القائمة
يُحدَّد Prompt الذي يراجع المصدر أولًا بشكل افتراضي. يمكنك التبديل إلى أمر مباشر أو تنزيل نسخة محلية.
اقرأ SKILL.md وأي ملفات مرافقة يعرضها SkillsMP قبل أن تقرر التثبيت.
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
يتجاوز الأمر المباشر Prompt المخصّص للمراجعة. افحص المصدر قبل تشغيله.
npx skills add https://github.com/wangzr040220/claude-article-read --skill start-my-dayيبقى الأمر في سطر واحد. مرّر أفقيًا لمراجعته كاملًا قبل النسخ.
تفضّل نسخة محلية؟ نزّل الملفات المتاحة حاليًا لدى SkillsMP.
عرض SKILL.md
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 "cs.AI,cs.LG,cs.CL,cs.CV,cs.MM,cs.MA,cs.RO"
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: 30%
质量评分: 10%
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-HH-mm论文推荐.md（包含时分，支持一天多次搜索）keywords: 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 "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...
# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input 10_Daily/YYYY-MM-DD-HH-mm论文推荐.md \
--output 10_Daily/YYYY-MM-DD-HH-mm论文推荐_linked.md
注意：
10_Daily/YYYY-MM-DD-HH-mm论文推荐.md 格式（支持一天多次搜索）[[论文名字]]paper-analyze 生成详细报告BLIP → [[BLIP]][[论文名字]]paper-analyze 生成详细报告/paper-analyze [论文ID] 或论文标题当用户输入 "start my day" 时，按以下步骤执行：
日期参数支持：
/start-my-day 2026-02-27获取目标日期
扫描现有笔记构建索引
# 扫描 vault 中现有的论文笔记
cd "$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 "$OBSIDIAN_VAULT_PATH/99_System/Config/research_interests.yaml" \
--output arxiv_filtered.json \
--max-results 200 \
--top-n 10 \
--categories "cs.AI,cs.LG,cs.CL,cs.CV,cs.MM,cs.MA,cs.RO" \
--target-date "{目标日期}" # 如果用户指定了日期，替换为实际日期
读取筛选结果
arxiv_filtered.json 中读取筛选结果生成推荐笔记（包含关键词链接）
10_Daily/YYYY-MM-DD-HH-mm论文推荐.md（使用当前日期时间）[[论文名字]]existing_notes_index.json 进行匹配BLIP → [[BLIP]]20_Research/Papers/ 目录（用于扫描现有笔记和保存详细报告）extract-paper-images skill（用于提取论文图片）paper-analyze skill（用于生成详细报告）位于 scripts/search_arxiv.py，功能包括：
arxiv_filtered.json位于 scripts/scan_existing_notes.py，功能包括：
20_Research/Papers/ 下所有 .md 文件existing_notes_index.json使用方法：
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
输出格式：
{
"notes": [
{
"path": "20_Research/Papers/多模态技术/BLIP_Bootstrapping-Language-Image-Pre-training.md",
"filename": "BLIP_Bootstrapping-Language-Image-Pre-training.md",
"title": "BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation",
"title_keywords": ["BLIP", "Bootstrapping", "Language-Image", "Pre-training", "Unified", "Vision-Language", "Understanding", "Generation"],
"tags": ["Vision-Language-Pre-training", "Multimodal-Encoder-Decoder", "Bootstrapping", "Image-Captioning", "Image-Text-Retrieval", "VQA"]
}
位于 scripts/link_keywords.py，功能包括：
existing_notes_index.json 加载笔记映射[[BLIP]]）使用方法：
# 首先切换到 skill 目录，然后执行脚本
cd "$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-HH-mm论文推荐.md \
--output 10_Daily/YYYY-MM-DD-HH-mm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-HH-mm论文推荐.md \
--output 10_Daily/YYYY-MM-DD-HH-mm论文推荐_linked.md
关键特性：
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]