Run any Skill in Manus with one click

Get Started

spatial-agi-research

Stars25

Forks10

UpdatedMarch 9, 2026 at 14:58

完整的Spatial AGI研究流程 - 从arXiv搜索到深度分析，每天精读5篇论文，使用research-assistant技能和NotebookLM（3个核心问题），生成论文文档和每日思考

Installation

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.

Run Skill in Manus

Source

zhuhu00

zhuhu00/Paper-digest

View GitHub Repository View Creator Repositories

Download

Run Skill in Manus

Related occupationsSOC

Based on SOC occupation classification

PhysicistsLife, Physical, and Social Science Occupations·SOC 19-2012

File Explorer

3 files

SKILL.md

readonly

name	spatial-agi-research
description	完整的Spatial AGI研究流程 - 从arXiv搜索到深度分析，每天精读5篇论文，使用research-assistant技能和NotebookLM（3个核心问题），生成论文文档和每日思考

Spatial AGI Research Skill - 完整流程

这个技能用于系统化地研究Spatial AGI（通用空间智能）领域的最新进展。

核心特点:

✅ 每天精读5篇论文（质量 > 数量）
✅ 使用NotebookLM询问3个核心问题（每个超时1分钟）
✅ 生成详细的论文分析文档（至少500行）
✅ 每日思考文档（延续性研究）

📋 完整流程（必须按顺序执行）

Step 1: 搜索arXiv最新论文 ✅

搜索关键词:

spatial intelligence
VLM (Vision-Language Models)
3D Gaussian Splatting
world model
embodied AI
spatial reasoning
3D understanding
scene understanding
video generation
robot learning

执行命令:

cd ~/.openclaw/workspace/scripts

# 搜索多个关键词
python3 search_arxiv.py "all:spatial+all:intelligence" 20
python3 search_arxiv.py "all:VLM+all:3D" 20
python3 search_arxiv.py "all:Gaussian+Splatting" 20
python3 search_arxiv.py "all:world+all:model" 20
python3 search_arxiv.py "all:embodied+all:AI" 20

输出: JSON格式的论文列表，包含标题、摘要、链接、作者等

Step 2: 筛选最有价值的5篇论文 ✅

筛选标准:

相关性: 与spatial intelligence直接相关
创新性: 提出新的方法或见解
影响力: 来自知名机构或作者
时效性: 最近1-2个月发表（优先）

筛选流程:

# 1. 查看搜索结果
cat /tmp/today_papers.json

# 2. 按相关性排序
# 3. 选择top 5（精读，不是泛读）
# 4. 记录到papers_list.md

输出: 5篇精选论文（深度分析），记录到:

/home/cwh/coding/auto_blog/spatial_agi/papers_list.md

Step 3: 使用Subagent精读每篇论文 ✅

⚠️ 【质量第一原则】

╔════════════════════════════════════════════════════════════╗
║  🎯 核心原则：质量 > 速度                                  ║
║                                                              ║
║  ✅ 每篇论文15-20分钟是正常的                              ║
║  ✅ 深度分析比快速完成更重要                                ║
║  ✅ 使用Subagent避免token限制                              ║
║  ✅ 每篇论文独立处理，互不干扰                             ║
║                                                              ║
║  ❌ 不要为了省时而创建精简版文档                           ║
║  ❌ 不要因为token不足而降低质量                            ║
║  ❌ 不要跳过NotebookLM问答环节                             ║
╚════════════════════════════════════════════════════════════╝

⚠️ 【强制要求】必须使用Subagent

╔════════════════════════════════════════════════════════════╗
║  🔑 关键：每篇论文必须使用独立的Subagent                   ║
║                                                              ║
║  ✅ 原因1: 避免主session的token限制                        ║
║  ✅ 原因2: 每篇论文有独立上下文                            ║
║  ✅ 原因3: 可以并行处理（如果需要）                        ║
║  ✅ 原因4: 确保每篇论文都有完整的分析                      ║
║                                                              ║
║  ❌ 不要在主session中处理论文（会token不足）               ║
║  ❌ 不要创建精简版文档（质量不够）                         ║
╚════════════════════════════════════════════════════════════╝

执行方法：使用sessions_spawn启动Subagent

对于Step 2筛选出的5篇论文，每篇都启动一个独立的Subagent进行精读：

# 论文列表（从Step 2获得）
PAPERS=(
  "ACE-Brain-0|https://arxiv.org/abs/2603.03198v1|https://arxiv.org/pdf/2603.03198v1"
  "Utonia|https://arxiv.org/abs/2603.03283v1|https://arxiv.org/pdf/2603.03283v1"
  "ULTRA|https://arxiv.org/abs/2603.03279v1|https://arxiv.org/pdf/2603.03279v1"
  "LoGeR|https://arxiv.org/abs/2603.03269v1|https://arxiv.org/pdf/2603.03269v1"
  "Tether|https://arxiv.org/abs/2603.03278v1|https://arxiv.org/pdf/2603.03278v1"
)

# 对每篇论文启动Subagent
for PAPER_INFO in "${PAPERS[@]}"; do
  IFS='|' read -r TITLE ARXIV_URL PDF_URL <<< "$PAPER_INFO"
  
  # 生成paper_id（用于文件命名）
  PAPER_ID=$(echo "$TITLE" | sed 's/[^a-zA-Z0-9]/_/g')
  
  echo "📚 处理论文: $TITLE"
  
  # 启动Subagent
  # 注意：使用subagent runtime，不是acp（paper-analysis是skill不是agent）
  sessions_spawn \
    --mode run \
    --runtime subagent \
    --task "使用paper-analysis skill精读论文: $TITLE
    
论文信息:
- 标题: $TITLE
- arXiv: $ARXIV_URL
- PDF: $PDF_URL
- Paper ID: $PAPER_ID

要求:
1. 创建NotebookLM笔记本并记录ID
2. 添加arXiv页面和PDF作为来源
3. 询问3个核心问题（核心算法、与Spatial AGI关系、创新点/局限）
4. 创建详细markdown文档（至少500行）
5. 保存到 /home/cwh/coding/auto_blog/spatial_agi/papers/

输出格式:
- 返回笔记本ID
- 返回文档路径
- 返回文档行数" \
    --timeout 1200 \
    --run-timeout 1200
done

echo "✅ 所有论文精读完成"

Subagent执行流程（paper-analysis skill）：

创建NotebookLM笔记本 - 记录笔记本ID
添加来源 - arXiv页面 + PDF（90秒超时）
等待处理 - 30秒
询问3个问题 - 每个问题90秒超时
- Q1: 核心算法原理
- Q2: 与Spatial AGI的关系
- Q3: 创新点和局限性
创建文档 - 至少500行，包含完整问答
保存文档 - 返回文档路径和行数

Subagent优势：

✅ 独立上下文 - 每篇论文有完整的token空间
✅ 并行处理 - 可以同时启动多个Subagent
✅ 质量保证 - 不会因为token不足而创建精简版
✅ 错误隔离 - 一篇论文失败不影响其他论文

预计时间：

单篇论文: 18分钟
5篇论文（串行）: 90分钟
5篇论文（并行）: 20-30分钟

质量要求：

✅ 文档至少500行
✅ 包含完整的NotebookLM问答记录（不总结）
✅ 包含与Spatial AGI的关系分析
✅ 包含个人思考和见解
✅ 包含NotebookLM笔记本ID

Step 3.5: 收集Subagent结果 ✅

所有Subagent完成后，收集结果：

# 检查生成的文档
ls -lh /home/cwh/coding/auto_blog/spatial_agi/papers/ | grep "$(date +%Y-%m-%d)"

# 统计文档行数
for FILE in /home/cwh/coding/auto_blog/spatial_agi/papers/$(date +%Y-%m-%d)_*.md; do
  LINES=$(wc -l < "$FILE")
  echo "📄 $(basename $FILE): $LINES 行"
  
  # 检查是否满足500行要求
  if [ $LINES -lt 500 ]; then
    echo "⚠️ 警告: 文档行数不足500行"
  fi
done

# 提取所有笔记本ID（用于记录）
grep -h "NotebookLM笔记本ID" /home/cwh/coding/auto_blog/spatial_agi/papers/$(date +%Y-%m-%d)_*.md

预期输出：

📄 2026-03-05_01_ACE-Brain-0.md: 523 行
📄 2026-03-05_02_Utonia.md: 512 行
📄 2026-03-05_03_ULTRA.md: 498 行
📄 2026-03-05_04_LoGeR.md: 487 行
📄 2026-03-05_05_Tether.md: 476 行

笔记本ID:
- ACE-Brain-0: faee81ec-2d12-4dc5-99b9-0de78c18877a
- Utonia: ...
- ULTRA: ...
- LoGeR: ...
- Tether: ...

⚠️ 【强制要求】必须完整执行NotebookLM流程

⚠️ 【强制要求】必须使用Step 3中记录的笔记本ID

╔════════════════════════════════════════════════════════════╗
║  🔑 关键：必须使用Step 3中记录的笔记本ID                   ║
║                                                              ║
║  ✅ 在Step 3中创建了笔记本并记录了ID                       ║
║  ✅ 在Step 4中必须使用这个ID                                ║
║  ✅ 每个ask命令都必须带 -n "$NOTEBOOK_ID"                   ║
║                                                              ║
║  ❌ 不要使用`use`命令（有会话管理bug）                      ║
║  ❌ 不要假设系统会记住当前笔记本                            ║
║  ❌ 不要在ask命令中省略-n参数                               ║
╚════════════════════════════════════════════════════════════╝

执行原则:

✅ 时间充足: 每篇论文有充足的分析时间（15-20分钟），不要为了省时而偷懒
✅ 完整流程: 必须为每篇论文创建NotebookLM笔记本并询问3个问题
✅ 质量优先: 宁可多花时间，也要确保分析质量
✅ 显式指定ID: 每个ask命令都必须带-n "$NOTEBOOK_ID"
❌ 禁止偷懒: 不得以"快速完成"为由跳过NotebookLM直接使用GLM WebReader

何时使用GLM WebReader备选方案:

✅ NotebookLM连接完全失败（网络、代理、认证问题）
✅ 多次重试后仍然超时（3次以上）
✅ NotebookLM服务不可用
❌ 不得使用的情况: 为了省时间、觉得简单、想快速完成

违规示例 ❌:

❌ "为了节省时间，我用GLM快速分析"
❌ "这篇论文比较简单，不需要NotebookLM"
❌ "已经分析了3篇，最后2篇用快速方法"
❌ notebooklm use $NOTEBOOK_ID  # use命令有bug
❌ notebooklm ask "问题"  # 缺少-n参数

正确示例 ✅:

✅ "NotebookLM连接失败，切换到GLM WebReader"
✅ "PDF添加超时3次，使用HTML替代"
✅ "为每篇论文完整执行3个问题"
✅ notebooklm ask -n "$NOTEBOOK_ID" "问题"  # 显式指定ID

⚠️ 关键：显式指定笔记本ID

# ❌ 错误方法（有bug）
notebooklm use $NOTEBOOK_ID
notebooklm ask "问题"  # 可能使用错误的笔记本

# ✅ 正确方法（推荐）
notebooklm ask -n "$NOTEBOOK_ID" "问题"  # 显式指定笔记本ID

问题流程（修正版）

export NOTEBOOKLM_PROXY="socks5://127.0.0.1:1080"

# ⚠️ 必须使用Step 3中记录的笔记本ID
# NOTEBOOK_ID="faee81ec-2d12-4dc5-99b9-0de78c18877a"

# 验证ID是否存在
if [ -z "$NOTEBOOK_ID" ]; then
  echo "❌ 错误：笔记本ID未设置"
  echo "请回到Step 3重新创建笔记本并记录ID"
  exit 1
fi

echo "📝 使用笔记本ID: $NOTEBOOK_ID"

# Q1: 核心算法原理（必问）
echo "❓ 询问问题1：核心算法原理"
timeout 90 ~/miniconda3/bin/conda run -n base notebooklm ask \
  -n "$NOTEBOOK_ID" \
  "这篇文章的核心算法原理是什么？请详细描述：1) 核心思想和动机，2) 主要技术方法，3) 算法流程和关键步骤，4) 输入输出。"

# Q2: 与Spatial AGI的关系（必问）
echo "❓ 询问问题2：与Spatial AGI的关系"
timeout 90 ~/miniconda3/bin/conda run -n base notebooklm ask \
  -n "$NOTEBOOK_ID" \
  "这篇文章与通用空间智能（Spatial AGI）有什么关系？请分析：1) 如何理解和表示空间，2) 如何处理空间关系，3) 对Spatial AGI有什么启发，4) 可以应用到哪些Spatial AGI场景（机器人、AR/VR等）。"

# Q3: 经过思考后的自由问题（根据Q1和Q2的答案思考后提出）
echo "💭 思考30秒..."
sleep 30

# 示例：基于前两个问题的答案，问一个你感兴趣的问题
# 可能的问题方向：
# - 技术细节："X方法的具体实现细节是什么？"
# - 实验结果："最令人惊讶的实验结果是什么？为什么？"
# - 局限性："这个方法的主要局限性是什么？如何改进？"
# - 对比分析："与其他方法（如X）相比，有什么优势和劣势？"
# - 实际应用："如何将这个方法应用到实际场景中？需要哪些改进？"

echo "❓ 询问问题3：自由问题（基于Q1和Q2）"
timeout 90 ~/miniconda3/bin/conda run -n base notebooklm ask \
  -n "$NOTEBOOK_ID" \
  "你选择的问题"

echo "✅ 所有问题询问完成"
echo "📝 记得将笔记本ID保存到文档中：$NOTEBOOK_ID"

关键改进：

✅ 使用-n "$NOTEBOOK_ID"显式指定笔记本ID
✅ 验证ID是否存在
✅ 增加超时到90秒（1.5分钟）
✅ 每个问题都独立指定笔记本ID
✅ 添加日志输出便于调试

问题选择建议（Q3）:

根据前两个问题的答案，选择一个你最感兴趣的方向：

技术深度: 如果Q1中某个技术点不清楚，深入追问
实验结果: 如果对某个实验结果感兴趣，追问细节
应用场景: 如果看到潜在应用，追问实现细节
对比分析: 如果想到相关工作，追问对比
局限性: 如果发现潜在问题，追问改进方向

执行策略:

✅ 问完Q1后，仔细阅读答案
✅ 问完Q2后，仔细阅读答案
✅ 思考30秒：基于Q1和Q2，你最想知道什么？
✅ 提出Q3

预计时间: 每篇论文 5-8分钟（3个问题 + 思考时间）

Step 4.5: 备选方案 - 使用GLM WebReader MCP 🆕

⚠️ 【仅用于NotebookLM失败】这是备选方案，不是捷径！

使用条件（必须满足至少一条）:

✅ NotebookLM连接完全失败（网络、代理、认证问题）
✅ 多次重试后仍然超时（3次以上，每次90秒）
✅ NotebookLM服务不可用或维护中
✅ PDF/arXiv页面无法添加到NotebookLM（多次尝试失败）
✅ notebooklm ask命令返回空答案或错误笔记本的答案

禁止使用的情况:

❌ 为了节省时间
❌ 觉得论文简单
❌ 想快速完成任务
❌ 已经分析了几篇，想偷懒

判断标准:

✅ 允许使用GLM:
  - NotebookLM连接超时 > 90秒
  - 代理配置正确但仍无法连接
  - 服务返回500/503错误
  - PDF添加失败3次以上
  - `notebooklm ask`返回空答案
  - `notebooklm ask`返回错误笔记本的答案

❌ 禁止使用GLM:
  - NotebookLM响应慢但能工作
  - 为了加快速度
  - 个人偏好
  - 想早点结束

如果发现违规使用GLM WebReader:

视为任务失败
需要重新执行NotebookLM流程
记录到知识库作为教训

NotebookLM常见失败模式（2026-03-05发现）：

PDF添加超时 - 大PDF（>40MB）处理时间超过90秒
笔记本选择错误 - use命令会话管理bug，返回错误笔记本的答案
空答案 - ask命令返回空字符串（来源未处理完成）

解决方案：

✅ 使用PDF URL而不是上传本地文件
✅ 显式指定笔记本ID（-n参数）
✅ 等待30秒让来源处理完成
✅ 如果仍然失败，切换到GLM WebReader

GLM WebReader使用方法

方法1: 使用web_fetch工具读取arXiv HTML页面

# 1. 读取arXiv HTML页面（推荐，格式更完整）
ARXIV_ID="2603.03198v1"
ARXIV_HTML="https://arxiv.org/html/$ARXIV_ID"

# 使用web_fetch工具
web_fetch "$ARXIV_HTML"

# 2. 基于读取的内容，手动分析论文
# - 提取核心信息（标题、摘要、方法、实验）
# - 思考与Spatial AGI的关系
# - 生成分析文档

方法2: 使用web_fetch工具读取arXiv摘要页面

# arXiv摘要页面（包含基本信息）
ARXIV_ABS="https://arxiv.org/abs/2603.03198v1"

web_fetch "$ARXIV_ABS"

GLM WebReader优势：

✅ 响应快速（<10秒）
✅ 无需代理或代理要求更低
✅ GLM-5理解能力强

GLM WebReader劣势：

❌ 无法访问PDF的完整内容（只能读取HTML）
❌ 无法保存为可交互的笔记本
❌ 上下文长度限制（但GLM-5支持128K）
❌ 质量不如NotebookLM的深度分析

何时使用：

✅ NotebookLM完全失败
✅ 时间紧急（但已经尝试NotebookLM）
✅ 快速浏览论文（非深度分析）

何时避免使用：

❌ 为了省时间
❌ 想早点结束任务
❌ 觉得NotebookLM太慢

质量对比：

维度	NotebookLM	GLM WebReader
深度分析	⭐⭐⭐⭐⭐	⭐⭐⭐
响应速度	⭐⭐	⭐⭐⭐⭐⭐
可靠性	⭐⭐⭐	⭐⭐⭐⭐⭐
上下文理解	⭐⭐⭐⭐⭐	⭐⭐⭐⭐
可交互性	⭐⭐⭐⭐⭐	⭐⭐

推荐策略：

首选: NotebookLM（深度分析）
备选: GLM WebReader（仅在失败时）

Step 5: 创建详细的Markdown文档 ✅

⚠️ 【必须遵循EXAMPLE模板】

参考模板: /home/cwh/coding/auto_blog/spatial_agi/papers/EXAMPLE_full_analysis_template.md

文档结构（必须包含）:

# 论文标题

**基本信息**:
- arXiv链接
- PDF链接
- GitHub代码（如有）
- 作者列表
- 发布日期
- **NotebookLM笔记本ID**（如果使用）

## 核心信息
- 摘要
- 关键贡献

## 📝 NotebookLM问答记录

### Q1: 核心算法原理
**问题**: ...
**答案**: ...

### Q2: 与Spatial AGI的关系
**问题**: ...
**答案**: ...

### Q3: 自由问题
**问题**: ...
**答案**: ...

## 核心技术发现
- 发现1
- 发现2
- 发现3

## 与Spatial AGI的关系
- 直接贡献
- 技术启发
- 应用场景

## 个人思考
- 最令人兴奋的发现
- 潜在局限
- 与昨日研究的关联

## 关键数据
- 模型参数
- 数据集
- 性能指标

## 总结
- 核心发现总结
- 对Spatial AGI的意义

---

**文档创建时间**: YYYY-MM-DD
**分析方法**: NotebookLM / GLM WebReader MCP（备选方案）

质量要求:

✅ 至少500行
✅ 包含完整的NotebookLM问答记录（不总结）
✅ 包含与Spatial AGI的关系分析
✅ 包含个人思考和见解
✅ 包含关键数据

⚠️ 禁止简化:

❌ 不要只写几句话
❌ 不要省略NotebookLM问答
❌ 不要复制粘贴摘要

预计时间: 10-15分钟

方案概述

使用GLM WebReader MCP直接读取arXiv HTML页面，理解论文内容。

优势:

✅ 无需代理（或使用更稳定的代理）
✅ 响应速度快（通常<10秒）
✅ 可以直接访问arXiv HTML页面
✅ GLM-5的理解能力很强

劣势:

❌ 无法上传PDF（只能读取HTML）
❌ 上下文长度限制（但GLM-5支持128K）
❌ 无法保存为笔记本
❌ 质量不如NotebookLM的深度分析

执行流程

# 1. 确认arXiv HTML页面链接
# 格式: https://arxiv.org/html/{paper_id}
# 例如: https://arxiv.org/html/2602.22745v1

# 2. 使用GLM WebReader MCP读取页面
# 假设你已经配置了GLM WebReader MCP

# 方法1: 直接通过MCP工具（如果已配置）
# 使用web_fetch工具读取HTML页面
web_fetch "https://arxiv.org/html/2602.22745v1"

# 方法2: 如果有GLM MCP工具
# 使用GLM的web_reader工具
# （具体命令取决于你的MCP配置）

# 3. 基于读取的内容，询问GLM
# 注意：这里需要你手动将web_fetch的结果传递给GLM
# 或者使用支持网页读取的GLM版本

# 示例流程：
# Step 1: 读取HTML内容
ARXIV_HTML=$(curl -L "https://arxiv.org/html/2602.22745v1")

# Step 2: 提取关键部分（标题、摘要、方法等）
# 可以使用简单的grep或更复杂的解析

# Step 3: 询问GLM（需要手动或通过脚本）
# 询问同样的3个问题

实际操作建议

推荐方案: 使用OpenClaw的内置工具

# 方案A: 使用web_fetch工具（推荐）
# 这个工具可以直接读取网页并提取markdown内容
# 然后基于提取的内容进行分析

# 1. 读取arXiv HTML页面
# （假设web_fetch工具可用）
# 在实际执行中，OpenClaw会自动调用web_fetch

# 2. 基于读取的内容，继续询问GLM
# GLM会理解网页内容并回答问题

具体步骤:

获取论文HTML链接:

# 从arXiv ID生成HTML链接
# 例如: https://arxiv.org/abs/2602.22745v1
# 改为: https://arxiv.org/html/2602.22745v1

使用GLM WebReader（在对话中直接请求）:

请访问 https://arxiv.org/html/2602.22745v1
阅读这篇论文，然后回答以下问题：

Q1: 这篇文章的核心算法原理是什么？
Q2: 这篇文章与Spatial AGI有什么关系？
Q3: [基于Q1和Q2的思考]

GLM会自动:
- 使用web_fetch工具读取HTML
- 理解论文内容
- 回答你的问题

质量保证

使用GLM WebReader MCP的文档要求与NotebookLM相同：

✅ 仍然创建详细文档（至少500行）
✅ 仍然记录完整的3个问答
✅ 仍然添加个人思考
✅ 在文档中注明使用GLM WebReader（而非NotebookLM）

文档标记:

**分析方法**: GLM WebReader MCP（NotebookLM失败）
**arXiv HTML**: https://arxiv.org/html/xxx
**GLM模型**: zai/glm-5

预计时间: 每篇论文 5-10分钟（读取 + 问答）

Step 5: 创建Markdown介绍文档 ✅

⚠️ 必须为每篇论文创建详细文档！

文档模板: 参考 /home/cwh/coding/auto_blog/spatial_agi/papers/EXAMPLE_full_analysis_template.md (1,542行)

必须包含的内容:

# [论文标题]

**发表日期**: YYYY-MM-DD  
**arXiv链接**: https://arxiv.org/abs/xxxx  
**PDF链接**: https://arxiv.org/pdf/xxxx  
**HTML版本**: https://arxiv.org/html/xxxx  
**代码仓库**: [如有]  
**作者**: 作者列表  
**NotebookLM笔记本ID**: [创建后记录]

## 核心问题
[基于NotebookLM回答整理]

## 主要方法
[基于NotebookLM回答整理]

### 方法概述
[详细描述]

### 技术细节
[具体实现]

### 算法流程
[步骤说明]

## 关键创新
1. **创新点1**: [描述]
2. **创新点2**: [描述]
3. **创新点3**: [描述]

## 实验结果
### 实验设置
[描述]

### 性能指标
[数据]

### 对比分析
[对比]

## 与Spatial AGI的关系
### 直接相关性
[基于Q2回答整理]

1. **空间表示**: [如何理解和表示空间]
2. **空间推理**: [如何处理空间关系]
3. **3D应用**: [与3D场景理解的关系]
4. **实际场景**: [可以应用的Spatial AGI场景]

### 启发与思考
[基于Q2回答整理]

1. **数据启发**: [对数据策略的启发]
2. **架构启发**: [对模型架构的启发]
3. **应用启发**: [对实际应用的启发]

### 技术挑战
[基于Q1和Q2回答分析]

## 潜在应用
[基于Q2和Q3回答整理]

## 局限性与未来工作
### 局限性
[描述]

### 未来方向
[描述]

## NotebookLM问答记录

### Q1: 核心算法原理
**问题**: 这篇文章的核心算法原理是什么？

**回答**: [NotebookLM的完整回答]

### Q2: 与Spatial AGI的关系
**问题**: 这篇文章与通用空间智能（Spatial AGI）有什么关系？

**回答**: [NotebookLM的完整回答]

### Q3: [自由问题]
**问题**: [你提出的具体问题]

**回答**: [NotebookLM的完整回答]

## 个人思考
[你的深度思考和分析，基于3个问答]

1. **最有趣的发现**: [什么]
2. **最意外的结果**: [什么]
3. **最有价值的启发**: [什么]
4. **Q3的思考过程**: [为什么问这个问题，从Q1/Q2得到了什么启发]

## 相关工作
[列出相关的论文或技术]

## 引用
```bibtex
@article{xxx,
  title={...},
  author={...},
  journal={arXiv preprint arXiv:xxxx},
  year={2026}
}

## YYYY-MM-DD 研究的论文（精选5篇）

1. **论文1标题** - arXiv:xxxx
   - 相关性: ⭐⭐⭐⭐⭐
   - 关键词: xxx, yyy, zzz
   - 文档: papers/YYYY-MM-DD_01_xxx.md
   - NotebookLM: [notebook_id]

2. **论文2标题** - arXiv:yyyy
   - 相关性: ⭐⭐⭐⭐⭐
   - 关键词: xxx, yyy, zzz
   - 文档: papers/YYYY-MM-DD_02_yyy.md
   - NotebookLM: [notebook_id]

3. **论文3标题** - arXiv:zzzz
   - 相关性: ⭐⭐⭐⭐⭐
   - 关键词: xxx, yyy, zzz
   - 文档: papers/YYYY-MM-DD_03_zzz.md
   - NotebookLM: [notebook_id]

4. **论文4标题** - arXiv:aaaa
   - 相关性: ⭐⭐⭐⭐
   - 关键词: xxx, yyy, zzz
   - 文档: papers/YYYY-MM-DD_04_aaa.md
   - NotebookLM: [notebook_id]

5. **论文5标题** - arXiv:bbbb
   - 相关性: ⭐⭐⭐⭐
   - 关键词: xxx, yyy, zzz
   - 文档: papers/YYYY-MM-DD_05_bbb.md
   - NotebookLM: [notebook_id]

Step 7: 生成每日思考文档 ✅

文件名: /home/cwh/coding/auto_blog/spatial_agi/daily_thinking/YYYY-MM-DD.md

必须包含的内容:

# Spatial AGI 思考 - YYYY-MM-DD

## 📋 每日总结

**⚠️ 这一部分是必须的，放在文档最前面，快速概览当天研究！**

### 🎯 今日核心

**研究主题**: [今天的主要研究方向，如：4D重建、视频生成等]

**论文数量**: 5篇精选论文（从X篇中筛选）

**关键突破**: 
- 🚀 [最重要的发现1，如：动态4D表示层]
- 🚀 [最重要的发现2，如：线性正交表示]
- 🚀 [最重要的发现3，如：前馈架构范式转变]

**架构演进**: [如：4层→7层，新增Level 0动态4D层]

**问题解决**: [如：解决了昨日4个问题，新识别3个问题]

### 📊 一句话总结

[用1-2句话概括今天最重要的进展]

**示例**:
> "今天从UFO-4D论文发现动态4D表示是Spatial AGI的基础，架构从4层扩展到7层，问题解决率达80%。"

### 🔗 延续性

**昨日→今日**: [简述从昨天的哪个方向延续而来]

**今日→明日**: [简述明天可能的研究方向]

**示例**:
- 昨日→今日: "静态3D表示 → 动态4D表示（UFO-4D实现）"
- 今日→明日: "动态4D → 4D + 语义理解集成"

### 📈 关键数据

- **论文分析**: 5篇（1篇完整NotebookLM + 4篇快速分析）
- **核心见解**: X个新见解
- **架构更新**: X层 → Y层（+Z个新层）
- **问题追踪**: 解决X/Y个（XX%）
- **知识缺口**: 已解决XX%，部分理解XX%，未涉及XX%
- **提交记录**: X个commits

### 🎓 今日收获

**Top 3 发现**:
1. **[发现1标题]** - [1句话说明为什么重要]
2. **[发现2标题]** - [1句话说明为什么重要]
3. **[发现3标题]** - [1句话说明为什么重要]

**最大惊喜**: [今天最意外的发现或转折]

**待解决**: [最需要明天深入的问题]

### 💡 本质思考：如何达成通用空间智能

**⚠️ 这是每日总结的核心部分，必须深刻思考！**

**要求**: 结合今日获得的所有信息，从以下3个维度进行本质层面的思考：

#### 1. 核心能力的本质是什么？

**思考方向**:
- Spatial AGI需要的**最根本能力**是什么？
- 今日论文揭示了哪些**不可或缺的组成要素**？
- 这些能力之间有什么**内在联系**？

**示例**:

今日发现动态4D表示（UFO-4D）是基础，但本质是：

显式4D表示 → 对物理世界的精确建模
前馈推理 → 实时响应能力（而非优化）
多模态耦合 → 减少数据依赖

本质：Spatial AGI需要"物理直觉"（前馈4D理解）而非"物理计算"（优化求解）


#### 2. 当前方法与理想目标的差距在哪里？

**思考方向**:
- 理想的Spatial AGI应该是什么样的？
- 当前最先进方法（包括今日论文）还缺什么？
- **最大的瓶颈**是什么？（数据、架构、表示、训练？）

**示例**:

差距分析：

✅ 已有：动态4D表示、前馈推理、多模态融合
❌ 缺失：语义理解、因果推理、长期规划、物体持久性
⚠️ 瓶颈：如何从"感知4D"到"理解4D"（不仅是看到运动，还要理解为什么运动）

最大瓶颈：缺少对物理世界规律的深层理解（因果关系、物体属性、场景语义）


#### 3. 从今天到理想状态，最可能的路径是什么？

**思考方向**:
- 基于今日发现，**下一步应该做什么**？
- 哪条技术路线**最有可能成功**？
- 需要**突破哪些关键技术**？

**示例**:

技术路线预测：

短期（3-6月）：4D表示 + 语义理解集成（如4D + CLIP）
中期（6-12月）：4D + 物理引擎 + 因果推理
长期（1-2年）：统一的世界模型（4D + 语义 + 物理 + 因果）

关键突破点：

如何学习线性正交表示（Compositional论文启发）
如何将4D表示与符号推理结合
如何实现Zero-shot的空间推理能力


---

**⚠️ 总结要求**:
- 简洁明了，控制在800字以内（含本质思考）
- 突出**最重要的3个发现**
- 清晰的**演进路径**（昨天→今天→明天）
- **本质思考**必须结合当日论文，回答上述3个问题
- **可视化数据**（图表数量、解决率等）
- 便于快速了解当天研究重点

---

## 今日论文概览

今天精读了5篇与Spatial AGI相关的前沿论文，涵盖[领域1]、[领域2]、[领域3]等领域。

### 论文列表
1. **论文1** - [简短描述和核心发现]
2. **论文2** - [简短描述和核心发现]
3. **论文3** - [简短描述和核心发现]
4. **论文4** - [简短描述和核心发现]
5. **论文5** - [简短描述和核心发现]

## 核心见解

### 1. [见解1标题]
[基于今日论文的发现]

**从[论文X]获得**:
- ✅ [具体发现]
- ✅ [具体发现]

**对Spatial AGI的启发**:
[深入思考]

### 2. [见解2标题]
[基于今日论文的发现]

...

## 与昨日思考的联系

**昨日重点**: [昨天的主要思考]

**今日进展**:
- [如何延续昨天的思考]
- [新的发现]
- [更新的理解]

## 📊 知识演进图

**⚠️ 这一部分是必须的，可视化展示知识的延续性发展！**

### 核心见解演进

```mermaid
graph LR
    A[昨日见解1] --> B[今日新发现]
    A --> C[今日深化]
    B --> D[架构更新]
    C --> D
    
    E[昨日见解2] --> F[今日验证]
    E --> G[今日调整]
    F --> H[新方向]
    G --> H
    
    style A fill:#e1f5ff
    style B fill:#c8e6c9
    style C fill:#c8e6c9
    style D fill:#fff9c4
    style E fill:#e1f5ff
    style F fill:#c8e6c9
    style G fill:#c8e6c9
    style H fill:#fff9c4

图例说明:

🔵 蓝色: 昨天的见解
🟢 绿色: 今天的新发现/深化
🟡 黄色: 架构/方向的更新

具体演进路径

昨日见解	今日进展	演进类型	相关论文
[见解1]	[新发现1]	✅ 深化验证	论文X
[见解2]	[新发现2]	🔄 调整优化	论文Y
[见解3]	[新发现3]	🆕 新发现	论文Z
[未解决问题]	[解决方案]	✅ 已解决	论文W

演进类型说明:

✅ 深化验证: 昨天的假设被今天的论文验证/深化
🔄 调整优化: 基于新发现调整昨天的理解
🆕 新发现: 今天发现的新见解（昨天未涉及）
✅ 已解决: 昨天提出的问题今天找到解决方案

架构演进对比

昨日架构:

Level 1: [描述]
Level 2: [描述]
Level 3: [描述]

今日架构:

Level 0: [新增层] ⭐ NEW
Level 1: [更新内容] 🔄
Level 2: [更新内容] 🔄
Level 3: [更新内容] 🔄
Level 4: [新增层] ⭐ NEW

演进说明:

⭐ NEW: 今天新增的层次
🔄: 今天更新/细化的内容
✅: 保持不变（验证有效）

技术栈演进

graph TD
    A[昨日技术栈] --> B{今日更新}
    B -->|新增| C[新技术1]
    B -->|优化| D[技术2优化]
    B -->|验证| E[技术3验证]
    
    C --> F[今日技术栈]
    D --> F
    E --> F

技术栈对比表:

技术领域	昨日方案	今日方案	变化
[领域1]	[方法A]	[方法B]	🔄 优化
[领域2]	[方法C]	[方法C]	✅ 验证
[领域3]	-	[方法D]	⭐ 新增

问题追踪

昨日未解决问题:

❓ [问题1] → ✅ 今日解决（论文X）
❓ [问题2] → ⏳ 部分进展（论文Y）
❓ [问题3] → ❌ 仍然未解决

今日新识别问题:

❓ [新问题1] - 来自论文Z
❓ [新问题2] - 来自论文W

优先级排序:

🔥 高优先级: [问题]
⚡ 中优先级: [问题]
💡 低优先级: [问题]

知识缺口分析

pie title 知识缺口分布
    "已解决" : 30
    "部分理解" : 40
    "未涉及" : 20
    "需要深入研究" : 10

缺口详情:

已解决 (30%): [列出]
部分理解 (40%): [列出]
未涉及 (20%): [列出]
需要深入研究 (10%): [列出]

关键里程碑

timeline
    title Spatial AGI 研究时间线
    2026-03-01 : 初始架构设计
    2026-03-02 : VLM推理优化
    2026-03-03 : 4D表示突破 ⭐

里程碑说明:

2026-03-03: 动态4D表示层突破（UFO-4D论文）

下一步演进方向

基于昨日和今日的进展，明天的重点：

延续线索: [从昨天→今天→明天]
新线索: [今天发现的新方向]
待验证: [需要进一步验证的假设]

预期演进路径:

昨日: 静态3D表示
  ↓
今日: 动态4D表示 (UFO-4D)
  ↓
明日: 实时4D + 语义理解 (?)

⚠️ 重要提示:

知识演进图是强制要求，不是可选
必须使用Mermaid图表可视化演进过程
表格要清晰对比昨天vs今天
追踪昨日问题的解决状态
识别新的知识缺口

Spatial AGI 架构更新

基于今日论文，更新Spatial AGI的架构设计：

[架构图或描述]

技术挑战

挑战1: [问题]

从[论文X]识别: [描述]

思路: [解决方案]

实现路线图

短期（本周）

[任务1]
[任务2]

中期（1个月）

[任务1]
[任务2]

长期（3个月）

[任务1]
[任务2]

关键引用

"从论文X中的重要引述" - [作者]

下一步

[明天的计划]
[需要深入研究的点]
[需要实现的代码]

关键词: #spatial-agi #[其他标签]


**特别注意**: 
- ✅ **必须参考前一天的思考** (如果存在)
- ✅ **延续性思考** - 不是独立的一天，而是持续的研究
- ✅ **深度 > 广度** - 质量比数量重要

**预计时间**: 20-30分钟

---

### Step 8: 自动提交到GitHub ✅

**⚠️ 这一步是必须的，确保每日研究成果及时同步！**

**执行操作**:
```bash
# 方法1: 执行预生成的提交脚本（推荐）
bash /tmp/spatial_agi_commit_after_research.sh

# 方法2: 手动提交（如果脚本失败）
cd /home/cwh/coding/auto_blog/spatial_agi
git add .
git commit -m "feat: Spatial AGI Research - $(date '+%Y-%m-%d')

- 分析5篇论文（arXiv最新）
- 生成论文深度分析文档
- 更新每日思考文档
- 更新论文列表

Spatial AGI Research Skill v3.1"
git push origin main

提交内容:

✅ 论文分析文档（papers/）
✅ 每日思考（daily_thinking/）
✅ 论文列表（papers_list.md）
✅ README更新（如有）

提交时间: 立即（在Step 7完成后）

提交信息格式:

feat: Spatial AGI Research - YYYY-MM-DD

- 分析5篇论文（arXiv最新）
- 生成论文深度分析文档
- 更新每日思考文档
- 更新论文列表

Spatial AGI Research Skill v3.1

验证提交:

# 查看最新提交
git log --oneline -1

# 查看远程仓库
# 访问: https://github.com/ahangchen/spatial_agi

预计时间: 1-2分钟

📁 完整文件结构

/home/cwh/coding/auto_blog/spatial_agi/
├── papers/                    # 论文介绍文档
│   ├── YYYY-MM-DD_01_paper1.md
│   ├── YYYY-MM-DD_02_paper2.md
│   ├── ...
│   ├── EXAMPLE_full_analysis_template.md  # 完整示例（1,542行）
│   └── YYYY-MM-DD_SPATIALALIGN_notebooklm_analysis.md  # 实际案例（400行）
├── daily_thinking/            # 每日思考
│   ├── YYYY-MM-DD.md
│   ├── YYYY-MM-(DD-1).md      # 前一天的思考
│   └── ...
├── papers_list.md             # 论文列表
└── README.md                  # 项目说明

⏱️ 时间估算（更新版 2026-03-05 09:00）

步骤	时间	备注
1. 搜索论文	10分钟	自动执行
2. 筛选论文	10分钟	人工筛选5篇
3. Subagent精读（5篇）	90分钟	串行18分钟/篇
3.5. 收集结果	5分钟	检查文档质量
4. 更新列表	5分钟	papers_list.md
5. 生成思考	30分钟	8000+字
6. Git提交	2分钟	自动提交
总计	~2.5小时

Subagent优势（v5.0新增）：

✅ 独立上下文 - 每篇论文有完整token空间
✅ 质量保证 - 不会因token不足创建精简版
✅ 错误隔离 - 一篇失败不影响其他
✅ 可并行 - 如果需要可同时启动多个

并行执行（可选）：

5篇论文并行: 20-30分钟
总时间: ~1小时（含筛选、思考、提交）

建议:

可以在半天内完成（上午或下午）
每天5篇论文（精读）
重点关注最相关的论文
预留30分钟缓冲时间（网络延迟）

✅ 质量检查清单

执行前

代理已启动 (socks5://127.0.0.1:1080)
GitHub仓库已关联（git@github.com:ahangchen/spatial_agi.git）
NotebookLM CLI可用
目录已创建

执行中（整体流程）

Step 1: 搜索5个关键词组合
Step 2: 筛选出5篇最有价值的论文
Step 3: 对每篇论文启动Subagent
Step 3.5: 收集Subagent结果并验证质量
Step 4: 更新papers_list.md
Step 5: 生成每日思考文档（参考前日）
Step 6: 执行Git自动提交脚本

执行中（每篇论文Subagent）

执行后（每篇论文）

每日完成

⚠️ 常见问题与解决

问题1: PDF添加超时

解决方案:

# 使用HTML版本替代
notebooklm source add "https://arxiv.org/html/xxx"

# 或在网页界面手动添加
# 访问: https://notebooklm.google.com

问题2: NotebookLM连接超时

解决方案:

# 1. 检查代理
curl -x socks5://127.0.0.1:1080 https://www.google.com

# 2. 增加超时时间
timeout 120 notebooklm ask "问题"

# 3. 使用网页界面
# 访问: https://notebooklm.google.com

问题3: 代理不稳定

解决方案:

使用稳定的代理服务
考虑使用网页界面作为备选
分批执行，避免一次性处理所有论文

问题4: NotebookLM完全失败（推荐备选方案） 🆕

症状:

连接超时（即使60秒）
代理无法访问
添加来源失败
询问问题失败

备选方案: 使用GLM WebReader MCP

操作步骤:

确认GLM MCP可用

# 检查GLM WebReader MCP是否配置
cat ~/.config/mcporter/mcp_config.json | grep -A 5 "glm"

# 或直接测试
mcporter call glm webreader --help

获取arXiv HTML链接

# 将PDF链接转换为HTML链接
# PDF: https://arxiv.org/pdf/2602.22745v1
# HTML: https://arxiv.org/html/2602.22745v1

PAPER_ID="2602.22745v1"
HTML_URL="https://arxiv.org/html/${PAPER_ID}"
echo "HTML链接: ${HTML_URL}"

使用GLM WebReader读取论文

# 方法1: 直接在对话中使用（推荐）
# 直接告诉AI:
"请访问 ${HTML_URL}，阅读这篇论文，然后回答以下问题：
Q1: 核心算法原理是什么？
Q2: 与Spatial AGI有什么关系？
Q3: [基于Q1/Q2的思考]"

# 方法2: 使用web_fetch工具
web_fetch "${HTML_URL}" extractMode="markdown"
# 然后基于内容回答问题

记录使用GLM的文档

# [论文标题]

**分析方法**: GLM WebReader MCP（NotebookLM失败）
**arXiv HTML**: https://arxiv.org/html/xxx
**GLM模型**: zai/glm-5
**日期**: YYYY-MM-DD

## 核心问题
[基于GLM回答整理]

## 主要方法
[基于GLM回答整理]

## 与Spatial AGI的关系
[基于GLM回答整理]

## GLM WebReader问答记录

### Q1: 核心算法原理
**回答**: [GLM的完整回答]

### Q2: 与Spatial AGI的关系
**回答**: [GLM的完整回答]

### Q3: [自由问题]
**回答**: [GLM的完整回答]

## 个人思考
[你的深度思考]

GLM vs NotebookLM对比:

方面	NotebookLM	GLM WebReader
速度	慢（可能超时）	快
稳定性	依赖代理	不依赖代理
深度	非常深（基于全文）	深（基于HTML）
可用性	可能失败	高可用
推荐场景	首选	备选

推荐策略:

优先尝试NotebookLM（更深度）
如果失败，立即切换到GLM（高可用）
不要在同一篇论文上浪费太多时间

何时切换:

NotebookLM添加来源超时2次 → 切换
NotebookLM询问问题超时2次 → 切换
代理连接失败 → 切换
总时间超过10分钟 → 切换

🎯 核心原则

必须使用research-assistant技能 - 不是可选
必须询问3个核心问题 - Q1算法原理 + Q2 Spatial AGI关系 + Q3思考后的自由问题
必须创建详细文档 - 至少500行，完整问答
必须参考昨日思考 - 延续性研究
质量 > 数量 - 精读5篇 > 泛读10篇

📚 参考文档

QUICK_START.md - 快速开始指南
EXECUTION_CHECKLIST.md - 详细检查清单
EXAMPLE_full_analysis_template.md - 完整示例（1,542行）
research-assistant技能 - ~/.openclaw/workspace/skills/research-assistant/SKILL.md

🚀 自动化

定时任务

任务名: spatial-agi-research
执行时间: 每天凌晨3点
任务ID: 065e3692-e19c-4259-be4e-15c145c9cd1f

查看任务:

cat ~/.openclaw/cron/jobs.json | grep -A 10 "spatial-agi-research"

手动触发:

openclaw cron run 065e3692-e19c-4259-be4e-15c145c9cd1f

最后更新: 2026-03-05 10:43 版本: v5.0 (使用Subagent进行论文精读) 维护者: OpenClaw AI

v5.0更新内容 (2026-03-05 10:43):

✅ 重大改进：使用Subagent进行论文精读
✅ 创建paper-analysis skill作为Subagent的执行逻辑
✅ 每篇论文有独立的上下文，避免token限制
✅ 确保每篇论文都有完整的分析（不再有精简版）
✅ 支持并行处理（可选）
✅ 总时间从2.5小时减少到2.5小时（串行）
✅ 新增Step 3.5：收集Subagent结果
✅ 修复spatial-agi-research skill的runtime配置
✅ 成功测试： ACE-Brain-0论文（1650行，- ✅ Git已提交并推送

v4.1更新内容 (2026-03-05 08:54):

✅ 强制要求：创建笔记本后必须立即记录ID到 -n "$NOTEBOOK_ID"
✅ 添加ID验证步骤
✅ 添加日志输出便于调试
✅ 更新Step 3和Step 4的示例代码
✅ 更新时间估算: 3.5小时 → 2.5小时（串行)
✅ 新增Step 3.5: 收集Subagent结果并验证质量
✅ 更新质量检查清单（每篇论文Subagent）
✅ 更新强制要求总结（6条不可违反的规则)
✅ 提供正确/错误流程示例对比
✅ 从建议改为强制要求
✅ 明确违反规则的后果
✅ 提供完整的正确/错误示例

v5.0更新内容 (2026-03-05 08:50):

✅ 修复NotebookLM use命令会话管理bug
✅ 添加PDF下载链接方法（比上传本地PDF更快）
✅ 增加PDF添加超时到90秒
✅ 添加30秒等待时间让来源处理完成
✅ 更新GLM WebReader使用条件
✅ 更新质量检查清单
✅ 删除3点的冗余crontab任务
✅ 保留7点的spatial-agi-research skill（完整流程)
✅ skill已包含论文搜索步骤
✅ Git已提交并推送
✅ 总时间从3.5小时减少到2.5小时
✅ 支持并行处理（可选）
✅ 新增Step 3.5: 收集Subagent结果并验证质量
✅ 新增强制要求总结（6条不可违反的规则）
✅ 提供正确/错误流程示例对比
✅ 从建议改为强制要求
✅ 明确违反规则的后果
✅ 提供完整的正确/错误示例

❌ 错误流程示例

# ❌ 错误1: 不记录ID
notebooklm create "ACE-Brain-0"
notebooklm source add "https://arxiv.org/abs/2603.03198v1"
notebooklm ask "问题"  # 可能使用错误的笔记本
# ❌ 错误2: 使用use命令
notebooklm use $ID
notebooklm ask "问题"  # use有bug

# ❌ 错误3: 不等待处理
notebooklm source add "..."
notebooklm ask "..."  # 来源未处理完成，返回空答案

v5.0更新内容 (2026-03-05 09:05):

✅ 重大改进：使用Subagent进行每篇论文的精读
✅ 创建paper-analysis skill作为Subagent的执行逻辑
✅ 每篇论文有独立的上下文，避免token限制
✅ 确保每篇论文都有完整的分析（不再有精简版）
✅ 支持并行处理多篇论文（可选）
✅ 总时间从3.5小时减少到2.5小时（串行）
✅ 新增Step 3.5：收集Subagent结果

v4.1更新内容 (2026-03-05 08:54):

✅ 强制要求：创建笔记本后必须立即记录ID到变量
✅ 强制要求：所有ask命令必须使用-n "$NOTEBOOK_ID"
✅ 添加ID验证步骤（检查ID是否存在）
✅ 添加日志输出便于调试

v4.0更新内容 (2026-03-05 08:50):

✅ 修复NotebookLM use命令会话管理bug（使用-n参数）
✅ 添加PDF下载链接方法（比上传本地PDF更快）
✅ 增加PDF添加超时到90秒

v3.0更新内容:

✅ 论文数量从10篇减少到5篇（精读 > 泛读）
✅ NotebookLM问题从13+个简化为3个核心问题
✅ 总时间从~~7.5小时减少到~~3.7小时

📋 强制要求总结（v5.0）

⚠️ 必须遵守的规则

╔════════════════════════════════════════════════════════════╗
║  🚨 强制要求（不可违反）                                   ║
╚════════════════════════════════════════════════════════════╝

1. 🤖 必须使用Subagent进行论文精读
   ✅ sessions_spawn --agent-id paper-analysis
   ❌ 在主session中处理论文（会token不足）
   ❌ 创建精简版文档（质量不够）

2. 📝 每篇论文必须有独立的Subagent
   ✅ 5篇论文 = 5个Subagent
   ✅ 每个Subagent独立上下文
   ❌ 多篇论文共用一个Subagent

3. 📄 文档质量要求
   ✅ 至少500行
   ✅ 包含完整的NotebookLM问答记录
   ✅ 包含NotebookLM笔记本ID
   ❌ 少于500行的精简版

4. ⏱️ 时间预估
   ✅ 单篇论文: 18分钟
   ✅ 5篇论文（串行）: 90分钟
   ✅ 5篇论文（并行）: 20-30分钟

5. 🔍 质量检查
   ✅ 每个Subagent完成后检查文档行数
   ✅ 确认NotebookLM笔记本ID已记录
   ✅ 验证文档内容完整性

✅ 正确流程示例（v5.0）

# Step 1: 筛选5篇论文
PAPERS=(
  "ACE-Brain-0|https://arxiv.org/abs/2603.03198v1|https://arxiv.org/pdf/2603.03198v1"
  # ... 其他4篇
)

# Step 2: 对每篇论文启动Subagent
for PAPER_INFO in "${PAPERS[@]}"; do
  IFS='|' read -r TITLE ARXIV_URL PDF_URL <<< "$PAPER_INFO"
  
  # 启动Subagent
  sessions_spawn \
    --mode run \
    --runtime acp \
    --agent-id paper-analysis \
    --task "精读论文: $TITLE
    论文信息:
    - 标题: $TITLE
    - arXiv: $ARXIV_URL
    - PDF: $PDF_URL
    - Paper ID: $(echo "$TITLE" | sed 's/[^a-zA-Z0-9]/_/g')
    
    要求:
    1. 创建NotebookLM笔记本并记录ID
    2. 添加来源（arXiv + PDF）
    3. 询问3个核心问题
    4. 创建详细文档（至少500行）
    5. 保存到 /home/cwh/coding/auto_blog/spatial_agi/papers/
    
    输出:
    - 笔记本ID
    - 文档路径
    - 文档行数"
done

# Step 3: 收集结果并验证
for FILE in /home/cwh/coding/auto_blog/spatial_agi/papers/$(date +%Y-%m-%d)_*.md; do
  LINES=$(wc -l < "$FILE")
  echo "📄 $(basename $FILE): $LINES 行"
  
  if [ $LINES -lt 500 ]; then
    echo "⚠️ 警告: 文档行数不足500行"
  fi
done

❌ 错误流程示例（v5.0）

# ❌ 错误1: 在主session中处理论文
# （会导致token不足，创建精简版）

# ❌ 错误2: 多篇论文共用一个Subagent
# （会导致上下文混乱）

# ❌ 错误3: 不检查文档质量
# （可能创建精简版而不自知）

notebooklm ask "Q1" # 哪个笔记本？

❌ 错误2: 使用use命令

notebooklm create "ACE-Brain-0" notebooklm use $ID # use有bug notebooklm ask "Q1" # 可能使用错误的笔记本

❌ 错误3: 不等待处理

notebooklm source add "https://arxiv.org/pdf/..." notebooklm ask "Q1" # 来源还没处理完，返回空答案


---

## 🔧 故障排查

### NotebookLM常见问题

#### 问题1: PDF添加超时

ERROR [notebooklm._core] RPC ADD_SOURCE failed after 30.445s Error: Request timed out calling ADD_SOURCE


**原因**: 大PDF（>40MB）处理时间超过默认30秒

**解决方案**:
1. ✅ 使用PDF的URL而不是上传本地文件
2. ✅ 增加超时到90秒
3. ✅ 使用arXiv HTML版本作为备选

```bash
# 推荐方法
timeout 90 notebooklm source add "https://arxiv.org/pdf/2603.03198v1" || \
  notebooklm source add "https://arxiv.org/html/2603.03198v1"

问题2: 笔记本选择错误

# 问的是ACE-Brain-0，返回的是SLAM-Former的答案

原因: NotebookLM CLI的use命令会话管理有bug

解决方案: 显式指定笔记本ID

# ❌ 错误方法
notebooklm use $NOTEBOOK_ID
notebooklm ask "问题"  # 可能使用错误的笔记本

# ✅ 正确方法
notebooklm ask -n $NOTEBOOK_ID "问题"  # 显式指定

问题3: 返回空答案

Answer:

Conversation: 6e59af6e... (turn ?)

原因: 来源未处理完成就提问

解决方案: 添加等待时间

# 添加来源后等待30秒
notebooklm source add "https://arxiv.org/abs/2603.03198v1"
sleep 30  # 等待处理
notebooklm ask -n $NOTEBOOK_ID "问题"

代理问题

问题: 代理连接失败

ERROR: Cannot connect to proxy socks5://127.0.0.1:1080

解决方案:

检查代理是否启动
验证代理配置
使用正确的环境变量

# 检查代理
curl --socks5 127.0.0.1:1080 https://www.google.com

# 设置环境变量
export NOTEBOOKLM_PROXY="socks5://127.0.0.1:1080"

GLM WebReader问题

问题: 何时切换到GLM WebReader?

判断标准:

✅ 切换条件（满足任意一条）:
  - NotebookLM连接超时 > 90秒
  - PDF添加失败3次以上
  - `ask`返回空答案3次以上
  - `ask`返回错误笔记本的答案2次以上

❌ 不要切换:
  - 为了节省时间
  - 响应慢但能工作
  - 个人偏好

记住: 质量 > 数量。精读5篇论文，深度理解每个核心算法和与Spatial AGI的关系，比泛读10篇更有价值！当NotebookLM失败时，立即切换到GLM WebReader MCP，不要浪费时间！

spatial-agi-research

Spatial AGI Research Skill - 完整流程

📋 完整流程（必须按顺序执行）

Step 1: 搜索arXiv最新论文 ✅

Step 2: 筛选最有价值的5篇论文 ✅

Step 3: 使用Subagent精读每篇论文 ✅

Step 3.5: 收集Subagent结果 ✅

问题流程（修正版）

Step 4.5: 备选方案 - 使用GLM WebReader MCP 🆕

GLM WebReader使用方法

Step 5: 创建详细的Markdown文档 ✅

方案概述

执行流程

实际操作建议

质量保证

Step 5: 创建Markdown介绍文档 ✅

标签

Step 6: 更新论文列表 ✅

Step 7: 生成每日思考文档 ✅

具体演进路径

架构演进对比

技术栈演进

问题追踪

知识缺口分析

关键里程碑

下一步演进方向

Spatial AGI 架构更新

技术挑战

挑战1: [问题]

实现路线图

短期（本周）

中期（1个月）

长期（3个月）

关键引用

下一步

📁 完整文件结构

⏱️ 时间估算（更新版 2026-03-05 09:00）

✅ 质量检查清单

执行前

执行中（整体流程）

执行中（每篇论文Subagent）

执行后（每篇论文）

每日完成

⚠️ 常见问题与解决

问题1: PDF添加超时

问题2: NotebookLM连接超时

问题3: 代理不稳定

问题4: NotebookLM完全失败（推荐备选方案） 🆕

🎯 核心原则

📚 参考文档

🚀 自动化

定时任务

📋 强制要求总结（v5.0）

⚠️ 必须遵守的规则

✅ 正确流程示例（v5.0）

❌ 错误流程示例（v5.0）

❌ 错误2: 使用use命令

❌ 错误3: 不等待处理

问题2: 笔记本选择错误

问题3: 返回空答案

代理问题

问题: 代理连接失败

GLM WebReader问题

问题: 何时切换到GLM WebReader?

Spatial AGI Research Skill - 完整流程

📋 完整流程（必须按顺序执行）

Step 1: 搜索arXiv最新论文 ✅

Step 2: 筛选最有价值的5篇论文 ✅

Step 3: 使用Subagent精读每篇论文 ✅

Step 3.5: 收集Subagent结果 ✅

问题流程（修正版）

Step 4.5: 备选方案 - 使用GLM WebReader MCP 🆕

GLM WebReader使用方法

Step 5: 创建详细的Markdown文档 ✅

方案概述

执行流程

实际操作建议

质量保证

Step 5: 创建Markdown介绍文档 ✅

标签