research-literature

name	research-literature
description	Busca artículos académicos usando EXA, Semantic Scholar y Google Scholar. Usa cuando el usuario necesita encontrar fuentes para un paper, revisar literatura, o dice "busca papers sobre...", "encuentra artículos de...", "qué investigaciones hay sobre...".
language	es-CO
metadata	{"version":"1.1.0","trit":0,"risk_tier":"CAUTION"}

Research Literature

Propósito

Skill de descubrimiento de fuentes académicas. Recibe un tema de investigación y devuelve fuentes identificadas con metadatos estructurados (DOI, PMID, URL, autores, año, resumen). Las fuentes descubiertas se entregan como insumo al skill generar-paper, que se encarga de validarlas, formatearlas y componer el documento final.

Este skill no valida citas ni compone documentos. Solo busca y descubre. La validación rigurosa la hace generar-paper con su pipeline de verificación Tier C.

Arquitectura

Tema de investigación → [EXA → Semantic Scholar → Google Scholar] → Fuentes estructuradas → generar-paper

El pipeline de búsqueda es en cascada, por orden de preferencia:

Prioridad	Herramienta	Fortaleza
1	EXA	Búsqueda semántica con embeddings, alta precisión, filtra por categoría research paper
2	Semantic Scholar	API gratuita, metadatos ricos (citas, venues, campos de estudio), sin API key requerida
3	Google Scholar	Cobertura máxima, sin API (búsqueda manual guiada por estrategia documentada)

El agente debe intentar EXA primero. Si no hay API key o los resultados son insuficientes, pasa a Semantic Scholar. Google Scholar es el último recurso para búsqueda manual.

Workflow

1. Recibir consulta

El usuario entrega un tema de investigación, idealmente con filtros:

• Rango de años (--start-year, --end-year)
• Dominios o venues específicos
• Tipo de publicación (artículo, review, conference paper)
• Mínimo de citas

2. Ejecutar búsqueda (en cascada)

EXA (prioridad 1)

script: search_exa.py

# Búsqueda semántica básica
python scripts/search_exa.py "machine learning in healthcare" --limit 10

# Con filtros de año y dominio
python scripts/search_exa.py "transformer attention mechanisms" \
  --start-year 2020 --end-year 2025 \
  --domains arxiv.org --limit 20 \
  --output resultados.json

# Salida en BibTeX
python scripts/search_exa.py "neural rendering" --format bibtex --output referencias.bib

Requiere: EXA_API_KEY en variable de entorno.

Semantic Scholar (prioridad 2)

script: search_semantic_scholar.py

# Búsqueda por palabra clave
python scripts/search_semantic_scholar.py "coral reef conservation" --limit 20

# Con filtros de año, venue y tipo de publicación
python scripts/search_semantic_scholar.py "quantum error correction" \
  --year 2022-2025 \
  --venue "Nature|Science|Physical Review" \
  --publication-types JournalArticle \
  --min-citations 10 \
  --output papers.json

# Búsqueda por título (útil para verificar si un paper existe)
python scripts/search_semantic_scholar.py --match "Attention Is All You Need"

No requiere API key (rate limit: 100 req/5 min sin key). Con SEMANTIC_SCHOLAR_API_KEY el límite sube a 100 req/seg.

Google Scholar (prioridad 3)

Sin script. El agente realiza búsqueda manual guiada por la estrategia documentada en references/buscar-google-scholar.md. Usar operadores author:, intitle:, source: y filtros por año. Google Scholar es el último recurso cuando las APIs no devuelven resultados suficientes.

3. Entregar fuentes

Cuando se usan múltiples herramientas, combinar los resultados con merge_results.py para eliminar duplicados antes de entregar a generar-paper:

python scripts/merge_results.py exa_results.json semantic_results.json \
  --output unified.json

El skill produce un archivo JSON estructurado con las fuentes encontradas:

{
  "query": "machine learning in healthcare",
  "timestamp": "2026-06-14T10:30:00",
  "sources_used": ["exa", "semantic_scholar"],
  "total_results": 25,
  "results": [
    {
      "title": "Deep Learning for Healthcare: Review, Opportunities and Challenges",
      "authors": ["Smith, John", "Doe, Jane"],
      "year": 2024,
      "doi": "10.1000/xyz123",
      "url": "https://doi.org/10.1000/xyz123",
      "abstract": "This paper reviews...",
      "source": "exa",
      "citation_count": 42
    }
  ]
}

4. Integración con generar-paper

El skill research-literature entrega fuentes identificadas (DOIs, URLs, metadatos). El skill generar-paper las recibe y ejecuta su pipeline: extracción → validación Tier C → formateo BibTeX → composición Typst → PDF.

El agente carga ambos skills juntos cuando el usuario pide buscar fuentes Y generar un paper. La orquestación es a nivel de agente, no de código. Ver references/estrategia-busqueda.md para el flujo de integración.

Referencias

Guía	Propósito
references/buscar-exa.md	Guía de búsqueda con EXA: filtros, categorías, estrategias de query
references/buscar-semantic-scholar.md	Guía de búsqueda con Semantic Scholar: endpoints, filtros, campos disponibles
references/buscar-google-scholar.md	Estrategia de búsqueda manual en Google Scholar: operadores, filtros, tácticas
references/estrategia-busqueda.md	Estrategia general: cuál herramienta usar, cuándo, y cómo combinarlas

Scripts

Script	Propósito
scripts/search_exa.py	Búsqueda semántica con EXA API vía exa-py
scripts/search_semantic_scholar.py	Búsqueda con Semantic Scholar API REST
scripts/merge_results.py	Combinar y deduplicar resultados de múltiples fuentes

Dependencias

• Python 3.10+ — para todos los scripts
• exa-py — SDK de Python para EXA API (pip install exa-py)
• requests — para Semantic Scholar API (pip install requests)

Habilidades complementarias

• generar-paper — validar citas y componer documentos. Cargar después de obtener fuentes con este skill.
• find-docs — consultar documentación actualizada de EXA, Semantic Scholar, o APIs relacionadas.