学术研究技能：用 AI 自动化文献综述——31K 星框架 2026

# 安装学术研究技能
npx skills add https://github.com/Imbad0202/academic-research-skills

# 列出可用的研究技能
npx skills list | grep research

# 示例："transformer 效率"研究流水线
# 第一步：搜索
python3 scripts/search.py --query "transformer model efficiency optimization" --databases arxiv,pubmed --max-results 50

# 第二步：按相关性过滤
python3 scripts/filter.py --input search_results.json --min-citations 10 --max-age 365

# 第三步：提取关键发现
python3 scripts/extract.py --papers filtered_papers.json --fields methods,results,limitations

# 第四步：综合
python3 scripts/synthesize.py --extractions extractions.json --output synthesis.md

# 克隆仓库
curl -sL "https://github.com/Imbad0202/academic-research-skills/archive/refs/heads/main.zip" -o /tmp/research-skills.zip
unzip -q /tmp/research-skills.zip -d /tmp
cd /tmp/academic-research-skills-main

# 安装依赖
pip install -r requirements.txt

# 配置 API 密钥
cp config.example.yaml config.yaml
# 编辑 config.yaml 填入你的 API 密钥

# 验证 API 密钥配置
python3 scripts/verify_config.py

# 测试 Semantic Scholar API
python3 -c "
import requests
resp = requests.get('https://api.semanticscholar.org/graph/v1/paper/search', params={
    'query': 'transformer attention',
    'limit': 1
})
print(f'Status: {resp.status_code}, Results: {len(resp.json().get(\"data\", []))}')
"

# 构建 Docker 镜像
docker build -t research-skills:latest .

# 挂载配置文件运行
docker run -v $(pwd)/config.yaml:/app/config.yaml research-skills:latest \
  python3 scripts/research.py --topic "LLM 微调策略"

# 使用 GPU 支持进行 PDF OCR
docker run --gpus all -v $(pwd)/config.yaml:/app/config.yaml research-skills:latest \
  python3 scripts/extract.py --papers papers.json --with-ocr

# 将研究发现导出为 Zotero 兼容的 CSV
python3 scripts/export.py --format zotero --input synthesis.json --output references.csv

# 生成 Overleaf 可用的 LaTeX 参考文献
python3 scripts/export.py --format latex --input synthesis.json --output bibliography.bib

# 自动化与手动引文提取准确率对比
metrics = {
    "precision": 0.91,    # 在提取的引文中，91% 是正确的
    "recall": 0.89,       # 在所有相关引文中，发现了 89%
    "f1_score": 0.90,     # 精确率和召回率的调和平均
    "time_saved_hours": 36 # 每次综述节省 36 小时
}

# 跨多个数据库搜索并统一结果
from research_pipeline import MultiDatabaseSearcher

searcher = MultiDatabaseSearcher(
    databases=["arxiv", "semantic_scholar", "pubmed", "crossref"],
    query="reinforcement learning alignment",
    date_range=("2024-01-01", "2026-06-15"),
    min_citations=5
)

results = searcher.run()
print(f"在 {len(set(r['database'] for r in results))} 个数据库中找到了 {len(results)} 篇论文")

# 构建和可视化引文网络
from citation_network import CitationGraph

graph = CitationGraph.from_papers(results)
graph.compute_centrality()  # PageRank、H指数、引用次数

# 识别开创性论文
seminal = graph.get_top_cited(k=10)
for paper in seminal:
    print(f"{paper.title} — {paper.citation_count} 次引用")

# 为不同类型的综述定义自定义综合模板
templates = {
    "systematic_review": {
        "sections": ["引言", "方法", "结果", "讨论", "局限性"],
        "citation_style": "APA",
        "min_papers": 15
    },
    "survey_paper": {
        "sections": ["背景", "分类法", "方法比较", "应用", "未来方向"],
        "citation_style": "IEEE",
        "min_papers": 30
    },
    "rapid_review": {
        "sections": ["概述", "关键发现", "证据空白"],
        "citation_style": "Vancouver",
        "min_papers": 8
    }
}

from citation_formatter import CitationFormatter

formatter = CitationFormatter(style="APA", version="7th")
formatted = formatter.format(results)

# 导出为多种格式
formatted.export("references_apa.txt")
formatted.export("references_bib.bib")
formatted.export("references_ris.ris")

# 快速适用性检查
# ✅ 系统性文献综述 → 适合
# ✅ 引文网络分析 → 适合
# ✅ 查找特定主题的论文 → 适合
# ✅ 从零撰写基金提案 → 部分适合（需要手动输入）
# ✅ 非英语文献综述 → 不适合（谨慎使用）

npx skills add https://github.com/Imbad0202/academic-research-skills