| name | research-plan |
| description | 科研分析策略规划助手。根据用户的科研分析需求，通过调研顶尖期刊/会议论文的分析方法，制定个性化、可落地的最优分析策略。适用于需要制定实验设计、数据分析流程、技术路线的场景；兼容旧名 make-research-plan 的 prompt 触发。 |
| metadata | {"author":"Bensz Conan","short-description":"基于文献调研制定科研分析策略","keywords":["research-plan","make-research-plan","科研规划","文献调研","分析策略","实验设计","技术路线","方法学学习","分析计划","研究方案"]} |
Research Plan
BenszAPI 任务工作区
本 Skill 的新任务中间文件统一写入 ./.bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/{skill名}/input|output|log/。同一任务复用一个任务根目录；多 Skill 协作才创建 shared/。正式交付物不写入该目录，历史隐藏目录只允许显式兼容读取、迁移或清理。
与 bensz-collect-bugs 的协作约定
- 因本 skill 设计缺陷导致的 bug，先用
bensz-collect-bugs 规范记录到 ~/.bensz-skills/bugs/，不要直接修改用户本地已安装的 skill 源码；若有 workaround，先记 bug，再继续完成任务。
- 只有用户明确要求“report bensz skills bugs”等公开上报时，才用本地
gh 上传新增 bug 到 huangwb8/bensz-bugs；不要 pull / clone 整个仓库。
基于文献调研的科研分析策略规划助手
旧名 make-research-plan 仅作为 prompt 兼容别名保留；.make-research-plan/ 是稳定历史工作区名，不随 skill 目录重命名。
核心功能
本 Skill 通过系统化调研顶尖期刊/会议论文，为用户制定个性化、可落地的科研分析策略。
核心价值
- 证据驱动：基于顶级期刊论文的方法学，而非凭空设计
- 系统性调研：自动化的文献检索、筛选、下载流程
- 深度学习：从 PDF 中提取分析方法和技术细节
- 可落地性：输出清晰的目标/步骤，可直接执行
使用场景
- 制定实验设计方案
- 规划数据分析流程
- 设计技术路线图
- 确定统计方法选择
- 制定可视化策略
工作流程
阶段 0：初始化
输入：
操作：
- 验证工作目录存在且可写
- 创建隐藏工作目录
.make-research-plan/
- 明确告知用户创建的目录位置和用途
输出：
.make-research-plan/ 目录结构
目录结构：
.make-research-plan/
├── papers/ # 下载的 PDF 文献
├── metadata/ # 调研元数据
│ ├── theme.json # 主题和关键词
│ └── search_history.json # 检索历史
├── extracted/ # 提取的文献信息
│ └── papers_info.json # 论文结构化信息
├── analysis-framework.md # 分析框架总结
└── plan.md # 最终分析策略计划
阶段 1：主题提取与文献调研
步骤 1.1：主题提取
目标： 从用户需求中结构化提取研究主题和关键词
方法：
- 分析用户需求文本
- 识别核心研究领域
- 提取关键概念术语
- 生成多个相关主题（如适用）
- 为每个主题生成 3-5 个关键词
输出： metadata/theme.json
{
"primary_topic": {
"name": "主题名称",
"description": "主题描述",
"keywords": ["关键词1", "关键词2", "关键词3"]
},
"secondary_topics": [
{
"name": "相关主题1",
"keywords": ["关键词1", "关键词2"]
}
],
"extracted_at": "2026-01-19T09:30:00Z"
}
步骤 1.2：文献检索
检索策略：
-
多源检索：
- PubMed（生物医学）
- Google Scholar（综合）
- IEEE Xplore（工程技术）
- arXiv（预印本）
- Semantic Scholar（AI 驱动）
-
检索式构建：
- 主主题关键词 AND 分析方法相关词
- 优先检索近 5 年文献
- 限定高影响因子期刊/顶级会议
-
质量过滤：
- 优先 peer-reviewed 文章
- 排除非英文文献（除非用户指定）
- 优先高引用论文
输出： metadata/search_history.json
{
"searches": [
{
"topic": "主题名称",
"query": "检索式",
"source": "数据源",
"results_count": 150,
"timestamp": "2026-01-19T09:35:00Z"
}
]
}
步骤 1.3：文献筛选与评分
AI 逐篇评估：
-
语义相关性评分（1-10 分）
-
子主题分组：
-
高分优先选取：
- 保留评分 ≥ 7 分的论文
- 确保各子主题都有代表性
- 控制总数在 15-30 篇
输出： metadata/papers_scored.json
{
"papers": [
{
"title": "论文标题",
"authors": ["作者1", "作者2"],
"year": 2024,
"journal": "期刊名",
"relevance_score": 9,
"subtopic": "方法学",
"doi": "10.xxxx/xxxxx",
"url": "https://doi.org/..."
}
]
}
步骤 1.4：生成参考文献清单
输出： references.bib
格式：标准 BibTeX，包含所有必要字段
步骤 1.5：下载 PDF
方法：
- 优先通过开放获取链接下载
- 使用 Unpaywall API 查找合法免费版本
- 保存到
papers/ 目录，命名格式：{第一作者姓氏}_{年份}_{期刊简写}.pdf
输出： papers/*.pdf
错误处理：
- 记录下载失败的 DOI
- 不阻塞后续流程
- 在最终报告中说明哪些论文未能获取
阶段 2：深度学习分析策略
步骤 2.1：PDF 信息提取
目标： 从每篇 PDF 中提取分析方法和技术细节
提取内容：
- 研究设计：实验类型、对照设置、样本量
- 数据预处理：清洗步骤、归一化方法、质量控制
- 统计方法：检验方法、多重比较校正、效应量
- 可视化策略：图表类型、配色方案、工具
- 软件工具：R/Python 包、版本、参数设置
- 验证方法：交叉验证、bootstrap、灵敏度分析
方法：
- 使用 PDF 读取工具提取文本和表格
- AI 语义分析识别 Methods 章节内容
- 结构化存储提取的信息
输出： extracted/papers_info.json
{
"papers": [
{
"id": "paper_001",
"title": "论文标题",
"methods": {
"study_design": "队列研究",
"preprocessing": ["质量控制", "归一化"],
"statistical_tests": ["t检验", "ANOVA"],
"correction": "FDR",
"visualization": ["箱线图", "热图"],
"software": {
"R": ["limma", "ggplot2"]
步骤 2.2：综合分析框架
目标： 综合所有论文，提炼最佳实践
分析维度：
-
方法学共识：
- 多篇论文共用的方法
- 领域内标准流程
- 推荐的最佳实践
-
方法学差异：
- 不同场景的适用方法
- 新兴方法 vs 传统方法
- 争议点
-
工具生态：
-
质量控制：
输出： analysis-framework.md
模板见：research-plan/references/output-templates.md
阶段 3：制定个性化计划
步骤 3.1：需求对齐
分析用户需求：
- 研究问题是什么？
- 有什么特殊约束？
- 期望的输出是什么？
- 技能水平如何？
映射到分析框架：
- 匹配相关方法学章节
- 识别适用的工具
- 确定质量控制点
步骤 3.2：计划生成
输出： plan.md
模板见：research-plan/references/output-templates.md
步骤 3.3：计划审查
向用户呈现：
- 计划概要
- 关键决策点说明
- 可选方案对比
- 修改建议邀请
审查问题：
- 计划是否覆盖了你的需求？
- 步骤是否清晰可行？
- 有没有遗漏的分析？
- 有没有需要调整的部分？
输入规范
必需输入
可选输入
- 工作目录：默认当前目录
- 文献年份范围：默认近 5 年
- 目标期刊/会议：指定特定来源
- 语言偏好：默认英文
- 最大文献数：默认 30 篇
输出规范
核心输出
plan.md：最终分析策略计划（用户友好格式）analysis-framework.md：分析框架总结（详细技术文档）references.bib：参考文献清单（可引用）
辅助输出
metadata/：调研元数据（可复现）extracted/papers_info.json：论文信息结构化数据（可再利用）
限制与注意事项
功能边界
-
✅ 可以做的：
- 调研文献并总结方法学
- 制定分析策略和步骤
- 推荐工具和最佳实践
- 生成可执行的计划文档
-
❌ 严禁做的：
- 执行实际的数据分析
- 修改用户原始数据
- 撰写正式科研论文
- 做出科学结论
使用限制
- 仅提供策略建议，具体实施需要用户验证
- 方法学推荐基于文献，不能保证适用于所有场景
- PDF 依赖可获取性，部分文献可能无法获取
- AI 提取可能有误差，关键信息建议人工复核
质量保证
- 所有推荐都来自同行评议论文
- 明确标注证据强度（多论文共识 vs 单篇论文）
- 提供参考文献追溯
- 标注不确定性或争议点
最佳实践
对于用户
- 需求描述要具体：避免模糊表述
- 明确约束条件：数据类型、样本量、技能水平等
- 审查计划时认真：这是你的研究，你有最终决定权
- 保留工作目录：便于后续调整和复现
对于 AI 执行
- 透明性：明确告知每一步在做什么
- 可追溯性：所有推荐都有文献依据
- 保守性：不确定时承认而非编造
- 用户中心：计划要符合用户实际约束
故障排除
常见问题
Q: 无法下载某些 PDF
A: 记录失败的 DOI，可以在最终报告中说明，或尝试手动获取
Q: 提取的方法信息不完整
A: 使用补充材料（supplementary materials）或联系作者
Q: 文献数量太少
A: 放宽检索条件（年份、关键词范围）
Q: 不同论文方法冲突
A: 在分析框架中标注争议点，提供多方案选择
实现说明（维护者）
实现/脚本状态与职责边界见：research-plan/references/implementation-notes.md
变更记录见：research-plan/CHANGELOG.md（版本号以 research-plan/config.yaml:skill_info.version 为准）
