科学代理需要在散布于叙事文章中的研究问题、方法和发现之间建立联系。为此我们提出 SPRA（结构化论文表示），它在论文层面上将研究对象建模为持久实体，并通过类型化关系进行组织。SPRA 的经验‑AI 框架把 Problem、Contribution、Component、ExperimentSetup、Measure、Finding 等单元以可查询、可遍历、可复用的形式呈现，并记录选定的引用关系（依赖、组件使用、与前人工作的比较），同时保留源位置以便验证。
我们在超过一百万篇 AI 论文上实例化 SPRA，得到约 1995 万研究单元和 2407 万内部关系。通过 Schema‑RAG 将任务证据在推理前固定后访问 SPRA，在七个子领域的实验表明，SPRA 在源条件科学问答上比传统段落检索提升 0.381/5，且仅比 Full Compact 低 0.078/5。跨论文推理的资格判断提升 0.184/5，Top‑5 综合质量呈现混合效应。所有 RQ2 任务（含 Top‑5）中，输入+输出 token 数相较段落检索下降 28.5%，相较 Full Compact 下降 95.3%。在创意生成任务中，整体得分仅比 Full Compact 低 0.067 分，却减少了 93.7% 的 token 使用量。上述结果表明，SPRA 是一种可用的科学内容表示，能够支撑连接、检查和复用论文级研究对象的工作流。SPRA 资源已通过 SciVerse 学术数据平台公开。
点评：SPRA 通过结构化单元和显式关系，将散落的科研信息聚合为机器可直接操作的图谱，大幅降低检索与推理的计算开销，同时保持或提升了问答与推理质量，为构建面向代理的科研助理奠定了坚实基础。