企业官网建设流程全解析

1. OpenResearch 是什么：一个被误读但正在悄然落地的本地优先科研协作范式

OpenResearch 这个名字听起来像某个开源基金会发起的宏大倡议，或者某家科技巨头刚发布的AI平台。但实际接触过的人会发现，它既不是GitHub上星标破万的明星项目，也不是技术大会上被反复提及的关键词——它更像是一群科研工作者、独立开发者和学术工具爱好者，在长期被云服务绑架、数据主权模糊、协作流程低效的现实里，自发摸索出的一套“可离线、可审计、可移植”的研究工作流实践集合。核心关键词local-first不是口号，而是设计前提：所有元数据、实验记录、文献索引、代码快照、甚至模型微调日志，默认存储在你本地磁盘的某个路径下，而非先上传到某个中心化API；CLI（命令行界面）不是为了炫技，而是因为图形界面在跨平台一致性、脚本自动化、版本控制友好性上天然存在短板；而autoresearch这个词，指的不是让AI自动写论文，而是通过结构化数据建模+轻量级规则引擎，把“查文献→记笔记→跑实验→画图→写结论”这一整条链路中重复度高、逻辑确定的部分，用命令驱动的方式固化下来。

我第一次听说 OpenResearch 是在2023年秋，一位做计算材料学的博士后在 Slack 群里贴出一段截图：他用orx init --template=ml-repro初始化了一个新项目，接着执行orx fetch --doi=10.1038/s41586-023-06291-2，三秒后，PDF、BibTeX、DOI元数据、甚至该论文引用的17篇关键参考文献摘要，全部以标准化格式存入本地./research/papers/目录树，并自动更新了papers-index.jsonl流式索引文件。整个过程没打开浏览器，没登录任何账号，没有弹窗提示，也没有后台静默上传。他后来补充了一句：“我现在写综述，90%的文献管理动作都在终端里完成，Git commit 就是存档，orx diff --since=last-week就是进度报告。”——这正是 OpenResearch 的真实切口：它不试图替代 Zotero 或 Obsidian，而是为那些已经习惯用 Vim 写 LaTeX、用 Git 管理实验代码、用 Makefile 编译仿真脚本的研究者，补上最后一块拼图：让“研究行为”本身变成可追踪、可复现、可脚本化的原子操作。

它解决的不是“有没有工具”的问题，而是“工具之间是否真正互认语义”的问题。比如，传统流程中，你在 Zotero 里标记一篇论文为“待精读”，这个状态不会自动同步到你的 Jupyter Notebook 里；你在 VS Code 里给某段分析代码加了# [RE: Fig3a]注释，这个关联也无法反向映射回文献库。OpenResearch 的 CLI 工具链强制定义了一套轻量但严格的上下文协议：每个orx命令背后都对应一个明确的数据契约（schema），比如orx annotate --paper=xxx --tag=methodology --quote="We propose a novel..."生成的不是自由文本，而是一条符合 RFC 8941 格式的 structured annotation record，包含时间戳、作者机器指纹（非个人身份）、引用锚点哈希、以及可验证的签名头。这种设计让“研究过程”第一次具备了类似软件开发中的“可观测性”——你可以orx log --event=annotation --author=me查看自己过去三个月所有带标签的文献批注，也可以orx export --format=markdown --filter="tag:reproducible"一键生成符合 FAIR 原则的可复现性声明文档。它适合谁？不是刚入学的本科生，而是那些已经建立自己研究方法论、对数据主权有清醒认知、愿意为长期可维护性付出前期学习成本的中高级研究者。如果你还在为“换电脑后文献库丢失”“合作者改了代码但没同步实验记录”“投稿时被要求提供原始数据溯源路径却无从下手”而头疼，OpenResearch 提供的不是另一个App，而是一套可嵌入你现有工作流的语义骨架。

2. OpenResearch 的底层设计哲学：为什么必须是 local-first + CLI + autoresearch 的组合？

2.1 local-first 不是技术妥协，而是科研伦理的基础设施层

很多人把 local-first 理解为“离线可用”，这是严重低估。真正的 local-first 在 OpenResearch 中体现为三层不可降级的设计承诺：

第一层是数据所有权不可让渡。所有orx命令默认操作的是本地文件系统路径（如~/.orx/workspace/），而非远程端点。当你执行orx sync --to=github，它做的不是“上传”，而是将本地已存在的、符合 OpenResearch Schema 的 JSONL 文件（如experiments.log、notes.md的结构化镜像）推送到你指定的 Git 仓库分支；当你执行orx pull --from=zenodo，它下载的是经过 CID（Content Identifier）校验的只读快照包，解压后直接映射到本地 workspace 的对应子目录，不触发任何后台服务注册或账户绑定。这种设计杜绝了“使用即授权”的隐性条款——你永远不需要为了用orx search而同意某家公司的隐私政策，因为搜索引擎完全运行在本地，索引文件由你自主构建和维护。

第二层是可验证的完整性保障。OpenResearch 强制所有核心数据对象（论文元数据、实验配置、结果指标）必须附带 cryptographically signed manifest。例如，一个experiment-run对象不仅包含config.yaml和metrics.json，还必须包含manifest.sig，该签名由本地私钥生成，验证公钥可嵌入 Git tag 或通过 PGP keyserver 分发。这意味着，当合作者给你发来一个.orx-bundle包，你只需运行orx verify --bundle=run-20240512.orx，工具就会自动检查：① 所有文件哈希是否与 manifest 中声明的一致；② manifest 签名是否由可信密钥签署；③ 时间戳是否在合理窗口内（防重放攻击）。这种机制让“可复现性”从一句口号变成可程序化验证的布尔值，远比依赖第三方平台的“reproducible badge”可靠。

第三层是零信任协作的起点。local-first 意味着协作不是“共享一个云端白板”，而是“交换可验证的数据包”。orx share --with=alice@lab.edu --scope=results-only命令生成的不是一个链接，而是一个加密 ZIP 包，其中仅包含 Alice 权限范围内可访问的字段（如脱敏后的指标数值，但隐藏原始数据路径），且包内附带 Alice 的公钥加密的解密密钥。Alice 收到后，用自己私钥解密密钥，再用该密钥解密内容——整个过程不经过任何中间服务器，也不暴露双方 IP 或设备信息。这种设计天然适配敏感领域（如临床研究、金融建模），也避免了传统协作工具中常见的“权限蔓延”问题：你无法通过分享一个链接，意外授予对方修改你整个文献库的权限。

2.2 CLI 不是复古情怀，而是科研工作流自动化的唯一高效接口

GUI 工具在科研场景中存在三个结构性缺陷，而 CLI 正好精准补位：

缺陷一：状态不可编程。图形界面的操作路径（点击菜单A→输入框B→勾选选项C）无法被写入脚本，导致重复性任务无法沉淀。而orx batch --script=process-raw-data.orxscript可以将一连串操作（解压原始数据→校验MD5→调用Python脚本→生成QC报告→归档至./data/processed/）封装为可版本控制、可参数化、可定时触发的原子单元。我实验室有个研究生，把每周处理质谱数据的流程写成orxscript，放在 GitHub Actions 里，周一早上8点自动拉取新数据、跑完分析、邮件发送报告——他再也不用凌晨三点手动点鼠标等结果。

缺陷二：上下文不可继承。GUI 应用启动时通常清空历史环境，而 CLI 天然继承 shell 的环境变量、当前工作目录、Git 分支状态。orx run --config=prod.yaml会自动读取当前目录下的.git/config获取项目标识，从~/.orx/envs/加载对应环境变量，甚至根据 Git commit hash 为本次运行生成唯一 trace ID。这种上下文感知能力，让“在哪个分支、用哪套参数、基于哪个commit”这些关键元信息，无需人工填写，自动成为数据记录的一部分。

缺陷三：集成不可预测。GUI 工具的 API 往往是 RESTful 或 GraphQL，但科研栈中大量遗留工具（如老版本 MATLAB、Fortran 编译器、专用仪器驱动）只有命令行接口。OpenResearch 的 CLI 设计采用“适配器模式”：orx exec --tool=matlab --args="-batch 'run_analysis.m'"并不调用 MATLAB GUI，而是启动 headless MATLAB 实例，捕获 stdout/stderr，将输出结构化为execution-result.json并存入本地日志。这种设计让二十年前的 Fortran 代码和最新的 PyTorch 模型，能在同一套orx工作流里被统一调度、统一记录、统一追溯。

2.3 autoresearch 不是取代人，而是将“研究惯例”转化为可执行协议

autoresearch 这个词常被误解为“AI自动科研”，但 OpenResearch 中它的本质是：把领域内公认的研究规范（best practices），用机器可解析的规则语言固化下来，形成可执行、可审计、可演进的协议。

举个具体例子：在计算生物学领域，“FAIR 原则”要求数据“可查找（Findable）”，但实践中，研究者往往只是把 PDF 丢进 Dropbox。OpenResearch 的 autoresearch 协议则定义：任何orx publish --dataset=human-microbiome命令，必须触发以下自动检查：

• ✅ 数据文件必须有README.md，且其中包含# Dataset ID: ORX-2024-0512-HM-001格式标识；
• ✅ 必须存在metadata.yaml，字段包括creator,license,temporal_coverage,spatial_coverage，且license必须是 SPDX 列表中的有效值（如CC-BY-4.0）；
• ✅ 所有数据文件必须通过orx validate --schema=bioml-dataset校验，该 schema 规定：.csv文件首行必须是列名，且sample_id列必须唯一、非空；
• ✅ 自动生成datacite.xml和codemeta.json，并提交到 Zenodo 的预注册端点（不上传文件，只占位 DOI）。

这些检查不是静态的“提交前弹窗提醒”，而是嵌入在orx publish命令执行链中的强制步骤。如果metadata.yaml缺少spatial_coverage字段，命令会立即失败并提示：“[ERROR] spatial_coverage is required for geospatial datasets. See https://orx.dev/schema/bioml-dataset”。这种设计把抽象原则变成了可执行的、带上下文的、有反馈的硬性约束。更重要的是，这些协议本身是可社区贡献的：任何人可以提交 PR 到openresearch/schemas仓库，新增一个quantum-chemistryschema，定义input.inp文件必须包含basis_set和functional字段，且值必须来自 DFT 参数库。autoresearch 的价值，正在于它让“如何做正确的事”，从导师口传心授的经验，变成了可安装、可更新、可验证的软件包。

3. OpenResearch 的核心实操环节：从初始化到日常使用的完整闭环

3.1 环境准备与 orx CLI 安装：避开 “unable to locate the codex cli binary” 类错误的本质原因

网络上大量关于 “unable to locate the codex cli binary or required runtime components” 的报错，根源在于混淆了两个概念：CLI 工具本身和它所依赖的运行时环境。OpenResearch 的orxCLI 是一个 Rust 编写的静态二进制文件（orx-linux-x86_64），它不依赖 Python、Node.js 或 Java 运行时；但它需要调用外部工具来完成特定任务（如用pdftotext提取 PDF 文本，用git管理版本，用curl同步数据）。所谓 “binary not found”，90% 的情况是：你下载了orx二进制，但没把它放进$PATH，或者没安装它依赖的底层工具。

正确安装步骤（以 Linux/macOS 为例）：

1. 下载并放置 orx 二进制
   访问官方 Releases 页面（https://github.com/openresearch/orx/releases），下载对应系统的最新版（如orx-v0.8.3-linux-x86_64.tar.gz）。解压后得到单个文件orx。不要直接运行它，而是：

   sudo install orx /usr/local/bin/orx

   这比chmod +x && ./orx更可靠，因为install命令会确保文件权限正确，且/usr/local/bin是绝大多数 shell 的默认$PATH路径。验证安装：

   orx --version # 应输出 v0.8.3

2. 安装必需的依赖工具
   orx本身不包含 PDF 处理、Git、Curl 等功能，它通过调用系统命令实现。必须确保以下工具已安装且在$PATH中：

   • git（>=2.25）：用于版本控制和同步；
   • curl（>=7.68）：用于 HTTP 请求；
   • pdftotext（来自 poppler-utils）：用于 PDF 文本提取；
   • jq（>=1.6）：用于 JSON 处理；
   • yq（>=4.30）：用于 YAML 处理。

   Ubuntu/Debian 系统一键安装：

   sudo apt update && sudo apt install -y git curl poppler-utils jq yq

   macOS（Homebrew）：

   brew install git curl poppler jq yq

   提示：很多用户卡在pdftotext上。poppler-utils是一个独立包，不是pdf-tools或ghostscript的一部分。which pdftotext返回空，就说明没装对。别试图用 Python 的PyPDF2替代——orx的设计哲学是“用最成熟、最稳定的系统级工具”，而不是捆绑一堆 Python 库。

3. 初始化全局配置
   首次运行orx会创建~/.orx/目录。但你需要主动配置关键参数：

   orx config set --key=workspace.path --value=~/research orx config set --key=git.default-remote --value=origin orx config set --key=pdf.extract-mode --value=ocr # 启用 OCR（需额外安装 tesseract）

   这些配置决定了orx的行为边界。workspace.path是所有研究数据的根目录，orx init创建的项目都会在此之下；git.default-remote指定了orx sync默认推送到哪个远程仓库；pdf.extract-mode设为ocr时，orx fetch会自动调用tesseract对扫描版 PDF 进行文字识别（需sudo apt install tesseract-ocr）。

   注意：orx config的配置项是分层的。全局配置（~/.orx/config.toml）可被项目级配置（./.orx/config.toml）覆盖。比如你在某个项目里想用不同的 Git 远程地址，就在该项目根目录下运行orx config set --local --key=git.default-remote --value=upstream。这种设计让团队协作时，每个人可以有自己的全局偏好，但项目本身能强制统一关键参数。

3.2 创建第一个研究项目：orx init的深层逻辑与模板选择

orx init看似简单，但它背后是 OpenResearch 对“研究项目”这一概念的重新定义。它不创建一个空文件夹，而是根据模板（template）注入一套预设的目录结构、配置文件和初始数据契约。

执行orx init --template=ml-repro后，你会得到这样的目录树：

my-ml-project/ ├── .orx/ # OpenResearch 项目专属配置 │ ├── config.toml # 项目级配置（覆盖全局） │ └── schema/ # 自定义数据 schema（如 experiment.schema.json） ├── papers/ # 文献管理区（结构化存储） │ ├── index.jsonl # 所有论文的流式索引 │ └── 10.1038-natcomms.../ # 每篇论文独立目录（含 PDF、BibTeX、annotations） ├── experiments/ # 实验管理区 │ ├── runs/ # 每次运行的快照（按 timestamp 命名） │ └── configs/ # 实验配置模板（YAML 格式） ├── data/ # 数据管理区（原始/处理/衍生） ├── code/ # 代码管理区（Git 子模块或独立 repo） ├── reports/ # 报告生成区（Markdown + Jinja 模板） └── README.orx.md # 符合 OpenResearch 协议的项目自述

这个结构不是随意设计的。papers/目录强制要求所有文献以 DOI 为唯一标识符（如10.1038-s41586-023-06291-2），杜绝了文件名混乱；experiments/runs/下的每次运行，都必须包含manifest.json（签名）、config.yaml（参数）、stdout.log（原始输出）、metrics.json（结构化指标）——这四个文件共同构成一次可验证的实验单元。

模板选择至关重要：

• ml-repro：针对机器学习项目，预置了experiments/configs/train.yaml模板，包含model,dataset,hyperparameters字段，并关联schema/experiment.schema.json强制校验；
• bio-lab：针对湿实验，预置了protocols/目录存放 SOP（标准操作流程）PDF，并支持orx protocol sign --id=PCR-2024-001生成电子签名；
• theoretical-physics：预置了derivations/目录，支持orx derive --input=eqn1.tex --output=eqn2.tex --rule=chain-rule调用 SymPy 进行符号推导并记录步骤。

实操心得：不要从--template=blank开始。即使你认为自己的项目很特殊，也先用最接近的模板（如ml-repro），然后通过orx schema extend --target=experiments --file=my-custom.schema.json添加自定义字段。OpenResearch 的 schema 系统支持继承和扩展，比从零写配置安全得多。我见过太多人因为手写config.yaml格式错误，导致orx run失败后花两小时 debug，其实orx schema validate --file=config.yaml一条命令就能定位问题。

3.3 日常核心工作流：orx fetch,orx run,orx log的真实使用场景

orx fetch：不只是下载 PDF，而是构建可追溯的文献知识图谱

传统文献管理工具的痛点是：你下载了 PDF，但不知道它来自哪个数据库、何时下载、是否最新版、与哪些其他论文相关。orx fetch解决这个问题：

orx fetch --doi=10.1038/s41586-023-06291-2 --include=citations --depth=2

这条命令做了五件事：

1. 从 Crossref API 获取该 DOI 的完整元数据（标题、作者、期刊、日期、引用数）；
2. 下载 PDF（如果开放获取）或生成access-note.md（说明获取途径）；
3. 下载该论文引用的参考文献（citations），并递归获取其中 2 层（--depth=2）的元数据；
4. 将所有元数据以 JSONL 格式追加到papers/index.jsonl，每行一个对象，包含@timestamp,@source,@id（DOI）,@version（Crossref 返回的 version 字段）；
5. 在papers/10.1038-s41586-023-06291-2/目录下生成citations-graph.dot，这是一个 Graphviz 文件，描述了该论文与引用文献的拓扑关系。

后续你可以用orx graph --query="SELECT * FROM papers WHERE cited_by='10.1038-s41586-023-06291-2'"查询所有引用它的论文，或者orx export --format=graphml --query="citations-graph"导出为 Gephi 可视化格式。这才是真正的“知识图谱”，不是营销话术。

orx run：让实验从“跑一次就忘”变成“每次都有身份证”

假设你有一个训练脚本train.py，传统做法是python train.py --lr=0.001 --epochs=100。在 OpenResearch 工作流中，你应该：

1. 先创建配置文件experiments/configs/exp-001.yaml：

   model: resnet50 dataset: imagenet-2023 hyperparameters: lr: 0.001 epochs: 100 batch_size: 32 resources: gpu: A100-80GB memory: 128GB

2. 执行orx run --config=exp-001.yaml --code=code/train.py。

orx run会：

• 生成唯一运行 ID（如run-20240512-142305-abc123）；
• 创建experiments/runs/run-20240512-142305-abc123/目录；
• 将exp-001.yaml复制为config.yaml，并添加@run_id和@timestamp字段；
• 执行code/train.py，捕获 stdout/stderr 到stdout.log；
• 运行后自动调用orx metrics extract --code=code/extract-metrics.py（如果存在），将metrics.json写入该目录；
• 最后生成manifest.json，包含所有文件的 SHA256 哈希和你的本地密钥签名。

现在，experiments/runs/目录下就是一个完整的、可验证的实验快照。你可以cd experiments/runs/run-20240512-142305-abc123 && orx verify确认它未被篡改；也可以orx diff --left=run-20240510 --right=run-20240512对比两次运行的配置差异和指标变化。

orx log：超越git log的研究活动审计

orx log不是简单的命令历史，而是研究行为的结构化日志：

orx log --event=fetch --since=2024-05-01 --author=me

输出示例：

2024-05-05T10:23:41Z | fetch | doi:10.1038/s41586-023-06291-2 | status:success | files:3 2024-05-06T15:11:22Z | run | config:exp-001.yaml | status:failed | error:OOM 2024-05-07T09:08:17Z | annotate | paper:10.1038-s41586-023-06291-2 | tag:methodology | quote:"We propose..."

每条日志都是一个 JSON 对象，存储在~/.orx/logs/下的日期分片文件中（如2024-05-01.jsonl）。orx log支持复杂查询：

• orx log --event=run --filter="status:success AND metrics.acc>0.95"：找出所有准确率超95%的成功运行；
• orx log --since=last-week --group-by=author：统计团队上周每人执行了多少次fetch、run、annotate。

这种日志让“研究进度”不再是主观描述，而是可量化的客观事实。投稿时，你可以orx log --export=csv --since=2024-01-01 > research-activity.csv，作为“工作量证明”附在 cover letter 里。

4. OpenResearch 的常见问题排查与避坑指南：从 “unable to locate the codex cli binary” 到生产环境陷阱

4.1 “unable to locate the codex cli binary or required runtime components” 错误的终极排查清单

这个错误信息本身有误导性——它并非orxCLI 的原生报错，而是某些第三方脚本（如旧版codex-cliwrapper）在尝试调用orx时的错误包装。真正的排查应聚焦于orx自身的依赖链。以下是按优先级排序的排查步骤：

关键经验：永远不要相信错误信息里的“codex cli”字样。OpenResearch 的orxCLI 与任何名为 “codex” 的工具无关。如果你在某个教程里看到codex-cli，那极大概率是另一个项目（可能是某个商业产品的内部工具），与 OpenResearch 无兼容性。遇到此类错误，第一步就是which orx && orx --version，确认你运行的确实是 OpenResearch 的官方 CLI。

4.2 “orx run failed: no such file or directory” 的隐蔽原因与修复

这个看似简单的错误，90% 源于orx run的路径解析逻辑。orx run默认在项目根目录（即包含.orx/目录的路径）下执行命令，而不是在你当前 shell 的工作目录。例如：

cd ~/research/my-project/code/ orx run --config=../experiments/configs/exp.yaml --code=train.py

你以为train.py在当前目录，但orx run会去~/research/my-project/（项目根目录）下找train.py，自然失败。

正确做法：

• 方案一（推荐）：始终在项目根目录下执行orx run：

  cd ~/research/my-project/ orx run --config=experiments/configs/exp.yaml --code=code/train.py

• 方案二：使用绝对路径（但破坏可移植性）：

  orx run --config=$(pwd)/experiments/configs/exp.yaml --code=$(pwd)/code/train.py

• 方案三：在config.yaml中指定code_path字段，让orx run自动解析相对路径。

避坑技巧：orx run支持--dry-run参数。执行orx run --dry-run --config=exp.yaml --code=train.py，它会打印出实际要执行的命令（如cd /home/user/research/my-project && python code/train.py ...），让你提前验证路径是否正确。这是调试路径问题的黄金法则。

4.3 生产环境陷阱：Git 同步冲突、Schema 版本漂移、密钥轮换

Git 同步冲突：当orx sync遇到 merge conflict

orx sync --to=github本质是git push，所以会遇到标准 Git 冲突。但 OpenResearch 的特殊性在于：papers/index.jsonl和experiments/runs/*/manifest.json是追加写入的，理论上不应冲突。真正的冲突点往往是experiments/configs/*.yaml或reports/weekly.md这类人工编辑的文件。

解决方案：

• 预防：对configs/目录启用 Git hooks，强制orx schema validate --file=$FILE在 commit 前校验 YAML 格式；
• 解决：当orx sync报错时，不要手动编辑index.jsonl。进入git status，找到冲突文件（如experiments/configs/exp-001.yaml），用orx config merge --base=HEAD --ours=HEAD --theirs=origin/main调用 OpenResearch 内置的 YAML 合并器（它理解字段语义，不会简单按行合并）；
• 恢复：如果合并失败，orx sync --abort可回滚到同步前状态。

Schema 版本漂移：当团队成员用不同版本的orx

OpenResearch 的 schema 是向后兼容的，但不保证向前兼容。例如，orx v0.8.3生成的manifest.json包含@schema_version: "1.2"字段，而orx v0.7.0无法解析1.2版本的新字段。

应对策略：

• 锁定版本：在项目根目录创建.orx-version文件，写入0.8.3。orx会检查此文件，若本地版本不匹配，提示升级；
• 渐进升级：orx schema migrate --from=1.1 --to=1.2可批量更新旧manifest.json文件，添加缺失字段并保持数据完整性；
• CI 检查：在 GitHub Actions 中添加步骤：

  - name: Validate schema version run: | if ! orx config get --key=schema.version | grep -q "1.2"; then echo "ERROR: schema version mismatch" exit 1 fi

密钥轮换：如何安全地更换你的 signing key

你生成的~/.orx/keys/id_rsa是用于签名manifest.json的。如果私钥泄露，必须轮换。OpenResearch 提供安全轮换流程：

1. 生成新密钥对：

   orx keys generate --name=new-key --bits=4096

2. 将新公钥发布到密钥服务器：

   orx keys publish --key=new-key --server=keyserver.ubuntu.com

3. 更新所有待签名对象的签名：

   orx sign --all --key=new-key --force

   此命令会遍历experiments/runs/和papers/下所有manifest.json，用新密钥重新签名，并保留旧签名在manifest.json.old中；
4. 设置新密钥为默认：

   orx config set --key=keys.default --value=new-key

终极提醒：永远不要删除旧密钥。旧签名的manifest.json依然有效，删除私钥会导致你无法验证自己过去签发的记录。OpenResearch 的设计允许多密钥共存，旧密钥用于验证历史，新密钥用于签署未来。

5. OpenResearch 的进阶应用：从个人工作流到团队知识基座

5.1 构建团队级研究知识图谱：orx graph与orx query的协同威力

单个研究者的orx fetch产生的是点状知识，但当整个团队的papers/index.jsonl通过orx sync --to=shared-git-repo同步到一个中央仓库时，就形成了一个动态演化的知识图谱。orx graph命令是挖掘这个图谱的瑞士军刀。

假设团队有 50 人，每人平均fetch20 篇论文，那么中央index.jsonl将包含上千条记录。你可以：

• 发现隐性合作网络：
  `orx graph --query="MATCH (a: