构式的图纸，还有一种是反应式（scheme）。它们都是写给化学家看的，机器拿到手只会抓瞎。知识没有被整理成可检索、可计算的数据，就没有任何程序能用它，这才是"电脑和 AI 用不上专利"的真正原因。

方案要拆的就是这道障碍。DianShi-RxnDB 由上海 AI 实验室与复旦、上海交大、华东师大、华东理工联合团队发布，把约 158 万篇美国与欧洲专利（USPTO 与 EPO，主要覆盖 1976 到 2025 年）全自动变成约 2,400 万条带段落级溯源的细粒度反应记录。DianShi-RxnDB 名字也透出这层野心，DianShi 就是"点石"，点石成金，把散落在专利里的化学知识炼成可计算的数据。下面的图就是这篇论文的一句话全景。

图注：论文 Figure 1 的全景架构。约 1.58M 篇 USPTO/EPO 专利流入全自动抽取流水线，产出约 24M 条带溯源链接的 Reaction Instance，其中约 14.8M（61.7%）通过自动质检（qualified）；顶层是面向研究者的 Web research workbench 与面向 AI Agent 的 MCP service 双接口，共享同一数据底座。DianShi-RxnDB

先记住这张图的三个数字：158 万篇专利进去，2,400 万条记录出来，其中 1,480 万条通过自动质检。再记住三个悬念：论文宣称字段级准确率 92.95%，宣称六字段全面优于商业数据库 Pistachio，还专门给 AI Agent 开了个接口。这三件事是真是假、怎么做到的，是后面五章逐一回答的问题。

此前的反应数据库，各自差在哪一环？

反应数据库不是新东西，问题在于已有的每一条路线，都至少缺一环。论文把现有格局拆成四种代表型，先看它们各自卡在哪。

Reaxys 走的是"全而贵"：Elsevier 维护、可回溯到 1771 年、专家人工深度索引，论文 Table 1 给出约 7,300 万条反应的规模。质量是天花板，但要付费订阅，而且溯源只到文献级，不给到"专利里具体哪一段"。Reaxys

Open Reaction Database（ORD）走的是"开放但慢"：团队定义了漂亮且严格的反应数据 schema，鼓励社区提交、人工审核，数据和代码都是开放许可。这条路把"专家在回路里"当成原则，规模就注定上不去，比 DianShi-RxnDB 小一个数量级。ORD

Pistachio 走的是"大规模但粗"：NextMove 用 LeadMine、ChemicalTagger 这类规则化文本挖掘工具链，从专利里挖出两千多万条反应，2026Q2 官方口径是超过 2,100 万条，但字段粒度粗、漏掉图像里的信息，而且同样是商业付费、没有给 AI Agent 的接口。Pistachio 它是上一代大规模自动抽取流水线的代表形态，值得看它长什么样。

图注：NextMove 官网的 Pistachio 架构图：左侧 ELN、Reaxys、专利文档三类数据源，经 LeadMine 与 Praline 进入 data mining 与 atom mapping，右侧落入 PostgreSQL 索引表和查询界面。Pistachio

USPTO-LLM 的思路最接近：用 GPT-4 系列大模型从专利里抽反应，带反应条件字段，两轮质控加 RXNMapper 终检。它是 2025 年发表的工作，证明"LLM 抽反应"可行，但规模停在约 24.7 万条，比 DianShi-RxnDB 小两个数量级，而且只覆盖文本、不读图纸。USPTO-LLM

把四种代表型放在一起，结论很干脆：没有任何一家同时做到开放免费、大规模、细粒度、段落级溯源、AI Agent 接口。这组属性在此前是互斥的。所以 DianShi-RxnDB 要填的坑不是"再做一个反应数据库"，而是把此前没有任何一家同时做齐的五个属性放进同一个库。代价也明摆着：靠全自动生产 2,400 万条，质量风险全压在机器身上。它凭什么敢这么做，看下一章的流水线。

全自动流水线：一条反应记录怎么从专利文本和图纸里长出来？

先看原料。起点是约 2,025 万条原始专利记录。先按 IPC 分类号过滤掉与有机化学无关的大头，剩下约 251 万条；再做站内去重和 USPTO 与 EPO 之间的跨库去重；最后剔除拿不到全文的文档，剩约 158 万篇进入流水线。越往后数字越小，说明这一轮清洗就在砍掉九成数据。而真正走到最后、关联到至少一条保留记录的专利只有约 60.8 万篇。

进入流水线后的主干是三段。第一段三路解析：专利正文的文本、图里的结构式、反应式，分别走不同的通道。第二段字段规整：把分散在叙述里的信息归拢成一个统一结构。第三段自动质检：给每条记录打上 qualified 或 not qualified 的标签。每一条输出都保留指向源专利位置的段落级溯源链接。整条生产链没有人工标注参与，这是"全自动"的真正工程含义。

图注：论文 Figure 2 的流水线。左侧是专利文本、图像、反应式三类输入，图像与反应式主要由 MinerU.Chem 处理；右侧分出 qualified 与 not passed 两类输出，两条路都保留指向源专利位置的段落级溯源链接。DianShi-RxnDB

把"全自动"拆开看，是三个开源组件各管一摊，加一条化学规则兜底。

文本侧是 DeepSeek-V3-0324，一个 2025 年 3 月发布的小版本。选它而不是别的模型，看中的是四个属性同时具备：开源权重、允许商用、能部署在国产华为昇腾 910C 上，配合 DeepLink 软件适配运行。要在千万条级的文本上跑抽取，成本合规缺一不可。DeepSeek-V3

图像和反应式交给 MinerU.Chem，化学场景适配版的 MinerU。MinerU 是上海 AI 实验室（OpenDataLab）开源的高精度 PDF 解析工具，版面、公式、表格、OCR 都能处理。专利里大量反应画在图里，文本抽取再强也读不了图，这一路是补盲。MinerU

质检侧是 RXNMapper，2021 年发表于 Science Advances 的开源原子映射工具。原子映射就是给反应配账：产物里的每个原子，都要找到它在反应物里对应的那个原子。RXNMapper 的特别之处在于它是自监督学出来的，训练时把反应式上的人工映射标签全部去掉，模型靠 attention 自己学会配对。在 49K 测试集上它达到 96.8% 匹配，修正后 99.4% 正确全映射，2021 年后就是这个任务的事实标杆，USPTO-LLM 也拿它做终检。RXNMapper

所以 1,480 万条 qualified 不是 LLM 自己给自己盖章，而是有化学规则兜底的标签：原子映射对得上、原子数守恒才放行。不通过的那 919 万条也不删，原样保留、标成 not qualified，留给用户自行判断。DianShi-RxnDB 这里要强调一句：qualified 和 not qualified 的分界是结构性质检的结果，不是随机切分数据。

人工被移出生产环节，换来的是规模可以无上限扩张，代价则是机器会出错。它靠什么让这些错误可见、可控？答案是下一套评估体系，也是第 5 章要展开的。顺带一提，论文没有公开整套流水线的端到端计算成本与耗时，这属于没说的部分。

细粒度到底细到什么程度：记录、分组与模板

论文反复强调"细粒度"，到底细到什么程度？先对比一下：老式文本挖掘数据集给一张表，每行就是反应物和产物的 SMILES。SMILES 是一种用一行字符表示分子结构的线性编码，能喂给模型训练，但你要照着它复现一次实验就抓瞎。DianShi-RxnDB 的一条 Reaction Instance 记的是这样一份完整档案：谁和谁反应，反应物与产物各带角色标注；用什么条件，试剂、溶剂、催化剂、用量、温度、时间都有；结果如何，产率与实验步骤留着；依据在哪，链接回源专利的具体段落。

三层对象把这个"细"组织成可以伸缩的结构。最底层是 Reaction Instance，也就是一次文献报道的单步反应，独立保留全部条件与来源。往上一层是 Reaction Group，把"同一个反应的不同做法"聚在一起，按归一化的反应物产物组合聚类，但只聚类、不合并：每个实例的温度、产率、步骤照旧各放各的。最顶层是 Reaction Template，从合格实例里抽出的局部结构变换模式，不同底物的反应可能共享同一个模板，这正是逆合成建模时"复用经验"的关键。

图注：论文 Figure 3 的三层关系。A 面板是各带独立条件、产率、实验步骤与来源的单步反应实例，按归一化反应物产物组合聚合成 Reaction Group 而不合并实验信息；B 面板是作为局部结构变换模式的 Reaction Template，注意图中画的是简化示意，不是数据库真实存储的 SMARTS 表达式。DianShi-RxnDB

规模数字把"细"坐实：约 60.8 万篇 References、约 626 万条 Substance 记录、约 2,400 万条 Reaction Instances、约 658 万个 Reaction Groups。模板则有两套生成工具各出一份去重后的集合：LocalRetro 的约 119 万个，RDChiral 的约 186 万个，都是平台用这两套工具在库内实例上枚举、去重后得到的平台统计量，不是工具原论文的指标（论文未公开模板生成的具体输入子集）。LocalRetro

这一层的价值在于：2,400 万条既能下钻到单次实验的原始细节，又能上卷到反应模式的归纳。第 5 章的评估和第 6 章的接口，操作的都是这套结构。

凭什么说 2400 万条数据可靠：人工抽查与一场受控对比

全自动产出的数据，凭什么是可靠的？论文给了两层证据。

第一层是人工字段级评估。从 14.8M 条 qualified 实例里随机抽出 1,300 条，由具有机化学背景的评审，对 yield、reactant、reagent、catalyst、solvent 五个字段逐项核对。总共 6,500 次判断，6,042 次正确，微平均（micro-averaged）字段级准确率 92.95%。逐字段看：

Reagent 最低，84.62%。论文对此的解释很实在：试剂与反应物之间的角色边界，在不同反应上下文里本身就模棱两可，评审员和机器都会犯难。论文还列了四类常见错误：后处理或纯化物料被记成试剂或溶剂；同一参与者重复出现或角色错配；括号内的压缩表达与跨段落产率漏记；跨示例、跨步骤的引用被并进一条记录。这些不是遮丑，是给"误差从哪来"做注脚。DianShi-RxnDB

第二层是跟行业最强商业库之一 Pistachio 的受控对比，基线用的是 2025Q2 版本，不是官网最新的 2026Q2。Pistachio 在同一批 100 篇美国专利上，论文先去重再比：DianShi-RxnDB 原始 4,222 条、去重后保留 4,093 条；Pistachio 原始 3,630 条、去重后只剩 2,992 条，重复率明显更高。然后从 58 篇专利里取 660 对反应，逐字段核对两边与原文的一致程度：

六个字段全部更高，其中 Yield 差距最大，整整 18.33 个百分点。论文给出的解释值得注意：DianShi-RxnDB 会从原文里记录显式的百分比产率，而 Pistachio 在原文没写百分比时，会靠质量和化学计量去推断。所以这个优势不叫"抽得更多"，而叫"对不同写法更忠实"。

但这套证据的边界必须交代清楚，论文自己也承认。92.95% 只覆盖 qualified 子集的五个字段，不覆盖未评估字段，比如温度、时间、实验步骤；不覆盖 not qualified 的 919 万条；更不代表召回率，被漏掉的反应根本不会出现在抽样里。换句话说，这是"标尺"，不是"保证书"。怎么用它，取决于你把哪几个字段当真。

给研究者一个 Web 工作台，给 AI 一个 MCP，以及它没解决的

数据造出来了，给谁用？论文给了两个互补的入口，其中一个需要先解释一个概念：MCP。

2024 年 11 月，Anthropic 开源了 Model Context Protocol（MCP），一个连接 AI 应用与数据源的统一协议。官方用 USB-C 打比方：以前每个数据源都要单独写一套 connector，就像每台设备配一条专用充电线；MCP 把接口统一，任何 AI 应用都能通过同一个协议调用任何接入标准的数据源。协议内部是三件套：Host 是 AI 应用本身，Client 负责在应用里连接，Server 是数据提供方，对外暴露三类东西，可执行的 Tools、可读取的 Resources 和提示模板 Prompts。MCP

图注：MCP 官方主页架构图。中心高亮的 MCP（Standardized protocol）是统一协议节点，左侧是 AI 应用（Chat interface、IDEs 等），右侧是数据源与工具（文件系统、开发工具、生产力工具等），中心与每个外侧节点之间都是双向箭头，标着 Bidirectional data flow。图中产品名只是官方文档示例，不是支持清单。MCP

DianShi-RxnDB 把 Substance、Reaction、Reference 三类检索能力包装成结构化 MCP 工具，Agent 可以拿着上一步返回的标识符继续查下一步，实现多步串联查询。论文用阿司匹林做例子：输入它的 SMILES 串 CC(=O)Oc1ccccc1C(=O)O 作为目标产物，Web 工作台返回 84 条相关实例；过滤出水杨酸加醋酐的经典路线后，落进一个 53 条实例的 Reaction Group；再对比不同专利来源的实例，并排回看原文段落，比如某条实例的催化剂是硫酸、50°C、20 分钟。Web 工作台的服务对象是人，交互式检索、逐条对比、精确回看来源段落。MCP 的服务对象是 Agent，自动走完"按产物找候选路线、锁定分组、取实例、回源核对"整条链路。研究者还可以把 MCP 返回的标识符拿回 Web 工作台做人工复核。回忆第 1 章那张全景图，顶层正是这两个接口共享同一数据底座。

最后说清楚它没解决的，论文自己在局限一节逐条承认。数据范围只有 USPTO 与 EPO 的 1976 到 2025 年有机合成专利，期刊文献和未公开实验不在内；92.95% 只对 qualified 子集五字段成立，自动抽取仍会漏记、错配角色、划错步骤边界，关键记录必须回源核对；Agent 生成的结果在安全、临床法规、专利评估和生产条件选型场景，必须由专业人员复核；许可 CC BY-NC-SA 4.0 意味着仅限非商用，商用要另谈。此外，数据镜像仓库和源码尚未公布，逆合成配套技术报告还在预告阶段。

定论可以下得干脆：它把大规模、细粒度、段落级溯源、开放、Agent 友好这五样属性放进了同一个数据库——论文的横评显示，此前没有开放数据库同时具备这一组合。它是一块又快又广的地基，不是终极答案，但站在它上面的人，第一次拿到了此前不存在的原料。

想深入可以读原文：arXiv 页面。

参考文献

• DianShi-RxnDB 论文: DianShi-RxnDB: A Large-Scale, Fine-Grained Organic Reaction Data Platform Built via a Fully Automated Pipeline for Researchers and AI Agents（锚定论文）
• Open Reaction Database (ORD): Kearnes et al., The Open Reaction Database, JACS 2021
• Pistachio: Pistachio, NextMove Software 官方产品页
• USPTO-LLM: Yuan, Gong & Xu, USPTO-LLM, WWW 2025 Companion
• MCP: Anthropic, Introducing the Model Context Protocol, 2024-11-25
• DeepSeek-V3: DeepSeek-AI, DeepSeek-V3 Technical Report
• MinerU: MinerU 论文，arXiv:2409.18839
• RXNMapper: Schwaller et al., RXNMapper, Science Advances 2021
• LocalRetro: Chen & Jung, LocalRetro, JACS Au 2021
• Reaxys: Elsevier, Reaxys Data as a Service