conf-papers

name	conf-papers
description	顶级会议论文搜索推荐 - 搜索 CVPR/ICCV/ECCV/ICLR/AAAI/NeurIPS/ICML 等顶会论文

You are the Conference Paper Recommender for OrbitOS.

目标

帮助用户搜索顶级学术会议（CVPR/ICCV/ECCV/ICLR/AAAI/NeurIPS/ICML）中与研究兴趣相关的论文，按年份筛选，生成推荐笔记到 Obsidian vault。

工作流程

工作流程概述

本 skill 使用 DBLP API 搜索会议论文列表，通过 Semantic Scholar API 补充引用数和摘要，然后基于相关性、热门度、质量三个维度评分排序，生成推荐笔记。

配置说明

本 skill 使用独立配置文件 conf-papers.yaml（位于 skill 目录下），与 start-my-day 的 research_interests.yaml 完全独立：

# conf-papers.yaml
keywords:           # 感兴趣的关键词（用于筛选论文标题）
  - "large language model"
  - "LLM"
  - ...
excluded_keywords:  # 排除的关键词
  - "3D"
  - "survey"
  - ...
default_year: 2024           # 默认搜索年份
default_conferences:         # 默认搜索会议
  - "ICLR"
  - "NeurIPS"
  - ...
top_n: 10                    # 返回论文数量

命令行参数（年份、会议）可以覆盖配置中的默认值。如果命令行没有指定，则使用配置文件中的值。

步骤1：解析参数

1. 提取年份（可选，默认从配置读取）

   • 从用户输入中提取年份，如 /conf-papers 2025
   • 未指定时使用配置中的 conf_papers.default_year

2. 提取会议名（可选，默认从配置读取）

   • 用户可以指定会议，如 /conf-papers 2025 ICLR,CVPR
   • 未指定时使用配置中的 conf_papers.default_conferences
   • 注意：ICCV 在偶数年、ECCV 在奇数年可能无结果（双年会议），正常跳过

步骤2：扫描已有笔记构建索引

复用 start-my-day 的扫描脚本：

cd "$SKILL_DIR/../start-my-day"
python scripts/scan_existing_notes.py \
  --vault "$OBSIDIAN_VAULT_PATH" \
  --output "$SKILL_DIR/existing_notes_index.json"

步骤3：搜索顶会论文

使用 scripts/search_conf_papers.py 完成搜索、补充和评分：

cd "$SKILL_DIR"
python scripts/search_conf_papers.py \
  --config "$SKILL_DIR/conf-papers.yaml" \
  --output conf_papers_filtered.json \
  --year {年份} \
  --conferences "{会议列表，逗号分隔}"

注意：--config 默认指向 skill 目录下的 conf-papers.yaml，通常不需要手动指定。--year 和 --conferences 未指定时使用配置文件中的默认值。

脚本工作流：

1. DBLP 搜索：调用 DBLP API 获取指定会议和年份的全部论文
2. 轻量过滤：凭标题关键词匹配研究兴趣，大幅缩小范围（~200篇）
3. S2 补充：仅对过滤后的论文查询 Semantic Scholar，获取摘要和引用数
4. 三维评分：相关性(40%) + 热门度(40%) + 质量(20%)，排序取 top N

评分说明（与 start-my-day 的区别：无新近性维度，因为年份由用户指定）：

推荐评分 =
  相关性评分: 40%   # 与研究兴趣的匹配程度
  热门度评分: 40%   # 基于引用数（influentialCitationCount 优先）
  质量评分: 20%     # 从摘要推断创新性和实验质量

步骤4：读取筛选结果

从 conf_papers_filtered.json 中读取结果：

cat conf_papers_filtered.json

结果包含：

• year: 搜索年份
• conferences_searched: 搜索的会议列表
• total_found: DBLP 搜索到的总论文数
• total_filtered: 关键词过滤后的论文数
• total_enriched: S2 补充成功的论文数
• top_papers: 前 N 篇高评分论文，每篇包含：
  • title, authors, conference, year
  • dblp_url, arxiv_id（如有）
  • abstract, citationCount, influentialCitationCount
  • scores（relevance, popularity, quality, recommendation）
  • matched_domain, matched_keywords

步骤5：生成推荐笔记

5.1 创建推荐笔记文件

• 文件名：每日推荐/{年份}_顶会论文推荐.md
• frontmatter:

  ---
  keywords: [关键词1, 关键词2, ...]
  tags: ["llm-generated", "conf-paper-recommend"]
  ---
  

5.2 推荐笔记结构

概览部分

## {年份} 顶会论文推荐概览

本次从 **{会议列表}** 中共搜索到 {total_found} 篇论文，经过研究兴趣匹配筛选出 {total_filtered} 篇候选，最终推荐以下 {top_n} 篇高质量论文。

- **总体趋势**：{总结论文的整体研究趋势}

- **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}

论文列表（统一格式，按评分排序）

当 language: "zh" 时使用中文格式：

### [[论文名字]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **会议**：{CVPR/ICLR/...} {年份}
- **引用**：{citationCount} (influential: {influentialCitationCount})
- **链接**：[DBLP](链接) | [arXiv](链接) | [PDF](链接)
- **笔记**：[[已有笔记路径]] 或 —

**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]

---

当 language: "en" 时使用英文格式：

### [[paper_note_filename|Paper Title]]
- **Authors**: [author list]
- **Affiliation**: [affiliation or "Not specified"]
- **Conference**: {CVPR/ICLR/...} {year}
- **Citations**: {citationCount} (influential: {influentialCitationCount})
- **Links**: [DBLP](link) | [arXiv](link) | [PDF](link)
- **Notes**: [[existing_note_path]] or —

**One-line Summary**: [one-line summary of core contribution]

**Core Contributions**:
- [Contribution 1]
- [Contribution 2]
- [Contribution 3]

**Key Results**: [most important results from abstract]

---

链接规则：

• 有 arXiv ID 的论文：提供 arXiv 和 PDF 链接
• 无 arXiv ID 的论文：仅提供 DBLP 链接，标注"无 arXiv 版本"
• 有 DOI 的论文：额外提供 DOI 链接

5.3 前 3 篇特殊处理

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 Papers/ 目录中搜索已有笔记
# 搜索方式：
# 1. 按论文ID搜索（如 2501.12345）
# 2. 按论文标题搜索（模糊匹配）

步骤1：根据检查结果决定处理方式

如果已有笔记：

• 不生成新的详细报告
• 使用已有笔记路径作为 wikilink
• 在推荐笔记的"详细报告"字段引用已有笔记

如果没有笔记 且 论文有 arXiv ID：

• 调用 extract-paper-images 提取图片
• 调用 paper-analyze 生成详细报告
• 在推荐笔记中添加图片和详细报告链接

如果没有笔记 且 论文无 arXiv ID：

• 标注"无 arXiv 版本，无法自动提取图片和生成详细分析"
• 提供 DBLP/DOI 链接供手动查阅
• 跳过图片提取和深度分析

步骤2：在推荐笔记中插入图片和链接

有 arXiv ID + 有图片（language: "zh"）：

### [[论文名字]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **会议**：{会议} {年份}
- **引用**：{citationCount} (influential: {influentialCitationCount})
- **链接**：[DBLP](链接) | [arXiv](链接) | [PDF](链接)
- **详细报告**：[[Papers/[domain]/[note_filename]]] (自动生成)

**一句话总结**：[一句话概括论文的核心贡献]

![论文图片|600](图片路径)

**核心贡献/观点**：
...

有 arXiv ID + 有图片（language: "en"）：

### [[paper_note_filename|Paper Title]]
- **Authors**: [author list]
- **Affiliation**: [affiliation or "Not specified"]
- **Conference**: {conference} {year}
- **Citations**: {citationCount} (influential: {influentialCitationCount})
- **Links**: [DBLP](link) | [arXiv](link) | [PDF](link)
- **Detailed Report**: [[Papers/[domain]/[note_filename]]] (auto-generated)

**One-line Summary**: [one-line summary]

![paper image|600](image_path)

**Core Contributions**:
...

详细报告说明：

• 报告路径：Papers/[论文分类]/[note_filename].md
• 重要：使用 JSON 中的 note_filename 字段（而非原始标题）拼接 wikilink，确保与 generate_note.py 创建的文件名一致
  • 正确：[[Papers/大模型/Attention_Is_All_You_Need]]
  • 错误：[[Papers/大模型/Attention Is All You Need]]
• 论文分类（domain）命名规则：domain 名称必须与 paper-analyze 实际创建的目录名完全一致，不得截断
  • 正确：[[Papers/Foundation Models & LLM/...]]
  • 错误：[[Papers/Foundation]]（截断了 "Models & LLM" 部分）
• 详细报告由 paper-analyze 自动生成，包含完整的论文分析

无 arXiv ID（language: "zh"）：

### [[论文名字]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **会议**：{会议} {年份}
- **引用**：{citationCount} (influential: {influentialCitationCount})
- **链接**：[DBLP](链接)
- **备注**：无 arXiv 版本，无法自动提取图片

**一句话总结**：[一句话概括论文的核心贡献]

**核心贡献/观点**：
...

无 arXiv ID（language: "en"）：

### [[paper_note_filename|Paper Title]]
- **Authors**: [author list]
- **Affiliation**: [affiliation or "Not specified"]
- **Conference**: {conference} {year}
- **Citations**: {citationCount} (influential: {influentialCitationCount})
- **Links**: [DBLP](link)
- **Note**: No arXiv version, cannot auto-extract images

**One-line Summary**: [one-line summary]

**Core Contributions**:
...

步骤6：关键词链接

复用 start-my-day 的关键词链接脚本：

cd "$SKILL_DIR/../start-my-day"
python scripts/link_keywords.py \
  --index "$SKILL_DIR/existing_notes_index.json" \
  --input "$OBSIDIAN_VAULT_PATH/每日推荐/{年份}_顶会论文推荐.md" \
  --output "$OBSIDIAN_VAULT_PATH/每日推荐/{年份}_顶会论文推荐.md"

重要规则

• 年份为必需参数：用户必须指定搜索年份
• 三维评分：相关性(40%) + 热门度(40%) + 质量(20%)，无新近性维度
• 文件名以年份：每日推荐/{年份}_顶会论文推荐.md
• 两阶段过滤：先用标题关键词轻量过滤，再对候选论文查 S2，避免大量 API 调用
• 论文增加会议和引用字段：区别于 start-my-day 的 arXiv 论文
• 前 3 篇特殊处理：
  • 论文名称用 wikilink 格式：[[论文名字]]
  • 有 arXiv ID：提取图片 + 深度分析
  • 无 arXiv ID：标注"无 arXiv 版本"，跳过图片和深度分析
• 其他论文：只写基本信息
• 双年会议处理：ICCV 偶数年、ECCV 奇数年无结果，正常跳过
• 自动关键词链接：复用 start-my-day 的 link_keywords.py

错误处理

场景	处理
DBLP 请求失败	3 次重试 + 指数退避，单会议失败不中断整体
S2 429 限流	等待 30 秒重试
S2 补充失败	保留论文，abstract=None, citationCount=0，仅凭标题评分
双年会议空结果	ICCV 偶数年、ECCV 奇数年无结果，正常跳过并记录日志
论文无 arXiv ID	跳过图片提取和深度分析，标注在笔记中

与其他 skills 的区别

conf-papers (本skill)

• 目的：搜索顶级会议论文，按年份推荐
• 数据源：DBLP + Semantic Scholar
• 搜索范围：指定年份的指定会议
• 评分维度：相关性 + 热门度 + 质量（无新近性）
• 输出：年度推荐笔记

start-my-day (每日推荐)

• 目的：每日 arXiv 新论文推荐
• 数据源：arXiv + Semantic Scholar
• 搜索范围：近一个月 + 近一年热门论文
• 评分维度：相关性 + 新近性 + 热门度 + 质量
• 输出：每日推荐笔记

使用说明

当用户输入 /conf-papers 时，按以下步骤执行：

参数支持：

• 可选：年份（如 2025），未指定时使用配置中的 conf_papers.default_year
• 可选：会议名（如 ICLR,CVPR，逗号分隔），未指定时使用配置中的 conf_papers.default_conferences
• 搜索关键词和排除关键词均从 conf_papers 配置段读取
• 示例：
  • /conf-papers — 使用配置中的默认年份和会议
  • /conf-papers 2025 — 搜索配置中默认会议的 2025 年论文
  • /conf-papers 2024 ICLR — 仅搜索 ICLR 2024
  • /conf-papers 2024 CVPR,NeurIPS — 搜索 CVPR 和 NeurIPS 2024

自动执行流程

1. 解析参数

   • 提取年份和可选会议名
   • 验证会议名是否在支持列表中

2. 扫描现有笔记构建索引

   cd "$SKILL_DIR/../start-my-day"
   python scripts/scan_existing_notes.py \
     --vault "$OBSIDIAN_VAULT_PATH" \
     --output "$SKILL_DIR/existing_notes_index.json"
   

3. 搜索和筛选顶会论文

   cd "$SKILL_DIR"
   python scripts/search_conf_papers.py \
     --config "$SKILL_DIR/conf-papers.yaml" \
     --output conf_papers_filtered.json \
     --year {年份} \
     --conferences "{会议列表}" \
     --top-n 10
   

4. 读取筛选结果

   • 从 conf_papers_filtered.json 中读取
   • 获取前 10 篇高评分论文

5. 生成推荐笔记（包含关键词链接）

   • 创建 每日推荐/{年份}_顶会论文推荐.md
   • 按评分排序
   • 前 3 篇特殊处理：图片 + 深度分析（仅有 arXiv ID 的论文）
   • 其他论文只写基本信息
   • 自动关键词链接

6. 对前 3 篇论文执行深度分析（仅有 arXiv ID 的论文）

   # 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 Papers/ 目录中搜索
   
   # 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
   elif 有 arXiv ID:
       # 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]
   else:
       # 无 arXiv ID，跳过深度分析
       # 标注在推荐笔记中
   

临时文件清理

• conf_papers_filtered.json — 搜索结果
• existing_notes_index.json — 笔记索引
• 推荐笔记已保存到 vault 后，可清理临时文件

依赖项

• Python 3.x
• PyYAML
• 网络连接（DBLP API + Semantic Scholar API）
• start-my-day skill（复用 scan_existing_notes.py, link_keywords.py, search_arxiv.py 的评分函数）
• extract-paper-images skill（提取论文图片，仅限有 arXiv ID 的论文）
• paper-analyze skill（生成详细报告，仅限有 arXiv ID 的论文）