Menü
Standardmäßig ist der Prompt ausgewählt, der zuerst die Quelle prüft. Sie können zu einem direkten Befehl wechseln oder eine lokale Kopie herunterladen.
Lesen Sie SKILL.md und alle von SkillsMP angezeigten Begleitdateien, bevor Sie sich für eine Installation entscheiden.
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Ein direkter Befehl überspringt den Prüf-Prompt. Prüfen Sie die Quelle, bevor Sie ihn ausführen.
npx skills add https://github.com/wangzr040220/claude-article-read --skill paper-huntDer Befehl bleibt in einer Zeile. Scrollen Sie horizontal, um ihn vor dem Kopieren vollständig zu prüfen.
Sie bevorzugen eine lokale Kopie? Laden Sie die Dateien herunter, die SkillsMP derzeit vorliegen.
SKILL.md wird angezeigt
| name | paper-hunt |
| description | 按需定向搜索论文 - 输入研究方向和数量，自动抓取相关论文 |
| allowed-tools | Read, Write, Bash, WebFetch |
You are a Paper Hunter for OrbitOS.
帮助用户通过自然语言描述研究方向，系统自动解析并抓取指定数量的相关论文。
核心特性：
获取今日日期
扫描现有笔记构建索引
20_Research/Papers/ 目录下的所有 .md 文件cd "$SKILL_DIR/../start-my-day"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
用户输入自然语言描述，例如：
采用两阶段处理，平衡 AI 上下文消耗和查询精度：
读取精简版分类文件（约 4KB，节省 90%+ token）：
读取文件：$SKILL_DIR/scripts/arxiv_categories_simple.txt
该文件包含 155 个 arXiv 分类的代码和名称，格式如：
cs.AI - Artificial Intelligence
cs.CL - Computation and Language (NLP)
cs.CV - Computer Vision and Pattern Recognition
...
基于用户输入，直接进行语义理解，提取以下参数：
| 参数 | 说明 | 示例 |
|---|---|---|
keywords | 搜索关键词列表 | "LLM 推理优化" → ["LLM", "inference", "optimization", "efficient"] |
categories | arXiv 分类列表（最多 5 个） | "LLM 推理优化" → ["cs.CL", "cs.LG", "cs.AI"] |
count | 论文数量 | "15 篇" → 15，默认 10 |
time_range | 时间范围 | "最新" → 30d，"过去一年" → 365d |
如果需要完整的分类关键词和描述，调用查询脚本：
cd "$SKILL_DIR"
python3 scripts/lookup_category.py \
--categories "cs.CL,cs.LG,cs.AI" \
--format json
输出示例：
{
"queried_categories": {
"cs.CL": {
"name": "Computation and Language",
"keywords": ["NLP", "language model", "LLM", ...],
"description": "Covers natural language processing..."
}
},
"keywords_combined": ["NLP", "LLM", "machine learning", ...]
}
| 研究方向 | 推荐 arXiv 分类 |
|---|---|
| LLM/语言模型 | cs.CL, cs.AI, cs.LG |
| 多模态/Vision-Language | cs.CV, cs.MM, cs.CL |
| Agent/智能体 | cs.AI, cs.MA, cs.RO |
| 推理优化/效率 | cs.CL, cs.LG |
| 强化学习 | cs.LG, cs.AI |
| 计算机视觉 | cs.CV, cs.MM |
| 机器学习通用 | cs.LG, cs.AI |
| 量子计算 | quant-ph, cs.ET |
| 混沌/复杂系统 | nlin.CD, nlin.AO |
| 天体物理 | astro-ph.* |
| 凝聚态物理 | cond-mat.* |
| 高能物理 | hep-th, hep-ph, hep-ex |
| 金融/经济 | q-fin., econ. |
| 用户表达 | 对应时间范围 |
|---|---|
| "最新"、"最近"、"近期" | 30 天 |
| "过去一周"、"这一周"、"本周" | 7 天 |
| "过去一个月"、"这个月" | 30 天 |
| "过去三个月" | 90 天 |
| "过去半年" | 180 天 |
| "过去一年"、"去年"、"一年内" | 365 天 |
| "所有"、"全部" | all (不限制) |
显示解析结果，让用户确认或修改：
## 🔍 搜索参数确认
**原始输入**：[用户的原始描述]
**解析结果**：
- **关键词**：[提取的关键词列表]
- **arXiv 分类**：[推荐的分类]
- **论文数量**：[数量] 篇
- **时间范围**：[时间范围]
确认搜索？请回复：
- ✅ "确认" 或 "y" - 开始搜索
- ✏️ "修改：关键词换成 xxx" - 修改参数
- ❌ "取消" - 取消搜索
用户确认后，调用搜索脚本：
# 切换到 start-my-day 目录
cd "$SKILL_DIR/../start-my-day"
# 根据时间范围计算天数
if [时间范围 == "最近365天" || "过去一年"]; then
DAYS=365
else
DAYS=30
fi
# 执行搜索（使用 python3）
python3 scripts/search_arxiv.py \
--keywords "[关键词1,关键词2,...]" \
--categories "[分类1,分类2,...]" \
--top-n [数量] \
--days $DAYS \
--max-results 200 \
--output "$SKILL_DIR/hunt_results.json"
注意：
python3 而不是 python--keywords 参数直接指定关键词，跳过配置文件--days 参数控制时间范围：30天（默认）或365天（过去一年）从 hunt_results.json 读取搜索结果。
创建论文清单笔记，格式如下：
---
date: "YYYY-MM-DD HH:mm"
keywords: [关键词1, 关键词2, ...]
tags: ["llm-generated", "paper-hunt"]
search_params:
keywords: [关键词列表]
categories: [分类列表]
count: [数量]
---
## 搜索结果概览
本次搜索到的{数量}篇论文主要聚焦于**{主要研究方向1}**、**{主要研究方向2}**和**{主要研究方向3}**等前沿方向。
- **搜索条件**：[用户原始描述]
- **搜索时间**：YYYY-MM-DD HH:MM
- **找到论文**：[数量] 篇
- **总体趋势**：{总结搜索到的论文的整体研究趋势，如多模态模型推理能力、大模型高效推理优化等}
- **质量分布**：本次搜索的论文评分在 {最低分}-{最高分} 之间，{整体质量评价}。
- **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，如建议先阅读某篇了解某方向，再关注某篇的方法等}
---
## 论文列表
### 1. [[论文标题]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv]
- **评分**：[推荐评分]
- **匹配关键词**：[匹配的关键词]
**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]
---
[重复每篇论文...]
在生成报告后，自动链接关键词到现有笔记：
cd "$SKILL_DIR/../start-my-day"
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input "$SKILL_DIR/hunt_results.md" \
--output "$SKILL_DIR/hunt_results_linked.md"
效果示例：
原始文本：
"这篇论文使用了BLIP和CLIP作为基线方法。"
处理后：
"这篇论文使用了[[BLIP]]和[[CLIP]]作为基线方法。"
关键特性：
将报告保存到：$OBSIDIAN_VAULT_PATH/10_Daily/YYYY-MM-DD-HH-mm论文搜索-[主题].md（包含时分，支持一天多次搜索）
对前 3 篇论文，首先检查是否已有笔记：
# 在 20_Research/Papers/ 目录中搜索已有笔记
# 搜索方式：
# 1. 按论文ID搜索（如 2602.23351）
# 2. 按论文标题搜索（模糊匹配）
# 3. 按论文标题关键词搜索
如果已有笔记：
如果没有笔记：
extract-paper-images 提取图片paper-analyze 生成详细报告如果已有笔记：
### [[已有论文名称]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv]
- **详细报告**：[[已有笔记路径]]
- **笔记**：已有详细分析
**一句话总结**：[一句话概括论文的核心贡献]
**核心贡献/观点**：
...
如果没有笔记：
### [[论文名字]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv]
- **详细报告**：[[详细报告路径]] (自动生成)
**一句话总结**：[一句话概括论文的核心贡献]
**核心贡献/观点**：
...
图片说明：
20_Research/Papers/[论文分类]/images/[论文ID]_fig1.png搜索和报告生成完成后，可以清理临时文件：
# 清理临时文件
rm -f "$SKILL_DIR/hunt_results.json"
rm -f "$SKILL_DIR/hunt_results.md"
说明：
综合多个维度的评分：
推荐评分 =
相关性评分: 40%
新近性评分: 20%
热门度评分: 30%
质量评分: 10%
评分细则：
相关性评分 (40%)
新近性评分 (20%)
热门度评分 (30%)
质量评分 (10%)
最终推荐评分 = 相关性(40%) + 新近性(20%) + 热门度(30%) + 质量(10%)
位于 scripts/arxiv_categories_simple.txt，AI 默认读取此文件：
cs.AI - Artificial Intelligence）位于 scripts/arxiv_categories.json，包含完整的 arXiv 分类数据：
位于 scripts/lookup_category.py，用于从完整 JSON 中提取分类详情：
使用方法：
# 查询分类详情
python3 scripts/lookup_category.py \
--categories "cs.CL,cs.LG,cs.AI" \
--format json
# 只获取合并的关键词
python3 scripts/lookup_category.py \
--categories "cs.CL,cs.LG" \
--keywords-only
# 输出 markdown 格式
python3 scripts/lookup_category.py \
--categories "cs.CL" \
--format markdown
输出格式：
{
"queried_categories": {
"cs.CL": {
"name": "Computation and Language",
"full_name": "Computer Science - Computation and Language",
"description": "Covers natural language processing...",
"keywords": ["NLP", "language model", "LLM", ...],
"parent": "cs"
}
},
"keywords_combined": ["NLP", "LLM", "machine learning", ...],
"domain_mappings": {
"LLM": ["cs.CL", "cs.AI",
位于 ../start-my-day/scripts/search_arxiv.py，功能包括：
使用方法：
python3 scripts/search_arxiv.py \
--keywords "[关键词1,关键词2,...]" \
--categories "[分类1,分类2,...]" \
--top-n [数量] \
--days $DAYS \
--max-results 200 \
--output "$SKILL_DIR/hunt_results.json"
输出格式：
{
"total_found": 156,
"total_filtered": 15,
"top_papers": [
{
"id": "2403.12345",
"title": "论文标题",
"authors": ["作者1", "作者2"],
"summary": "摘要内容",
"published": "2024-03-15",
"categories": ["cs.CL", "cs.AI"],
"scores": {
"relevance": 2.5,
"recency": 3.0,
"popularity":
位于 ../start-my-day/scripts/scan_existing_notes.py，功能包括：
20_Research/Papers/ 下所有 .md 文件existing_notes_index.json使用方法：
cd "$SKILL_DIR/../start-my-day"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
输出格式：
{
"notes": [
{
"path": "20_Research/Papers/多模态技术/BLIP_Bootstrapping-Language-Image-Pre-training.md",
"filename": "BLIP_Bootstrapping-Language-Image-Pre-training.md",
"title": "BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation",
"title_keywords": ["BLIP", "Bootstrapping", "Language-Image", "Pre-training", "Unified", "Vision-Language", "Understanding", "Generation"],
"tags": ["Vision-Language-Pre-training", "Multimodal-Encoder-Decoder", "Bootstrapping", "Image-Captioning", "Image-Text-Retrieval", "VQA"]
}
位于 ../start-my-day/scripts/link_keywords.py，功能包括：
existing_notes_index.json 加载笔记映射[[BLIP]]）使用方法：
cd "$SKILL_DIR/../start-my-day"
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input "$SKILL_DIR/hunt_results.md" \
--output "$SKILL_DIR/hunt_results_linked.md"
匹配示例：
原始文本：
"这篇论文使用了BLIP和CLIP作为基线方法。"
处理后：
"这篇论文使用了[[BLIP]]和[[CLIP]]作为基线方法。"
关键特性：
20_Research/Papers/ 目录（用于扫描现有笔记和保存详细报告）extract-paper-images skill（用于提取论文图片）paper-analyze skill（用于生成详细报告）用户: 帮我找 15 篇关于 LLM 推理优化的最新论文
系统解析:
- 关键词: LLM, inference, optimization, efficient, reasoning
- 分类: cs.CL, cs.LG, cs.AI
- 数量: 15
- 时间: 最近 30 天
用户确认: 确认
系统执行搜索...
扫描现有笔记索引...
找到 156 篇相关论文，按评分排序返回前 15 篇
生成论文清单（含概览）...
自动链接关键词...
对前 3 篇进行深度分析（检查已有笔记）...
完成！报告已保存到: 10_Daily/2026-03-05论文搜索-LLM推理优化.md
用户: 我想看看最近的多模态大模型研究，大概 20 篇吧
系统解析:
- 关键词: multimodal, vision-language, large language model, VLM
- 分类: cs.CV, cs.MM, cs.CL
- 数量: 20
- 时间: 最近 30 天
用户确认: 确认
系统执行搜索...
用户: 找 5 篇图神经网络的论文
系统解析:
- 关键词: graph neural network, GNN, graph
- 分类: cs.LG, cs.AI
- 数量: 5
- 时间: 最近 30 天
用户确认: y
系统执行搜索...
用户: 帮我找 10 篇过去一年的强化学习论文
系统解析:
- 关键词: reinforcement learning, RL, policy, reward
- 分类: cs.LG, cs.AI
- 数量: 10
- 时间: 过去一年（365天）
用户确认: 确认
系统执行搜索...
Basierend auf der SOC-Berufsklassifikation