volcengine 化学身份解析与来源对齐
把名称、结构或编号转换为可审计的化学候选记录。默认失败关闭：不投票选优、不让模型猜结构、不把数据库记录当作用户实物样品。
执行流程
- 接收一个
query；只有纯数字等无法安全判断的输入才追问input_type。 - 阅读身份判定契约与来源边界，确认
exact、related_forms、ambiguous、conflict和样品边界。 - 阅读标准化交接合同。只有
standardization_handoff.status=ready时，才允许 Adapter 将其中唯一 record 转成standardize-chemical-structures的通用输入。 - 在隔离环境安装固定依赖：
python -m pip install -r scripts/requirements.txt
- 运行解析器。单条名称示例：
python scripts/resolve_identities.py \
--query 'aspirin' \
--output identity-result.json
明确结构类型示例：
python scripts/resolve_identities.py \
--query 'CCO' \
--input-type smiles \
--output identity-result.json
批量或带上下文时使用 JSON：
{
"requests": [
{
"id": "q1",
"query": "aspirin",
"input_type": "name"
},
{
"id": "q2",
"query": "CC(=O)OC1=CC=CC=C1C(=O)[O-].[Na+]",
"input_type": "smiles",
"expected_form": "salt"
}
]
}
python scripts/resolve_identities.py \
--request requests.json \
--include-related \
--output identity-result.json
- 校验输出：
python scripts/validate_output.py identity-result.json
- 只有
standardization_handoff.status=ready时，才把其中唯一 record 交给standardize-chemical-structures。禁止读取 candidates 作为交接 兜底；其他状态先向用户展示候选和确认问题。
来源选择
OPSIN：系统名称解析；WARNING必须人工复核。PubChem：名称、结构、InChIKey 和 CID 记录。ChEMBL：精确 preferred name/同义词、ChEMBL ID 和完整 InChIKey。UniChem：完整结构跨库映射；--include-related才执行 connectivity 查询。- 敏感名称不得发送到外部服务；使用
--sources ''只做本地结构检查。
任何 500、503、超时、限流或坏 JSON 都是 source_error，不得写成 not_found。
强制规则
- 原始
query、来源记录 ID、URL、响应哈希和错误必须保留。 - 普通名称至少需要两个独立证据家族支持同一完整 InChIKey，才可标记记录层
exact。 exact只表示当前数字记录结构一致；sample_identity_status自动流程始终为not_assessed。- 多候选不得按来源数、得分、热度、首选名称或字符串顺序自动选一个。
- 同一 parent 只能标记
related_forms，不能标记相同物理样品。 - 纯数字在
auto模式下不得直接猜成 PubChem CID。 - CAS RN 只验证格式和校验位；不得声称已由 CAS 官方确认。
- 无法解析的结构必须
rejected，不得生成伪结构。 ambiguous、related_forms和conflict必须阻止自动 handoff。- 不输出 API Key、Authorization、Cookie、Token。
- 不判断活性、药效、毒性、可合成性、实验安全或结构确证。
退出码
0：流程完成且没有rejected请求；2：已写出完整结果，但至少一条请求rejected；3：依赖、请求文件或命令行输入加载失败。
退出码不是身份或科学结论；始终检查五类状态、候选证据和人工确认问题。