3,583 papers

Меню

Найди исследование под свою задачу

Опиши что тебе нужно, и AI найдет самые релевантные научные статьи с практическими рекомендациями

Поиск ~3 N-тN-токен (N-т) = 1 рубль. Валюта платформы Nova Sapiens для AI-операций., синтез 1-33 N-тN-токен (N-т) = 1 рубль. Валюта платформы Nova Sapiens для AI-операций.

Примеры запросов

Нажмите на запрос, чтобы вставить в поле поиска

Как работает Research Finder

7-ступенчатый AI-pipeline на базе 4 300+ научных статей по промптингу и AI

Research Finder — не просто поиск по ключевым словам. Это полноценный исследовательский ассистент, который понимает вашу задачу, разбивает её на под-проблемы, находит релевантные научные работы и синтезирует из них практическое руководство с готовыми промптами.
1
Декомпозиция задачи
Gemini 3 Flash

Ваш запрос анализируется AI, который разбивает его на 10-15 операционных под-задач. Например, запрос "SEO с помощью AI" превращается в: контроль длины meta-тегов, оптимизация под генеративные поисковики, валидация E-E-A-T, проверка каннибализации ключей и ещё 10+ конкретных задач.

RAR2 — формулировка знаний перед запросами
2
Генерация поисковых запросов
Gemini 3 Flash

Из под-задач AI формулирует 12-15 разнообразных поисковых запросов трёх типов: доменные ("оптимизация контента для AI Overview"), действенные ("как проверить SEO-текст через ИИ") и техниковые ("Self-Consistency для валидации контента"). Плюс генерирует гипотетический идеальный ответ (HyDE) для уточнения поиска.

Multi-Query Expansion HyDE — гипотетический документ как запрос
3
Векторный поиск по 86 000+ фрагментов
OpenAI text-embedding-3-large + Qdrant

Каждый запрос превращается в 1536-мерный вектор и ищется среди 86 000+ семантических фрагментов из 4 300+ научных статей. Каждая статья разбита на 12-20 смысловых блоков: ключевые находки, методы, рецепты применения, примеры, тезисы. Результаты всех запросов объединяются через Reciprocal Rank Fusion — алгоритм, который выделяет статьи, найденные несколькими запросами одновременно.

Semantic Search (1536-dim vectors) Reciprocal Rank Fusion (RRF) Multi-Chunk Architecture
4
AI-ранжирование с доказательствами
Gemini 3 Flash

Топ-20 найденных статей проходят глубокую оценку AI-реранкером. Для каждой статьи модель выстраивает цепочку рассуждений: какой метод описан → как применить к вашей задаче → какой практический эффект. Каждая оценка обязана содержать цитату из текста статьи — если нечего процитировать, оценка снижается. Результат: 5-20 статей с подробным описанием, почему каждая вам полезна.

ERank — шкала 0-5 + CoT точнее 0-10 Reference-Aided Scoring RISE — анти-позиционное смещение
5
Интерактивное уточнение
Вы + Gemini 3 Flash

После первого поиска вы видите чекбоксы с под-задачами из шага 1. Выберите те, которые для вас важнее всего — и система сгенерирует новые целевые запросы именно под эти аспекты. Это находит узкоспециализированные статьи, которые пропустил первый, широкий поиск.

Interactive Refinement Targeted Sub-Problem Queries
6
Глубокий синтез
Claude Sonnet 4.6 (Anthropic)

Самый мощный этап. Claude получает полный текст высокорелевантных статей (не фрагменты, а полные разборы на 15-20 тысяч символов каждый). Модель сначала генерирует 5-7 практических вопросов по вашей задаче, затем отвечает на каждый, опираясь на конкретные исследования. Каждая техника снабжается готовым промптом на 200+ слов, который можно сразу использовать.

AQG-RAG — вопросы перед ответом Anti-Echo — дедупликация методов InsightGUIDE — факты vs. экстраполяции Score-Based Context Tiering
7
Итеративное уточнение
Вы + Claude Sonnet 4.6

После генерации AI-разбора вы можете написать, что хотите уточнить, углубить или исправить. Система запустит новый поиск с учётом вашей обратной связи, найдёт дополнительные статьи и сгенерирует уточнённый разбор — не повторяя то, что уже было сказано в первой итерации.

Iterative Refinement with Context Carry-Over
4 300+
научных статей
86 000+
семантических фрагментов
15+
поисковых запросов на задачу
10
научных техник в pipeline
Научная база подхода

Каждая техника в pipeline основана на конкретном исследовании. Мы изучили 53 статьи о качестве поиска и ранжирования, чтобы собрать лучшие подходы:

2509.00520 ERank — шкала 0-5 с рубриками + CoT точнее размытой оценки 0-10 2509.20982 Reference-Aided Scoring — идеальный ответ как якорь снижает ошибку ранжирования вдвое 2510.17139 HyDE — гипотетический документ для поиска: встраивание идеального ответа в запрос 2512.19475 AQG-RAG — генерация вопросов перед ответом повышает полноту синтеза 2601.06189 Anti-Echo — дедупликация методов: приоритет уникальным техникам 2510.03329 InsightGUIDE — разделение доказанных фактов и экстраполяций 2508.02020 RISE — итеративная выборка снижает позиционное смещение на 15-25% 2509.18641 RAR2 — формулировка знаний перед генерацией запросов
Калибровка качества

Система прошла 5 раундов калибровки на 100 реальных пользовательских запросах с независимой оценкой:

8.7/10
общая оценка
9.4/10
применимость
9.3/10
конкретность
9.0/10
ясность

Прогресс: v2 (6.5) → v3 (6.9) → v4 (6.9) → v7 (8.7) — +34% за 4 итерации оптимизации pipeline

Prompt

Найденные исследования

Уточни поиск по под-задачам

Выбери аспекты, которые для тебя важны