Noeron：科学播客的人工智能研究伴侣

播客与论文之间的认识论桥梁

一款基于人工智能的研究伴侣，使用谷歌Gemini 3实时将播客内容与学术文献联系起来。专为双子座3黑客马拉松而设计，旨在展示人工智能如何在不重复数千名听众的认知劳动的情况下，使深度科学变得触手可及。

![Gemini 3](https://ai.google.dev/gemini-api/docs/gemini-3) ![License: MIT](LICENSE)

问题

科学播客的听众会遇到未充分理解的说法，并希望更深入地理解，但阅读密集的学术论文非常困难。目前的解决方案迫使每个听众独立地重复相同的研究工作，这是对认知劳动的巨大浪费。

例子： 当Michael Levin在Lex Fridman#325上说“生物电模式控制形态发生”时，有什么论文支持这一点？哪些实验证明了这一点？我在哪里可以了解更多？

解决方案：理解基础设施

Noeron创造 认识论桥梁 -将非正式播客解释与正式科学文献联系起来。一个人的深度合成成为数千名听众的可重用基础设施，就像物理基础设施为许多用户服务一样。

诺能做什么

实时研究流：在收听播客时实时显示相关论文
上下文卡片：人工智能生成的摘要，将具体主张与支持性研究联系起来
深潜探索：探索带有证据线索、支持文件和相关概念的索赔
带有思维痕迹的AI聊天：与实时显示其推理过程的AI聊天
AI图像生成：生成科学可视化 /visualize 或 /image 命令
迷你播客：生成NotebookLM风格的两个主持人讨论任何索赔
滑道生成：为任何索赔创建带有视觉幻灯片的人工智能生成演示文稿
研究笔记本：保存和组织声明、论文、片段和人工智能见解
知识制图：用分类集群可视化研究领域
测验模式：测试你对播客内容的理解
移动优先设计：响应式用户界面经过优化，适合随时随地收听

把它想象成有一个研究助理，他已经阅读了播客嘉宾引用的每一篇论文。

为什么选择双子座3？

Noeron展示了Gemini 3在科学推理方面的独特能力：

长上下文窗口（1M令牌）

- 加载整个播客记录+150+生物电论文 - 在多小时的面试中保持背景

上下文缓存

- 一次处理论文语料库，查询数千次 - 在播客播放期间启用实时响应

思维水平增强推理

- 检测自然语言中微妙的科学主张 - 在相互矛盾的发现中综合证据 - 生成准确的上下文卡，不会产生幻觉

多模式理解

- 分析论文中的实验数据 - 处理来自YouTube采访的视频时间戳 - 从图表和可视化中提取见解

结构化输出生成

- 创建带有适当引用的上下文卡片 - 构建知识图谱，将索赔与证据联系起来 - 维护所有信息的来源跟踪

演示

演示视频 -观看Noeron的表演

演示的主要功能：

实时研究流显示莱文讲话时的论文
用证据线索深入研究“生物电模式”主张
具有实时思维痕迹的AI聊天
解释复杂概念的迷你播客生成
显示研究领域覆盖范围的知识制图
移动响应式聆听体验

自己试试： 现场演示（需要Gemini API密钥）

黑客马拉松提交

适用于： Gemini 3全球黑客马拉松\ 类别： 教育与科学素养\ Gemini 3集成： 使用上下文缓存、多模态分析和具有思维水平的结构化输出的核心推理引擎

影响潜值

目标市场： 深度科学播客生态系统每月有1000万至3000万听众\ 问题已解决： 消除了数千名学习者重复的研究工作\ 可扩展性： 一个合成→ 许多用户（基础设施模型）

主要特点

1.实时研究流

与播客播放同步的实时论文推荐。

# As podcast plays, Noeron identifies claims and surfaces papers
process_podcast_segment(
    transcript_window="I think bioelectric patterns...",
    timestamp="00:45:23"
)
# Returns: Relevant papers with specific sections highlighted

2.AI驱动的上下文卡

Gemini 3检测索赔，检索支持性研究，并生成可扫描的摘要。

# Two-pass Gemini approach:
# Pass 1: Detect claims with context tags
claims = detect_claims(transcript_segment, use_gemini=True)
# Example: "Bioelectric patterns control morphogenesis"
#          Tags: [organism: planaria, mechanism: gap_junctions]

# Pass 2: Generate research queries and retrieve papers
for claim in claims:
    papers = rag_search(claim.generate_query())
    context_card = create_context_card(claim, papers)

上下文卡输出：

{
  "claim": "Bioelectric patterns control morphogenesis",
  "timestamp": "00:45:23",
  "supporting_evidence": [
    {
      "paper_id": "levin_2014_bioelectric",
      "relevance": "Primary experimental validation",
      "key_finding": "Ion channel manipulation altered planarian head shape"
    }
  ],
  "summary": "Planarian experiments show bioelectric signals determine body structure",
  "confidence": "high"
}

3.研究线程可视化

追踪科学理解是如何随着时间的推移而演变的。

build_research_thread(
    topic="bioelectric morphogenesis",
    year_range=(1993, 2025)
)
# Shows: Initial observations → Experimental validation → 
#        Molecular mechanisms → Current applications

4.跨集合成

在多个播客中找到共同的主题。

synthesize_episodes([
    "lex_fridman_325",
    "sean_carroll_203", 
    "jim_rutt_165"
])
# Gemini 3 identifies: recurring themes, evolving ideas, 
#                     contradictions explained over time

5.思维痕迹互动问答

与已阅读播客记录和所有参考论文的人工智能聊天。通过SSE流媒体实时查看Gemini 3的推理过程。

answer_question(
    question="How do gap junctions enable collective intelligence?",
    context=["transcript", "papers", "figures"]
)
# Uses Gemini 3's enhanced reasoning to synthesize answer
# Shows thinking traces: "Let me consider the bioelectric signaling..."

6.人工智能图像生成

直接在聊天中生成科学可视化。

# Explicit commands
/visualize cell membrane voltage gradients
/image planarian regeneration process

# Natural language
"Show me a diagram of bioelectric pattern formation"

7.迷你播客生成

生成NotebookLM风格的两个主持人讨论任何索赔。

generate_mini_podcast(
    claim_id="claim_123",
    episode_id="lex_325",
    style="educational"
)
# Returns: 3-5 minute audio with ALEX and SAM discussing the claim
# Uses Gemini 3 for script + Gemini 2.5 TTS for multi-speaker audio

8.滑道生成

使用人工智能生成的视觉效果为任何索赔创建演示幻灯片。

generate_slide_deck(
    claim_id="claim_123",
    episode_id="lex_325",
    style="presenter"  # or "detailed"
)
# Returns: PDF with 5-12 slides, thumbnail previews, shareable link
# Uses Gemini 3 for content + Imagen for slide visuals

两种风格：

主持人 （5-7张幻灯片）：清晰的视觉效果，包含现场演示的关键点
详细的 （8-12张幻灯片）：无需旁白即可分享的综合幻灯片

特征：

4个阶段的进度指标（规划→ 内容→ 视觉效果→ 装配）
缩略图旋转木马，点击展开灯箱
社区共享切换
在页面刷新过程中保持不变

9.研究笔记本

使用书签保存和组织您的研究之旅：

带有证据线索的索赔
带有亮点的论文片段
人工智能生成的见解和图像
插曲时刻

10.知识制图

使用分类集群可视化研究景观：

GMM聚类中的8-12个“研究领域”
查看每集涵盖哪些地区
跟踪您的探索进度
发现新的探索领域

建筑

数据管道

Podcasts/Interviews
       ↓
[AssemblyAI Transcription]
       ↓
[Speaker Diarization]
       ↓
[Window Segmentation] (60s chunks with 10s overlap)
       ↓
[Gemini 3: Claim Detection] ← thinking_level='medium'
       ↓
[RAG: Paper Retrieval] ← Supabase pgvector + Gemini embeddings
       ↓
[Gemini 3: Context Synthesis] ← thinking_level='high', context_caching
       ↓
[Context Card Registry]
       ↓
[User Interface]

Gemini 3集成点

# 1. Claim Detection (with thinking)
model = genai.GenerativeModel('gemini-3-flash-preview')
claims = model.generate_content(
    f"Detect scientific claims in: {transcript}",
    generation_config=genai.GenerationConfig(
        thinking_level='medium',
        response_mime_type='application/json'
    )
)

# 2. Context Card Generation (with cached corpus)
cache = genai.caching.CachedContent.create(
    model='gemini-3-pro-preview',
    contents=bioelectricity_papers,  # 150+ papers
    ttl=datetime.timedelta(hours=1)
)

context_card = model.generate_content(
    f"Synthesize evidence for: {claim}",
    cached_content=cache,
    generation_config=genai.GenerationConfig(
        thinking_level='high'
    )
)

# 3. Multimodal Figure Analysis
response = model.generate_content([
    "Extract experimental protocol from this figure:",
    {'mime_type': 'image/jpeg', 'data': figure_bytes}
])

矢量搜索管道

Papers (150+ on bioelectricity)
       ↓
[GROBID: PDF → Structured JSON]
       ↓
[Section Detection: Methods, Results, Discussion]
       ↓
[Chunking] (400 tokens, 50 token overlap, tiktoken)
       ↓
[Embedding: Gemini text-embedding-004] (768 dimensions)
       ↓
[Supabase pgvector] (production) / [ChromaDB] (local dev)
       ↓
[RAG Search] ← Query from Gemini claim detection

安装

先决条件

Python 3.10+
紫外线（Python包管理器）
Node.js 18+，带pnpm
Google Gemini API密钥(免费获得一个)
Supabase项目（用于生产）或当地发展模式
AssemblyAI API密钥（用于生成转录本，可选）
ffmpeg（用于音频处理，可选）

快速开始

# Clone repository
git clone https://github.com/beckpiscopo/bioelectricity_researcher
cd bioelectricity_researcher

# Install Python dependencies with uv
uv sync

# Set up environment variables
cp .env.example .env
# Edit .env with your API keys:
# - GEMINI_API_KEY (required for all AI features)
# - SUPABASE_URL and SUPABASE_SERVICE_KEY (for production)
# - ASSEMBLYAI_API_KEY (for transcript generation)

BYOK（自带钥匙）

用户必须提供自己的Gemini API密钥才能使用人工智能功能。应用程序重定向到设置页面(/settings)在首次使用时，用户可以输入他们的API密钥。密钥安全地存储在浏览器的本地存储中。

首次通过魔术链接登录的用户在继续之前会被提示设置显示名称。

构建矢量存储

# Process papers into vector database
python scripts/build_vector_store.py

# Verify corpus
python scripts/validate_corpus.py

生成上下文卡

# Process a podcast episode
python scripts/fetch_assemblyai_transcript.py \
  --youtube-url "https://youtube.com/watch?v=..." \
  --paper-id lex_325 \
  --title "Lex Fridman #325"

# Generate context cards for all segments
python scripts/run_context_card_builder_batch.py \
  --podcast-id lex_325 \
  --episode-title "Lex Fridman #325" \
  --use-gemini \
  --redo

运行应用程序

# Start the backend HTTP server
uv run python -m src.bioelectricity_research.http_server

# In another terminal, start the Next.js frontend
cd frontend
pnpm install
pnpm dev

访问 http://localhost:3000

环境变量

变量	必填	描述
`GEMINI_API_KEY`	是	谷歌Gemini API人工智能功能密钥
`SUPABASE_URL`	生产	Supabase项目URL
`SUPABASE_SERVICE_KEY`	生产	供应链服务角色关键
`USE_SUPABASE`	否	设置为 `false` 用于本地开发（默认值： `true`)
`ASSEMBLYAI_API_KEY`	可选	用于生成新成绩单

当前语料库

论文

150+篇论文 生物电、形态发生、再生
日期范围： 1993-2025（迈克尔·莱文的全集）
话题： 间隙连接、离子通道、模式形成、异种机器人、集体智能

播客/访谈

莱克斯·弗里德曼#325（迈克尔·莱文）-完整一集的索赔
万物理论（迈克尔·莱文）-预览集
其他剧集正在筹备中

处理统计数据

块总数： ~15,000
平均块大小： 400个代币
嵌入模型： Gemini文本嵌入-004（768维）
分类集群： 通过GMM聚类得到8-12个研究领域
储存： Supabase pgvector（生产）/ChromaDB（本地）

UI/UX设计

四个交互层

被动倾听

- 时间戳同步的上下文卡会自动出现 - 播客流不会中断

主动提问

- 后续问题的聊天界面 - 双子座3个理由超过成绩单+论文

精心策划的探索

- 按主题浏览研究主题 - 复杂性的逐步披露

主要来源

- 直接链接到论文 - 突出显示的相关章节

设计理念

移动优先： 专为播客收听场景而设计
渐进式披露： 显示简单摘要，隐藏复杂性
来源追踪： 始终明确引用来源
最小认知负荷： 10-15字可扫描摘要

项目结构

bioelectricity-research-mcp-v2/
├── agents/                         # Gemini-powered reasoning agents
│   └── verification_agent.py       # Claim verification logic
├── data/
│   ├── papers_collection.json      # Metadata for all papers
│   ├── cleaned_papers/             # Processed, chunkable JSON
│   ├── grobid_fulltext/            # Raw GROBID extraction
│   ├── vectorstore/                # ChromaDB persistence (local mode)
│   ├── context_card_registry.json  # Generated context cards
│   ├── episodes.json               # Episode metadata
│   ├── episode_summaries.json      # AI-generated summaries
│   ├── window_segments.json        # Transcript temporal windows
│   └── knowledge_graph/            # Entity-relation extractions
├── scripts/
│   ├── build_vector_store.py       # Chunk and embed papers
│   ├── build_taxonomy_clusters.py  # GMM clustering for knowledge cartography
│   ├── fetch_assemblyai_transcript.py
│   ├── context_card_builder.py     # Gemini claim → RAG → card
│   ├── generate_episode_summaries.py
│   ├── supabase_client.py          # Database client
│   └── migrate_to_supabase_full.py # Data migration
├── src/
│   ├── bioelectricity_research/
│   │   ├── server.py               # FastMCP server + MCP tools
│   │   ├── http_server.py          # REST API adapter
│   │   ├── context_builder.py      # Layered chat context system
│   │   ├── vector_store.py         # ChromaDB/Supabase pgvector
│   │   └── storage.py              # Paper CRUD operations
│   ├── chunking_papers.py          # Tiktoken-based chunking
│   └── embeddings.py               # Gemini embedding utilities
├── frontend/                       # Next.js application
│   ├── app/
│   │   ├── page.tsx                # Landing page
│   │   ├── library/page.tsx        # Episode library
│   │   ├── episode/[id]/page.tsx   # Episode player
│   │   ├── notebook/[id]/page.tsx  # Notebook view
│   │   └── api/                    # API proxy routes
│   ├── components/
│   │   ├── listening-view.tsx      # Podcast player with live research
│   │   ├── deep-exploration-view.tsx # Claim deep dive
│   │   ├── episode-overview.tsx    # Episode summary + clusters
│   │   ├── notebook-view.tsx       # Research notebook
│   │   ├── mini-podcast-player.tsx # AI podcast player
│   │   ├── taxonomy-bubble-map.tsx # Knowledge cartography
│   │   ├── quiz-mode.tsx           # Interactive quizzes
│   │   ├── ai-chat/                # AI chat components
│   │   └── mobile/                 # Mobile-optimized components
│   ├── hooks/
│   │   └── use-ai-chat.ts          # Chat state management
│   └── lib/
│       ├── supabase.ts             # Supabase client + types
│       └── chat-types.ts           # TypeScript interfaces
├── supabase/
│   ├── migrations/                 # Database schema migrations
│   └── schema.sql                  # Full schema reference
├── cache/                          # Runtime caches
│   └── generated_podcasts.json     # Mini podcast cache
├── tests/
└── docs/
    ├── ARCHITECTURE.md             # System architecture
    ├── pipeline.md                 # Data flow documentation
    ├── TAXONOMY_CLUSTERS.md        # Clustering system guide
    └── DEPLOYMENT.md               # Deployment instructions

测试

# Run unit tests
pytest tests/

# Validate context card quality
python scripts/validate_context_card_registry.py

# Test RAG search accuracy
python tests/test_rag_accuracy.py

未来路线图

第二阶段（黑客马拉松后）

\[\]YouTube视频集成（视觉时间戳）
\[\]扩展到其他生物电研究人员
\[\]引文网络可视化
\[\]黑曜石出口

第三阶段（产品愿景）

\[\]多播客支持（Huberman、Carroll、Rutt）
\[\]社区贡献的背景卡片
\[\]移动应用程序（iOS/Android）
\[\]YouTube浏览器扩展

第四阶段（规模）

\[\]超越生物电
\[\]任何科学播客的平台
\[\]成为“深度学习的基础设施”

影响指标

对于研究人员：

节省时间：每次论文查找2-4小时→ 30 秒
可访问性：使前沿研究易于理解

对于播客听众：

深度科学播客每月有1000万至3000万听众
每个上下文卡被数千人使用（基础设施效应）

科学传播：

弥合可访问性和严格性之间的差距
无需学术把关，即可实现更深入的参与

双子座3竞争优势

该项目展示了Gemini 3在科学推理方面的优势：

与GPT-4相比：更好地理解论文语料库的长上下文
vs.克劳德：上下文卡的输出更加结构化
与双子座2.5相比：增强推理消除幻觉
双子座3独有：上下文缓存使这在经济上可行

成本效益：

无缓存：每1000次查询50美元以上
使用Gemini 3缓存：每1000个查询2美元（减少25倍）

文档

架构概述 -系统设计和组件细节
管道文件 -完整的数据流
分类集群 -知识制图实施
部署指南 -生产部署说明
LLM背景 -人工智能发展援助的背景

贡献

该项目目前处于黑客马拉松模式，但欢迎在2026年2月9日之后捐款！

许可证

MIT许可证-请参阅许可证详情

致谢

迈克尔·莱文 -用于开创性的生物电研究
谷歌DeepMind -对于Gemini 3 API
组装AI -用于播客转录
语义学者 -用于纸质元数据

联系

贝克·皮斯科波

网站： beckpiscopo.xyz
十、 @贝克皮斯科波
项目链接：

______________________________________________________________________

为Gemini 3全球黑客马拉松精心打造

“认识论基础设施：一个人的深刻理解成为数千人可重复使用的知识。”

bioelectricity researcher

快速接入

详细介绍