AI-ready 不止是公开：ProtoStar 与科研数据可用性

公开访问之后还有一段路

Hugging Face 与研究机构公布 ProtoStar，推动公共资助科研产物以机器可操作的格式发布。文章明确区分“公开”和“可用”：静态文件、缺少说明、系统不兼容，都可能让开放资源难以复用。

原文预告首个挑战于 11 月 2 日开放。本站整理时间早于该日期，因此这里只记录公布的计划，不把它写成已经进行中的结果。

元数据是检索的一部分

数据集的许可、覆盖时间、采样方法、单位和来源会直接决定检索结果是否适合当前问题。仅将文件转成文本，再做向量索引，容易丢失这些边界。

本站建议在摄入阶段保存结构化元数据，在检索阶段让过滤与语义召回配合。生成答案时需要同时返回证据片段与来源身份。

如何把复用质量做成验收

对科研 Agent 而言，可下载并不等于可重现。代码版本、环境、数据修订和处理步骤都应能追溯；受限数据还需要检查相应许可与访问规则。

可以用一个小型端到端任务验证：从自然语言问题找到数据、理解单位、运行分析，再让另一个人根据记录重现。链路中的失败比资源总数更有解释力。

实践检查表

• 先检查许可、来源与数据字典，再建立索引。
• 让检索结果携带时间、单位、版本。
• 公开统计与本站实测明确分开。