frontierpilot

Use when the user wants to explore a research topic/field (0→entry package) or update a topic’s latest updates. Produces a growing HTML knowledge base + fp_data_{TOPIC}.json via Semantic Scholar + OpenReview + arXiv + GitHub + Bilibili/WeChat. Do NOT use for pure Q&A, coding help, or when the user doesn’t want file outputs.

Jump to install

Repository: skyllwt/FrontierPilot
Last source activity: March 19, 2026 at 03:46
Detected SKILL.md language: Mixed languages
Stars: 2
Forks: 0

Install options

The review-first prompt is selected by default. You can switch to a direct command or download a local copy.

Install with Codex or Claude Copy this prompt, paste it into Codex, Claude, or another assistant, and let it review the skill page and install it for you.

A direct command skips the review prompt. Inspect the source before running it.

npx skills add https://github.com/skyllwt/FrontierPilot --skill frontierpilot

The command stays on one line. Scroll horizontally to inspect it before copying.

Prefer a local copy? Download the files currently available to SkillsMP.

Review the source files

Read SKILL.md and any companion files shown by SkillsMP before deciding whether to install.

File Explorer

15 files

SKILL.md

Source instructions · Read-only preview

Back to search Back to installation

File Explorer

15 files

SKILL.md

Source instructions · Read-only preview

name	frontierPilot
description	Use when the user wants to explore a research topic/field (0→entry package) or update a topic’s latest updates. Produces a growing HTML knowledge base + fp_data_{TOPIC}.json via Semantic Scholar + OpenReview + arXiv + GitHub + Bilibili/WeChat. Do NOT use for pure Q&A, coding help, or when the user doesn’t want file outputs.

FrontierPilot

Preconditions

Recommended: SS_API_KEY (avoids rate limiting + exec 30s timeout failures).
If SS_API_KEY is NOT set (degraded mode):
- Use smaller SS queries: search --limit 15 (not 30).
- Fetch real citation edges for fewer papers: run paper --include-references only for top 3–4 foundations (not 6).
- If you see [SS] Rate limited / HTTP 429, stop and wait ~5 minutes before retrying (don’t loop inside a 30s exec window).
OpenReview works anonymously; credentials improve access/throughput when needed.
参考文档（按需读取，勿提前加载）：references/data-schema.md（JSON 字段）、references/prompts.md（LLM 提示词）、references/openreview-venues.md（venue 选择规则）、references/runbook.md（故障排查）

工作流总览

首次探索模式：三轨并行执行 + 合成步骤，最终生成成长型知识库 HTML。总时间目标 < 10 分钟。

更新模式：仅执行 arXiv 最近 30 天搜索，将新论文追加到已有 JSON 的 latest_updates 字段，重新生成 HTML。

用户输入: "帮我探索 [方向]"
    │
    ├── 轨道一：Foundation Track（基础 Roadmap）
    │       1A: SS search --sort-by citations → 高引用奠基论文（精准，无需 LLM 猜）
    │       1B: SS paper --include-references × 前6篇 → 真实引用边（构建图谱用）
    │       1C: arXiv 最近90天 → 补充预印本（可选，通常0-2篇）
    │
    ├── 轨道二：Frontier Track（前沿 peer review 分析）
    │       2A: SS search --sort-by year --year-after 2022 → 近年前沿候选
    │       2B: OR 6个venue-year并行搜索（ICLR/NeurIPS/ICML × 2023/2024，约300篇）
    │       2C: 交叉匹配 SS ↔ OR → 命中 forum_id → 拉取 peer review（目标5-8篇）
    │       2D: get_reviews.py × 5-8篇
    │       2E: Related work 提取（reviewer 推荐的比较对象）
    │
    ├── 轨道三：Social Track（资源地图）
    │       GitHub 开源实现 + Bilibili 中文教程 + 微信公众号文章
    │       ※ 社交主动探索（小红书专家 / 微信群发现）由知识库内智能助手触发，
    │         非主流程步骤；chat_server.py 启动后自动支持，无需 agent 编排
    │
    ├── Step 2.5：LLM 识别流派 → paper_clusters（2-4个方法族）
    │
    ├── Step 4.5：合成 Field Overview（专家视角综述，300-400字）
    │       输入：foundation摘要 + reviewer strengths/weaknesses
    │       输出：field_overview 字符串
    │
    ├── Step 3C：作者提取（可与轨道三并行，依赖轨道一+二数据）
    │
    └── Step 5：生成成长型知识库 HTML（generate_report.py）
            包含：领域概况 + 知识图谱（subgraph流派区块） + 基础Roadmap + 前沿快照
            + 阅读清单 + 资源地图 + 领域强组
            + 最新动态（初始为空占位） + 我的笔记（localStorage）

用户输入: "帮我更新 [方向] 的最新动态"
    │
    └── 更新分支（仅执行此步骤）：
            arXiv 搜索最近 30 天 → 提取 2-5 篇新论文
            → 追加到 latest_updates 字段（带日期和摘要）
            → 重新生成 HTML（保留已有数据，追加 latest_updates）

执行步骤

步骤 0：解析用户输入 + 判断模式

从用户输入中提取：

MODE：explore（首次探索）或 update（更新最新动态）
- 包含"更新"、"最新动态"、"新进展"等词 → update 模式
- 否则 → explore 模式
TOPIC：研究方向名称（中文或英文均可，后续搜索转为英文关键词）
VENUE：目标会议（默认 ICLR，可由用户指定）
YEAR：目标年份（默认 2024）

如果用户未指定 venue/year，默认使用 ICLR 2024。

如果是 update 模式：跳转到文末的"更新分支"步骤，不执行三轨主流程。

轨道一：Foundation Track — 基础知识 Roadmap

目标：确定奠基论文（foundation）+ 真实引用边（graph_mermaid）。

Step 1A：Semantic Scholar 引用量排序搜索（主力）

python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  search --query "<TOPIC_ENGLISH_KEYWORDS>" --sort-by citations --limit 30

从结果中选取 6–8 篇作为 foundation（优先覆盖时间跨度）。

Step 1B：获取真实引用边（构建 graph_mermaid 用）

对前 3 篇奠基论文，用 paper --include-references 获取每篇论文及其前 10 条引用：

# 对每篇奠基论文执行一次（共 3 次，逐一执行）
python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  paper --paper-id <SS_PAPER_ID_1> --include-references

python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  paper --paper-id <SS_PAPER_ID_2> --include-references

# ... 对其余 1 篇重复

注意：不要用 references 子命令——其嵌套字段在 SS API 中存在兼容性问题。 paper --include-references 返回的 10 条引用对于奠基论文之间的交叉引用提取已足够。

只提取 foundation 集合内部的相互引用边，写入 graph_mermaid（不可编造）。

Step 1C：arXiv 最近 90 天预印本补充（可选，次要）

bash /home/node/.openclaw/workspace/skills/arxiv-watcher/scripts/search_arxiv.sh "<TOPIC_ENGLISH_KEYWORDS>" 20

只保留 <published> 在最近 90 天内的论文（可为 0 篇）。

轨道一输出：写入 JSON 的 foundation 数组（每项含 year/title/authors/description/problem_solved/problem_left/url/is_key/citation_count），并在 chat 中简要汇报演进逻辑和真实引用边（来自 Step 1B）。

轨道二：Frontier Track — 前沿论文分析

目标：写入 frontier（优先带 OpenReview reviews），并扩展阅读清单（reviewer related work）。

Step 2.0：Topic 类型判断（决定后续路径）

分类方法：对以下三个问题各打分（0/1），合计 ≥ 2 分判为系统类，否则为 ML/AI 类：

问题	系统类得 1 分
该 topic 的核心贡献是工程实现/性能优化而非新算法？	是
该 topic 的论文通常发在 ASPLOS/OSDI/SOSP/MLSys/SIGCOMM/EuroSys？	是
该 topic 中"引用量"比"peer review 评分"更能反映论文影响力？	是

输出（在继续之前请明确写出）：

Topic 分类：[ML/AI 类 / 系统类 / 混合类]
判断依据：[一句话说明]
执行路径：[OpenReview 路径 / Citation 路径 / 混合路径]

三种路径：

ML/AI 类 → Step 2A → 2B → 2C → 2D（OpenReview peer review）
系统类 → Step 2A → 2E（Citation 路径，跳过 2B-2D）
混合类 → 先走 OpenReview 路径；若 Step 2C 交叉匹配命中 < 3 篇，自动补充 Citation 路径的结果，两类论文合并进 frontier

Step 2A：Semantic Scholar 近年前沿候选（两条路径共用）

python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  search --query "<TOPIC_ENGLISH_KEYWORDS>" --sort-by year --year-after 2021 --limit 25

从结果中选出 8–10 篇候选，记录 title 用于 Step 2C 交叉匹配。

Step 2B：OpenReview 多 venue-year 并行搜索

Venue 选择规则和完整命令见 references/openreview-venues.md。

必选：ICLR + NeurIPS + ICML 各取最近两年（共 6 个）。命令格式统一为：

python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/search_papers.py \
  --venue "<VENUE>" --year <YEAR> --limit 50

⚠️ 不加 --query，全量拉取后由 Step 2C 的 LLM 交叉匹配，避免漏论文。6 个 venue-year 汇总约 300-500 篇候选。

Step 2C：交叉匹配（核心新步骤）→ 获得 forum_id

LLM 将 Step 2A 的 SS 论文标题与 Step 2B 的 ~300 篇 OR 标题进行模糊比对：

匹配成功：得到 forum_id，进入 Step 2D 拉取 peer review
OR 有相关但 SS 未收录的论文：也纳入前沿候选（同样进入 Step 2D）
目标：命中 5-8 篇带 forum_id 的相关论文

若某 venue-year 搜索结果为空（网络或 API 问题），跳过该 venue，不阻塞整体流程。

Step 2D：获取 Peer Reviews（目标 5-8 篇）

对交叉匹配命中的每篇论文，均需获取 peer review：

python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/get_reviews.py \
  --forum-id <FORUM_ID_1> \
  --venue "ICLR" \
  --year 2024

python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/get_reviews.py \
  --forum-id <FORUM_ID_2> \
  --venue "NeurIPS" \
  --year 2023
# ... 对每篇论文重复（venue 和 year 需与 Step 2B 匹配的记录一致）

返回 JSON 列表，每个 review 包含：rating、summary、strengths、weaknesses、confidence、rebuttal。

Step 2E：系统类 Topic 的 Citation 路径（跳过 2B-2D）

仅当 Step 2.0 判断为系统类时执行，ML/AI 类直接跳过此步骤。

系统类 topic 的顶会（ASPLOS、OSDI、MLSys、SIGCOMM 等）不在 OpenReview，无法获取 peer review 数据。改用 Semantic Scholar 引用量 + 发表 venue 作为论文质量代理指标。

操作：使用 Step 2A 结果写入 frontier。设 avg_rating: null，用 citation_count（从 SS citationCount 字段读取）替代评分，venue 保留完整会议名（如 "ASPLOS 2026"），reviews: []。字段格式见 references/data-schema.md。

Step 2F：提取 Related Work（关键亮点功能）

对每篇论文的所有 reviews，用 LLM 解析 weaknesses 和 questions 字段，提取 reviewer 明确要求作者比较或解释的 related work。

提取逻辑：

找形如"为什么不与 [论文X] 比较"、"[方法Y] 似乎与你的工作很相关"、"你的方法相比 [工作Z] 有何优势"的表述
提取被提及的论文名称或方法名称
将这些自动加入阅读清单（标注来源：reviewer 推荐）

轨道二输出：写入 JSON 的 frontier 数组（每项含 title/forum_id/venue/year/url/avg_rating/reviews），reviews 每项含 rating/strengths/weaknesses/related_work。在 chat 中简要汇报每篇论文的评分和 reviewer 核心观点。

Step 2.5：流派聚类识别（三轨完成后执行）

将 foundation + frontier 所有论文按方法族分为 2-4 个 cluster。

使用 references/prompts.md 中的"Step 2.5"prompt，输入 node_id | year | title | 摘要前100字。

输出：写入 JSON paper_clusters（[{id, name, subgraph_style, paper_node_ids}]）。 ⚠️ paper_node_ids 中的 ID 必须与 graph_mermaid 中的 Mermaid 节点 ID 完全一致。

轨道三：Social Track — 资源地图

目标：找到该方向的开源实现、中文教程、和公众号文章。

⚠️ 该轨道所有步骤均为必须执行，不可省略。

Step 3A：GitHub 开源实现

node /home/node/.openclaw/workspace/skills/github-search/scripts/github-search.mjs \
  "<TOPIC_ENGLISH>" --min-stars 200 --limit 6

若结果偏少（<3个），将 --min-stars 改为 100 再跑一次。

Step 3B：Bilibili + 微信（⚠️ 必须执行，不可跳过）

python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/search_social.py \
  --topic "<TOPIC_ENGLISH>" \
  --topic-zh "<TOPIC_CHINESE>" \
  2>/dev/null

轨道三输出：写入 JSON 的 resources 对象（含 github/bilibili/wechat 三个列表）。⚠️ 三个列表必须全部存在；如果某平台结果为空，写入空数组但在 chat 中注明"搜索无结果，建议手动搜索：[关键词]"。

Step 3C：作者提取（可与轨道三并行执行）

从轨道一和轨道二收集到的论文中，提取高频作者：

汇总 foundation 论文的 authors 字段 + frontier 论文的 authors 字段
统计高频作者（出现 ≥ 2 次，或为明确的一作/通讯）
对 Top 5-6 位作者，用 Semantic Scholar 查询补充机构和论文数（可选）：

python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  author --name "<AUTHOR_NAME>"

若 Semantic Scholar 无法查询，直接从论文元数据提取可用信息。

输出（写入 JSON 的 top_authors 字段）：每项含 name/institution/papers_count/recent_work/url。若无法获取完整机构信息，只填 name + recent_work 也可，不要阻塞流程。

Step 4.5：合成 Field Overview（三轨 + Step 2.5 完成后）

输入：foundation abstracts + reviewer strengths/weaknesses 汇总。使用 references/prompts.md 中的"Step 4.5"prompt。

输出：300-400 字中文专家综述，写入 JSON field_overview。

Step 4.8：向用户汇报数据收集结果（生成 HTML 前）

三轨数据 + Step 4.5 完成后，在 chat 中按 checklist 简要汇报：Roadmap / Frontier / Reading list / Resources(GitHub+Bilibili+WeChat) / Top authors。

然后继续执行 Step 5。

Step 5：生成成长型知识库 HTML + 启动智能助手

三轨数据 + Field Overview + Top Authors 收集完成后，将所有结果整理为 JSON，写入 fp_data_{TOPIC}.json，再调用 generate_report.py。

⚠️ 写入 JSON 的正确方式（禁止使用 cat > file << 'EOF'，会因转义和 delimiter 冲突导致解析失败）：

使用 write_fp_json.py 从 stdin 写入并校验：

python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/write_fp_json.py \
  /home/node/.openclaw/workspace/output/fp_data_{TOPIC}.json << 'ENDOFJSON'
（粘贴**纯 JSON**：不要手工转义引号、不要加注释；如上游输出为 ```json ... ```，脚本会自动去掉代码块包裹）
ENDOFJSON

delimiter 用 ENDOFJSON；若 JSON 内容含该字符串，改用 __FP_JSON_END__。

然后生成 HTML：

mkdir -p /home/node/.openclaw/workspace/output
python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/generate_report.py \
  --data /home/node/.openclaw/workspace/output/fp_data_{TOPIC}.json \
  --output /home/node/.openclaw/workspace/output/FrontierPilot_{TOPIC}.html

生成成功后，启动聊天桥接并在 Chat 里输出：

# 先停止旧的聊天服务器（如有），再启动新的
pkill -f "chat_server.py" 2>/dev/null || true
sleep 1

# 后台启动聊天桥接服务器（监听 localhost:7779）
# --html 参数让 GET http://localhost:7779/ 直接 serve 知识库页面
OPENCLAW_GATEWAY_TOKEN="$OPENCLAW_GATEWAY_TOKEN" \
OPENCLAW_GATEWAY_PORT="${OPENCLAW_GATEWAY_PORT:-18789}" \
nohup python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/chat_server.py \
  --data /home/node/.openclaw/workspace/output/fp_data_{TOPIC}.json \
  --html /home/node/.openclaw/workspace/output/FrontierPilot_{TOPIC}.html \
  --port 7779 > /tmp/fp_chat.log 2>&1 &

注意：chat_server.py 启动后完全自主运行（SSE 流式通信 + OpenClaw Gateway function calling），用户在 HTML 页面的所有操作（添加论文、更新动态、分析论文、问答、社交探索）均由服务器自行处理，agent 无需再与其交互。

✅ {TOPIC} 成长型知识库已生成！

🌐 **立即打开知识库：[http://localhost:7779/](http://localhost:7779/)**

🤖 智能助手已就绪，在浏览器中直接输入指令：
  · 把 [论文名] 添加到知识图谱
  · 更新最新动态
  · 分析 arXiv 论文：[URL]
  · 帮我在小红书找这个方向的博主和微信群
  · 帮我给 [作者名] 写一封学术交流邮件

JSON 字段完整说明见 references/data-schema.md。核心顶层字段：topic / topic_zh / field_overview / foundation / frontier / reading_list / top_authors / resources / paper_clusters / graph_mermaid / latest_updates。

更新分支（"帮我更新 [topic] 的最新动态"）

当用户请求更新时，执行以下步骤：

U1：搜索最近 30 天新论文

bash /home/node/.openclaw/workspace/skills/arxiv-watcher/scripts/search_arxiv.sh \
  "<TOPIC_ENGLISH_KEYWORDS>" 20

从结果中筛选发布时间在最近 30 天内的论文（检查 <published> 字段）。

U2：LLM 筛选相关新论文

从最近 30 天内发布的论文中，LLM 筛选 2-5 篇与 TOPIC 最相关的，每篇生成：

date：发布日期（YYYY-MM-DD）
title：论文标题
url：arXiv 链接
summary：一句话中文摘要（核心贡献，50 字以内）
source：固定为 "arXiv"

U3：追加到已有 JSON 并重新生成

读取已有 fp_data_{TOPIC}.json
将 U2 筛选出的新论文 prepend 到 latest_updates 数组（新的排前面），更新 last_updated_at 为当前时间
写回 JSON 文件，然后重新执行 generate_report.py --data ... --output ... 生成 HTML

U4：向用户确认

✅ {TOPIC} 知识库已更新！

📰 新增 {N} 条最新动态（最近 30 天）：
  · [2026-03-10] 论文标题 — 一句话摘要
  · [2026-03-08] 论文标题 — 一句话摘要

🌐 **立即打开知识库：[http://localhost:7779/](http://localhost:7779/)**
   打开"最新动态"标签页查看新内容

工具路径速查

工具	容器内路径 / 命令
SS 按引用量搜索（Step 1A）	`python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py search --query "<query>" --sort-by citations --limit 30`
SS 按年份搜索（Step 2A）	`python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py search --query "<query>" --sort-by year --year-after 2022 --limit 25`
SS 论文详情 + 引用边（Step 1B）	`python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py paper --paper-id <SS_ID> --include-references`
SS 作者查询（Step 3C）	`python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py author --name "<NAME>"`
arXiv 搜索（Step 1C 仅90天内）	`bash /home/node/.openclaw/workspace/skills/arxiv-watcher/scripts/search_arxiv.sh "<query>" <count>`
OpenReview 论文搜索（Step 2B × 6）	`python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/search_papers.py --venue {ICLR\|NeurIPS\|ICML} --year {2023\|2024} --limit 50`
OpenReview 获取 reviews（Step 2D）	`python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/get_reviews.py --forum-id <id> --venue <VENUE> --year <YEAR>`
GitHub 搜索（Step 3A）	`node /home/node/.openclaw/workspace/skills/github-search/scripts/github-search.mjs "<query>" --min-stars 100 --limit 8`
Bilibili + 微信搜索（Step 3B）	`python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/search_social.py --topic "<query>" --topic-zh "<中文>" 2>/dev/null`

注意事项

执行顺序：Track 1 + Track 3 立即并行。Step 2C 等 2A+2B；Step 2D 等 2C；Step 2.5 等三轨完成；Step 4.5 等 Step 2.5。
graph_mermaid 引用边：必须来自 Step 1B 的 SS 真实数据，不可 LLM 编造。
get_reviews 返回空：该论文暂无公开 reviews，跳过并注明，不阻塞流程。
更新分支：只追加 latest_updates，保护已有 foundation/frontier/reading_list/top_authors/resources。
完成后：将阅读清单追加到 memory/RESEARCH_LOG.md。

name	frontierPilot
description	Use when the user wants to explore a research topic/field (0→entry package) or update a topic’s latest updates. Produces a growing HTML knowledge base + fp_data_{TOPIC}.json via Semantic Scholar + OpenReview + arXiv + GitHub + Bilibili/WeChat. Do NOT use for pure Q&A, coding help, or when the user doesn’t want file outputs.

FrontierPilot

Preconditions

Recommended: SS_API_KEY (avoids rate limiting + exec 30s timeout failures).
If SS_API_KEY is NOT set (degraded mode):
- Use smaller SS queries: search --limit 15 (not 30).
- Fetch real citation edges for fewer papers: run paper --include-references only for top 3–4 foundations (not 6).
- If you see [SS] Rate limited / HTTP 429, stop and wait ~5 minutes before retrying (don’t loop inside a 30s exec window).
OpenReview works anonymously; credentials improve access/throughput when needed.
参考文档（按需读取，勿提前加载）：references/data-schema.md（JSON 字段）、references/prompts.md（LLM 提示词）、references/openreview-venues.md（venue 选择规则）、references/runbook.md（故障排查）

工作流总览

首次探索模式：三轨并行执行 + 合成步骤，最终生成成长型知识库 HTML。总时间目标 < 10 分钟。

更新模式：仅执行 arXiv 最近 30 天搜索，将新论文追加到已有 JSON 的 latest_updates 字段，重新生成 HTML。

用户输入: "帮我探索 [方向]"
    │
    ├── 轨道一：Foundation Track（基础 Roadmap）
    │       1A: SS search --sort-by citations → 高引用奠基论文（精准，无需 LLM 猜）
    │       1B: SS paper --include-references × 前6篇 → 真实引用边（构建图谱用）
    │       1C: arXiv 最近90天 → 补充预印本（可选，通常0-2篇）
    │
    ├── 轨道二：Frontier Track（前沿 peer review 分析）
    │       2A: SS search --sort-by year --year-after 2022 → 近年前沿候选
    │       2B: OR 6个venue-year并行搜索（ICLR/NeurIPS/ICML × 2023/2024，约300篇）
    │       2C: 交叉匹配 SS ↔ OR → 命中 forum_id → 拉取 peer review（目标5-8篇）
    │       2D: get_reviews.py × 5-8篇
    │       2E: Related work 提取（reviewer 推荐的比较对象）
    │
    ├── 轨道三：Social Track（资源地图）
    │       GitHub 开源实现 + Bilibili 中文教程 + 微信公众号文章
    │       ※ 社交主动探索（小红书专家 / 微信群发现）由知识库内智能助手触发，
    │         非主流程步骤；chat_server.py 启动后自动支持，无需 agent 编排
    │
    ├── Step 2.5：LLM 识别流派 → paper_clusters（2-4个方法族）
    │
    ├── Step 4.5：合成 Field Overview（专家视角综述，300-400字）
    │       输入：foundation摘要 + reviewer strengths/weaknesses
    │       输出：field_overview 字符串
    │
    ├── Step 3C：作者提取（可与轨道三并行，依赖轨道一+二数据）
    │
    └── Step 5：生成成长型知识库 HTML（generate_report.py）
            包含：领域概况 + 知识图谱（subgraph流派区块） + 基础Roadmap + 前沿快照
            + 阅读清单 + 资源地图 + 领域强组
            + 最新动态（初始为空占位） + 我的笔记（localStorage）

用户输入: "帮我更新 [方向] 的最新动态"
    │
    └── 更新分支（仅执行此步骤）：
            arXiv 搜索最近 30 天 → 提取 2-5 篇新论文
            → 追加到 latest_updates 字段（带日期和摘要）
            → 重新生成 HTML（保留已有数据，追加 latest_updates）

执行步骤

步骤 0：解析用户输入 + 判断模式

从用户输入中提取：

MODE：explore（首次探索）或 update（更新最新动态）
- 包含"更新"、"最新动态"、"新进展"等词 → update 模式
- 否则 → explore 模式
TOPIC：研究方向名称（中文或英文均可，后续搜索转为英文关键词）
VENUE：目标会议（默认 ICLR，可由用户指定）
YEAR：目标年份（默认 2024）

如果用户未指定 venue/year，默认使用 ICLR 2024。

如果是 update 模式：跳转到文末的"更新分支"步骤，不执行三轨主流程。

轨道一：Foundation Track — 基础知识 Roadmap

目标：确定奠基论文（foundation）+ 真实引用边（graph_mermaid）。

Step 1A：Semantic Scholar 引用量排序搜索（主力）

python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  search --query "<TOPIC_ENGLISH_KEYWORDS>" --sort-by citations --limit 30

从结果中选取 6–8 篇作为 foundation（优先覆盖时间跨度）。

Step 1B：获取真实引用边（构建 graph_mermaid 用）

对前 3 篇奠基论文，用 paper --include-references 获取每篇论文及其前 10 条引用：

# 对每篇奠基论文执行一次（共 3 次，逐一执行）
python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  paper --paper-id <SS_PAPER_ID_1> --include-references

python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  paper --paper-id <SS_PAPER_ID_2> --include-references

# ... 对其余 1 篇重复

注意：不要用 references 子命令——其嵌套字段在 SS API 中存在兼容性问题。 paper --include-references 返回的 10 条引用对于奠基论文之间的交叉引用提取已足够。

只提取 foundation 集合内部的相互引用边，写入 graph_mermaid（不可编造）。

Step 1C：arXiv 最近 90 天预印本补充（可选，次要）

bash /home/node/.openclaw/workspace/skills/arxiv-watcher/scripts/search_arxiv.sh "<TOPIC_ENGLISH_KEYWORDS>" 20

只保留 <published> 在最近 90 天内的论文（可为 0 篇）。

轨道二：Frontier Track — 前沿论文分析

目标：写入 frontier（优先带 OpenReview reviews），并扩展阅读清单（reviewer related work）。

Step 2.0：Topic 类型判断（决定后续路径）

分类方法：对以下三个问题各打分（0/1），合计 ≥ 2 分判为系统类，否则为 ML/AI 类：

问题	系统类得 1 分
该 topic 的核心贡献是工程实现/性能优化而非新算法？	是
该 topic 的论文通常发在 ASPLOS/OSDI/SOSP/MLSys/SIGCOMM/EuroSys？	是
该 topic 中"引用量"比"peer review 评分"更能反映论文影响力？	是

输出（在继续之前请明确写出）：

Topic 分类：[ML/AI 类 / 系统类 / 混合类]
判断依据：[一句话说明]
执行路径：[OpenReview 路径 / Citation 路径 / 混合路径]

三种路径：

ML/AI 类 → Step 2A → 2B → 2C → 2D（OpenReview peer review）
系统类 → Step 2A → 2E（Citation 路径，跳过 2B-2D）
混合类 → 先走 OpenReview 路径；若 Step 2C 交叉匹配命中 < 3 篇，自动补充 Citation 路径的结果，两类论文合并进 frontier

Step 2A：Semantic Scholar 近年前沿候选（两条路径共用）

python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  search --query "<TOPIC_ENGLISH_KEYWORDS>" --sort-by year --year-after 2021 --limit 25

从结果中选出 8–10 篇候选，记录 title 用于 Step 2C 交叉匹配。

Step 2B：OpenReview 多 venue-year 并行搜索

Venue 选择规则和完整命令见 references/openreview-venues.md。

必选：ICLR + NeurIPS + ICML 各取最近两年（共 6 个）。命令格式统一为：

python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/search_papers.py \
  --venue "<VENUE>" --year <YEAR> --limit 50

⚠️ 不加 --query，全量拉取后由 Step 2C 的 LLM 交叉匹配，避免漏论文。6 个 venue-year 汇总约 300-500 篇候选。

Step 2C：交叉匹配（核心新步骤）→ 获得 forum_id

LLM 将 Step 2A 的 SS 论文标题与 Step 2B 的 ~300 篇 OR 标题进行模糊比对：

匹配成功：得到 forum_id，进入 Step 2D 拉取 peer review
OR 有相关但 SS 未收录的论文：也纳入前沿候选（同样进入 Step 2D）
目标：命中 5-8 篇带 forum_id 的相关论文

若某 venue-year 搜索结果为空（网络或 API 问题），跳过该 venue，不阻塞整体流程。

Step 2D：获取 Peer Reviews（目标 5-8 篇）

对交叉匹配命中的每篇论文，均需获取 peer review：

python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/get_reviews.py \
  --forum-id <FORUM_ID_1> \
  --venue "ICLR" \
  --year 2024

python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/get_reviews.py \
  --forum-id <FORUM_ID_2> \
  --venue "NeurIPS" \
  --year 2023
# ... 对每篇论文重复（venue 和 year 需与 Step 2B 匹配的记录一致）

返回 JSON 列表，每个 review 包含：rating、summary、strengths、weaknesses、confidence、rebuttal。

Step 2E：系统类 Topic 的 Citation 路径（跳过 2B-2D）

仅当 Step 2.0 判断为系统类时执行，ML/AI 类直接跳过此步骤。

Step 2F：提取 Related Work（关键亮点功能）

对每篇论文的所有 reviews，用 LLM 解析 weaknesses 和 questions 字段，提取 reviewer 明确要求作者比较或解释的 related work。

提取逻辑：

找形如"为什么不与 [论文X] 比较"、"[方法Y] 似乎与你的工作很相关"、"你的方法相比 [工作Z] 有何优势"的表述
提取被提及的论文名称或方法名称
将这些自动加入阅读清单（标注来源：reviewer 推荐）

Step 2.5：流派聚类识别（三轨完成后执行）

将 foundation + frontier 所有论文按方法族分为 2-4 个 cluster。

使用 references/prompts.md 中的"Step 2.5"prompt，输入 node_id | year | title | 摘要前100字。

输出：写入 JSON paper_clusters（[{id, name, subgraph_style, paper_node_ids}]）。 ⚠️ paper_node_ids 中的 ID 必须与 graph_mermaid 中的 Mermaid 节点 ID 完全一致。

轨道三：Social Track — 资源地图

目标：找到该方向的开源实现、中文教程、和公众号文章。

⚠️ 该轨道所有步骤均为必须执行，不可省略。

Step 3A：GitHub 开源实现

node /home/node/.openclaw/workspace/skills/github-search/scripts/github-search.mjs \
  "<TOPIC_ENGLISH>" --min-stars 200 --limit 6

若结果偏少（<3个），将 --min-stars 改为 100 再跑一次。

Step 3B：Bilibili + 微信（⚠️ 必须执行，不可跳过）

python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/search_social.py \
  --topic "<TOPIC_ENGLISH>" \
  --topic-zh "<TOPIC_CHINESE>" \
  2>/dev/null

Step 3C：作者提取（可与轨道三并行执行）

从轨道一和轨道二收集到的论文中，提取高频作者：

汇总 foundation 论文的 authors 字段 + frontier 论文的 authors 字段
统计高频作者（出现 ≥ 2 次，或为明确的一作/通讯）
对 Top 5-6 位作者，用 Semantic Scholar 查询补充机构和论文数（可选）：

python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py \
  author --name "<AUTHOR_NAME>"

若 Semantic Scholar 无法查询，直接从论文元数据提取可用信息。

Step 4.5：合成 Field Overview（三轨 + Step 2.5 完成后）

输入：foundation abstracts + reviewer strengths/weaknesses 汇总。使用 references/prompts.md 中的"Step 4.5"prompt。

输出：300-400 字中文专家综述，写入 JSON field_overview。

Step 4.8：向用户汇报数据收集结果（生成 HTML 前）

三轨数据 + Step 4.5 完成后，在 chat 中按 checklist 简要汇报：Roadmap / Frontier / Reading list / Resources(GitHub+Bilibili+WeChat) / Top authors。

然后继续执行 Step 5。

Step 5：生成成长型知识库 HTML + 启动智能助手

三轨数据 + Field Overview + Top Authors 收集完成后，将所有结果整理为 JSON，写入 fp_data_{TOPIC}.json，再调用 generate_report.py。

⚠️ 写入 JSON 的正确方式（禁止使用 cat > file << 'EOF'，会因转义和 delimiter 冲突导致解析失败）：

使用 write_fp_json.py 从 stdin 写入并校验：

python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/write_fp_json.py \
  /home/node/.openclaw/workspace/output/fp_data_{TOPIC}.json << 'ENDOFJSON'
（粘贴**纯 JSON**：不要手工转义引号、不要加注释；如上游输出为 ```json ... ```，脚本会自动去掉代码块包裹）
ENDOFJSON

delimiter 用 ENDOFJSON；若 JSON 内容含该字符串，改用 __FP_JSON_END__。

然后生成 HTML：

mkdir -p /home/node/.openclaw/workspace/output
python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/generate_report.py \
  --data /home/node/.openclaw/workspace/output/fp_data_{TOPIC}.json \
  --output /home/node/.openclaw/workspace/output/FrontierPilot_{TOPIC}.html

生成成功后，启动聊天桥接并在 Chat 里输出：

# 先停止旧的聊天服务器（如有），再启动新的
pkill -f "chat_server.py" 2>/dev/null || true
sleep 1

# 后台启动聊天桥接服务器（监听 localhost:7779）
# --html 参数让 GET http://localhost:7779/ 直接 serve 知识库页面
OPENCLAW_GATEWAY_TOKEN="$OPENCLAW_GATEWAY_TOKEN" \
OPENCLAW_GATEWAY_PORT="${OPENCLAW_GATEWAY_PORT:-18789}" \
nohup python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/chat_server.py \
  --data /home/node/.openclaw/workspace/output/fp_data_{TOPIC}.json \
  --html /home/node/.openclaw/workspace/output/FrontierPilot_{TOPIC}.html \
  --port 7779 > /tmp/fp_chat.log 2>&1 &

注意：chat_server.py 启动后完全自主运行（SSE 流式通信 + OpenClaw Gateway function calling），用户在 HTML 页面的所有操作（添加论文、更新动态、分析论文、问答、社交探索）均由服务器自行处理，agent 无需再与其交互。

✅ {TOPIC} 成长型知识库已生成！

🌐 **立即打开知识库：[http://localhost:7779/](http://localhost:7779/)**

🤖 智能助手已就绪，在浏览器中直接输入指令：
  · 把 [论文名] 添加到知识图谱
  · 更新最新动态
  · 分析 arXiv 论文：[URL]
  · 帮我在小红书找这个方向的博主和微信群
  · 帮我给 [作者名] 写一封学术交流邮件

更新分支（"帮我更新 [topic] 的最新动态"）

当用户请求更新时，执行以下步骤：

U1：搜索最近 30 天新论文

bash /home/node/.openclaw/workspace/skills/arxiv-watcher/scripts/search_arxiv.sh \
  "<TOPIC_ENGLISH_KEYWORDS>" 20

从结果中筛选发布时间在最近 30 天内的论文（检查 <published> 字段）。

U2：LLM 筛选相关新论文

从最近 30 天内发布的论文中，LLM 筛选 2-5 篇与 TOPIC 最相关的，每篇生成：

date：发布日期（YYYY-MM-DD）
title：论文标题
url：arXiv 链接
summary：一句话中文摘要（核心贡献，50 字以内）
source：固定为 "arXiv"

U3：追加到已有 JSON 并重新生成

读取已有 fp_data_{TOPIC}.json
将 U2 筛选出的新论文 prepend 到 latest_updates 数组（新的排前面），更新 last_updated_at 为当前时间
写回 JSON 文件，然后重新执行 generate_report.py --data ... --output ... 生成 HTML

U4：向用户确认

✅ {TOPIC} 知识库已更新！

📰 新增 {N} 条最新动态（最近 30 天）：
  · [2026-03-10] 论文标题 — 一句话摘要
  · [2026-03-08] 论文标题 — 一句话摘要

🌐 **立即打开知识库：[http://localhost:7779/](http://localhost:7779/)**
   打开"最新动态"标签页查看新内容

工具路径速查

工具	容器内路径 / 命令
SS 按引用量搜索（Step 1A）	`python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py search --query "<query>" --sort-by citations --limit 30`
SS 按年份搜索（Step 2A）	`python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py search --query "<query>" --sort-by year --year-after 2022 --limit 25`
SS 论文详情 + 引用边（Step 1B）	`python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py paper --paper-id <SS_ID> --include-references`
SS 作者查询（Step 3C）	`python3 /home/node/.openclaw/workspace/skills/semantic-scholar/scripts/semantic_scholar.py author --name "<NAME>"`
arXiv 搜索（Step 1C 仅90天内）	`bash /home/node/.openclaw/workspace/skills/arxiv-watcher/scripts/search_arxiv.sh "<query>" <count>`
OpenReview 论文搜索（Step 2B × 6）	`python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/search_papers.py --venue {ICLR\|NeurIPS\|ICML} --year {2023\|2024} --limit 50`
OpenReview 获取 reviews（Step 2D）	`python3 /home/node/.openclaw/workspace/skills/openreview-explorer/scripts/get_reviews.py --forum-id <id> --venue <VENUE> --year <YEAR>`
GitHub 搜索（Step 3A）	`node /home/node/.openclaw/workspace/skills/github-search/scripts/github-search.mjs "<query>" --min-stars 100 --limit 8`
Bilibili + 微信搜索（Step 3B）	`python3 /home/node/.openclaw/workspace/skills/frontierPilot/scripts/search_social.py --topic "<query>" --topic-zh "<中文>" 2>/dev/null`

注意事项

执行顺序：Track 1 + Track 3 立即并行。Step 2C 等 2A+2B；Step 2D 等 2C；Step 2.5 等三轨完成；Step 4.5 等 Step 2.5。
graph_mermaid 引用边：必须来自 Step 1B 的 SS 真实数据，不可 LLM 编造。
get_reviews 返回空：该论文暂无公开 reviews，跳过并注明，不阻塞流程。
更新分支：只追加 latest_updates，保护已有 foundation/frontier/reading_list/top_authors/resources。
完成后：将阅读清单追加到 memory/RESEARCH_LOG.md。

frontierpilot

Source facts

Install options

Review the source files

More from this repository

More from this repository

FrontierPilot

Preconditions

工作流总览

执行步骤

步骤 0：解析用户输入 + 判断模式

轨道一：Foundation Track — 基础知识 Roadmap

Step 1A：Semantic Scholar 引用量排序搜索（主力）

Step 1B：获取真实引用边（构建 graph_mermaid 用）

Step 1C：arXiv 最近 90 天预印本补充（可选，次要）

轨道二：Frontier Track — 前沿论文分析

Step 2.0：Topic 类型判断（决定后续路径）

Step 2A：Semantic Scholar 近年前沿候选（两条路径共用）

Step 2B：OpenReview 多 venue-year 并行搜索

Step 2C：交叉匹配（核心新步骤）→ 获得 forum_id

Step 2D：获取 Peer Reviews（目标 5-8 篇）

Step 2E：系统类 Topic 的 Citation 路径（跳过 2B-2D）

Step 2F：提取 Related Work（关键亮点功能）

Step 2.5：流派聚类识别（三轨完成后执行）

轨道三：Social Track — 资源地图

Step 3A：GitHub 开源实现

Step 3B：Bilibili + 微信（⚠️ 必须执行，不可跳过）

Step 3C：作者提取（可与轨道三并行执行）

Step 4.5：合成 Field Overview（三轨 + Step 2.5 完成后）

Step 4.8：向用户汇报数据收集结果（生成 HTML 前）

Step 5：生成成长型知识库 HTML + 启动智能助手

更新分支（"帮我更新 [topic] 的最新动态"）

U1：搜索最近 30 天新论文

U2：LLM 筛选相关新论文

U3：追加到已有 JSON 并重新生成

U4：向用户确认

工具路径速查

注意事项

FrontierPilot

Preconditions

工作流总览

执行步骤

步骤 0：解析用户输入 + 判断模式

轨道一：Foundation Track — 基础知识 Roadmap

Step 1A：Semantic Scholar 引用量排序搜索（主力）

Step 1B：获取真实引用边（构建 graph_mermaid 用）

Step 1C：arXiv 最近 90 天预印本补充（可选，次要）

轨道二：Frontier Track — 前沿论文分析

Step 2.0：Topic 类型判断（决定后续路径）

Step 2A：Semantic Scholar 近年前沿候选（两条路径共用）

Step 2B：OpenReview 多 venue-year 并行搜索

Step 2C：交叉匹配（核心新步骤）→ 获得 forum_id

Step 2D：获取 Peer Reviews（目标 5-8 篇）

Step 2E：系统类 Topic 的 Citation 路径（跳过 2B-2D）

Step 2F：提取 Related Work（关键亮点功能）

Step 2.5：流派聚类识别（三轨完成后执行）

轨道三：Social Track — 资源地图

Step 3A：GitHub 开源实现

Step 3B：Bilibili + 微信（⚠️ 必须执行，不可跳过）

Step 3C：作者提取（可与轨道三并行执行）

Step 4.5：合成 Field Overview（三轨 + Step 2.5 完成后）

Step 4.8：向用户汇报数据收集结果（生成 HTML 前）

Step 5：生成成长型知识库 HTML + 启动智能助手

更新分支（"帮我更新 [topic] 的最新动态"）

U1：搜索最近 30 天新论文

U2：LLM 筛选相关新论文

U3：追加到已有 JSON 并重新生成

U4：向用户确认

工具路径速查

注意事项