القائمة
论文阅读工作流启动 - 生成今日论文推荐笔记
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
| name | start-my-day |
| description | 论文阅读工作流启动 - 生成今日论文推荐笔记 |
You are the Daily Paper Workflow Starter for OrbitOS.
帮助用户开启他们的研究日，搜索最近一个月和最近一年的极火、极热门、极优质论文，生成推荐笔记。
本 skill 使用 Python 脚本调用 arXiv API 搜索论文，解析 XML 结果并根据研究兴趣进行筛选和评分。
获取今日日期
读取研究配置
$OBSIDIAN_VAULT_PATH/99_System/Config/research_interests.yaml（注意：文件名是 interests 不是 interest）获取研究领域扫描现有笔记构建索引
20_Research/Papers/ 目录下的所有 .md 文件搜索所有相关分类的最近论文：
搜索范围
scripts/search_arxiv.py 搜索 arXiv筛选策略
使用 scripts/search_arxiv.py 脚本完成搜索、解析和筛选：
# 使用 Python 脚本搜索、解析和筛选 arXiv 论文
# 首先切换到 skill 目录，然后执行脚本
cd "$SKILL_DIR"
python scripts/search_arxiv.py \
--config "$OBSIDIAN_VAULT_PATH/99_System/Config/research_interests.yaml" \
--output arxiv_filtered.json \
--max-results 200 \
--top-n 10 \
--categories "stat.ML,stat.ME,q-fin.ST,q-fin.CP,cs.CL,cs.SD,stat.AP"
脚本功能：
搜索 arXiv
解析 XML 结果
应用筛选和评分
输出：
arxiv_filtered.json - 筛选后的论文列表（JSON 格式）从 arxiv_filtered.json 中读取筛选和评分后的论文列表：
# 读取筛选结果
cat arxiv_filtered.json
结果包含：
total_found: 搜索到的总论文数total_filtered: 筛选后的论文数top_papers: 前10篇高评分论文，每篇包含：
综合多个维度的评分：
推荐评分 =
相关性评分: 40%
新近性评分: 20%
热门度评分: 10%
质量评分: 30%
评分细则：
相关性评分 (40%)
新近性评分 (20%)
热门度评分 (30%)
质量评分 (10%)
最终推荐评分 = 相关性(40%) + 新近性(20%) + 热门度(30%) + 质量(10%)
从 arxiv_filtered.json 中读取筛选后的论文列表：
创建推荐笔记文件
10_Daily/YYYY-MM-DD论文推荐.mdkeywords: 当天推荐论文的关键词（逗号分隔，从论文标题和摘要中提取）tags: ["llm-generated", "daily-paper-recommend"]检查论文是否值得详细写
检查论文是否已有笔记
20_Research/Papers/ 目录笔记文件结构如下：
---
keywords: [关键词1, 关键词2, ...]
tags: ["llm-generated", "daily-paper-recommend"]
---
[具体论文推荐列表...]
在论文列表之前，添加一个"今日概览"部分，总结今日推荐论文的整体情况：
## 今日概览
今日推荐的{论文数量}篇论文主要聚焦于**{主要研究方向1}**、**{主要研究方向2}**和**{主要研究方向3}**等前沿方向。
- **总体趋势**：{总结今日论文的整体研究趋势，如多模态模型推理能力、大模型高效推理优化等}
- **质量分布**：今日推荐的论文评分在 {最低分}-{最高分} 之间，{整体质量评价}。
- **研究热点**：
- **{热点1}**：{简要描述}
- **{热点2}**：{简要描述}
- **{热点3}**：{简要描述}
- **阅读建议**：{给出阅读顺序建议，如建议先阅读某篇了解某方向，再关注某篇的方法等}
说明：
所有论文按评分从高到低排列，使用统一格式
### [[论文名字]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv]
- **笔记**：[[已有笔记路径]] 或 <<无>>
**一句话总结**：[一句话概括论文的核心贡献]
**核心贡献/观点**：
- [贡献点1]
- [贡献点2]
- [贡献点3]
**关键结果**：[从摘要中提取的最重要结果]
---
说明：
[[论文名字]]对于前3篇论文（评分最高的3篇）：
步骤0：检查论文是否已有笔记
# 在 20_Research/Papers/ 目录中搜索已有笔记
# 搜索方式：
# 1. 按论文ID搜索（如 2602.23351）
# 2. 按论文标题搜索（模糊匹配）
# 3. 按论文标题关键词搜索
步骤1：根据检查结果决定处理方式
如果已有笔记：
extract-paper-images如果没有笔记：
extract-paper-images 提取图片paper-analyze 生成详细报告步骤2：在推荐笔记中插入图片和链接
如果已有笔记：
### [[已有论文名称]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv]
- **详细报告**：[[已有笔记路径]]
- **笔记**：已有详细分析
**一句话总结**：[一句话概括论文的核心贡献]
**核心贡献/观点**：
...
如果没有笔记：
### [[论文名字]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv]
- **详细报告**：[[详细报告路径]] (自动生成)
**一句话总结**：[一句话概括论文的核心贡献]
**核心贡献/观点**：
...
图片说明：
20_Research/Papers/[论文分类]/images/[论文ID]_fig1.png详细报告说明：
20_Research/Papers/[论文分类]/[论文标题].md[[论文名字]]，关联到详细报告paper-analyze 自动生成，包含完整的论文分析在生成推荐笔记后，自动链接关键词到现有笔记：
# 步骤1：扫描现有笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...
# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input 10_Daily/YYYY-MM-DD论文推荐.md \
--output 10_Daily/YYYY-MM-DD论文推荐_linked.md
注意：
10_Daily/YYYY-MM-DD论文推荐.md 格式[[论文名字]]paper-analyze 生成详细报告BLIP → [[BLIP]][[论文名字]]paper-analyze 生成详细报告/paper-analyze [论文ID] 或论文标题当用户输入 "start my day" 时，按以下步骤执行：
日期参数支持：
/start-my-day 2026-02-27获取目标日期
扫描现有笔记构建索引
# 扫描 vault 中现有的论文笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
20_Research/Papers/ 目录搜索和筛选 arXiv 论文
# 使用 Python 脚本搜索、解析和筛选 arXiv 论文
# 首先切换到 skill 目录，然后执行脚本
# 如果有目标日期参数（如 2026-02-21），传递给 --target-date
cd "$SKILL_DIR"
python scripts/search_arxiv.py \
--config "$OBSIDIAN_VAULT_PATH/99_System/Config/research_interests.yaml" \
--output arxiv_filtered.json \
--max-results 200 \
--top-n 10 \
--categories "stat.ML,stat.ME,q-fin.ST,q-fin.CP,cs.CL,cs.SD,stat.AP" \
--target-date "{目标日期}" # 如果用户指定了日期，替换为实际日期
读取筛选结果
arxiv_filtered.json 中读取筛选结果生成推荐笔记（包含关键词链接）
10_Daily/YYYY-MM-DD论文推荐.md（使用目标日期）[[论文名字]]existing_notes_index.json 进行匹配BLIP → [[BLIP]]对前三篇论文执行深度分析
# 对每篇前三论文执行以下操作
# 步骤1：检查论文是否已有笔记
# 在 20_Research/Papers/ 目录中搜索
# - 按论文ID搜索（如 2602.23351）
# - 按论文标题搜索（模糊匹配）
# - 按论文标题关键词搜索（如 "Pragmatics", "Reporting Bias"）
# 步骤2：根据检查结果决定处理方式
if 已有笔记:
# 不生成新的详细报告
# 使用已有的笔记路径
# 只提取图片（如果没有图片的话）
else:
# 提取第一张图片
/extract-paper-images [论文ID]
# 生成详细分析报告
/paper-analyze [论文ID]
20_Research/Papers/ 目录（用于扫描现有笔记和保存详细报告）extract-paper-images skill（用于提取论文图片）paper-analyze skill（用于生成详细报告）位于 scripts/search_arxiv.py，功能包括：
arxiv_filtered.json位于 scripts/scan_existing_notes.py，功能包括：
20_Research/Papers/ 下所有 .md 文件existing_notes_index.json使用方法：
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
输出格式：
{
"notes": [
{
"path": "20_Research/Papers/多模态技术/BLIP_Bootstrapping-Language-Image-Pre-training.md",
"filename": "BLIP_Bootstrapping-Language-Image-Pre-training.md",
"title": "BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation",
"title_keywords": ["BLIP", "Bootstrapping", "Language-Image", "Pre-training", "Unified", "Vision-Language", "Understanding", "Generation"],
"tags": ["Vision-Language-Pre-training", "Multimodal-Encoder-Decoder", "Bootstrapping", "Image-Captioning", "Image-Text-Retrieval", "VQA"]
}
],
"keyword_to_notes": {
"blip": ["20_Research/Papers/多模态技术/BLIP_Bootstrapping-Language-Image-Pre-training.md"],
"bootstrapping": ["20_Research/Papers/多模态技术/BLIP_Bootstrapping-Language-Image-Pre-training.md"],
"vision-language": ["20_Research/Papers/多模态技术/BLIP_Bootstrapping-Language-Image-Pre-training.md"]
}
}
位于 scripts/link_keywords.py，功能包括：
existing_notes_index.json 加载笔记映射[[BLIP]]）使用方法：
# 首先切换到 skill 目录，然后执行脚本
cd "$SKILL_DIR"
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input "input.txt" \
--output "output.txt"
匹配示例：
原始文本：
"这篇论文使用了BLIP和CLIP作为基线方法。"
处理后：
"这篇论文使用了[[BLIP]]和[[CLIP]]作为基线方法。"
使用方法：
# 步骤1：扫描现有笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...
# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input 10_Daily/YYYY-MM-DD论文推荐.md \
--output 10_Daily/YYYY-MM-DD论文推荐_linked.md
关键特性：
功能概述： 在生成每日推荐笔记后，自动扫描现有笔记，将文本中的关键词（如BLIP、CLIP等）替换为wikilink（如[[BLIP]]）。
实现流程：
扫描现有笔记：扫描 20_Research/Papers/ 目录
生成推荐笔记：正常生成推荐笔记内容
链接关键词：处理生成的笔记
使用方法：
# 步骤1：扫描现有笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...
# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input 10_Daily/YYYY-MM-DD论文推荐.md \
--output 10_Daily/YYYY-MM-DD论文推荐_linked.md
关键特性：