| name | paper-search-skill |
| description | 学术论文研究助手。帮助用户搜索、下载、阅读和管理学术论文。当用户提到搜索论文、查找学术文献、寻找研究资料、下载论文、阅读论文、查找某个研究主题的最新进展时，必须使用此 skill。此 skill 提供完整的学术论文研究工作流，包括搜索、筛选、下载和阅读论文核心内容。 |
Paper Search Skill
学术论文研究助手，帮助用户搜索、下载和管理学术论文。
可用工具
此 skill 使用 Paper Search MCP，提供以下工具：
- search_arxiv - 搜索 arXiv 预印本（物理、数学、计算机等）
- search_pubmed - 搜索 PubMed（医学和生物文献）
- search_biorxiv - 搜索 bioRxiv（生物学预印本）
- search_medrxiv - 搜索 medRxiv（医学预印本）
- search_google_scholar - 搜索 Google 学术
- search_semantic_scholar - 搜索 Semantic Scholar（综合学术搜索引擎）
- search_iacr - 搜索 IACR ePrint Archive（密码学相关论文）
- download_arxiv / read_arxiv_paper - 下载或读取 arXiv PDF
- download_pubmed / read_pubmed_paper - 访问 PubMed 论文
- download_biorxiv / read_biorxiv_paper - 下载或读取 bioRxiv PDF
- download_medrxiv / read_medrxiv_paper - 下载或读取 medRxiv PDF
触发场景
当用户有以下需求时，必须使用此 skill：
- 搜索学术论文
- 查找某个研究主题的最新论文
- 下载论文 PDF
- 阅读并理解论文内容
- 查找特定作者的研究
- 比较不同来源的研究
- 获取论文的摘要和关键信息
工作流程
步骤 1：理解研究需求
当用户请求论文研究时：
- 明确研究主题或问题
- 根据领域选择合适的来源：
- 计算机科学、物理、数学：arXiv, Semantic Scholar
- 密码学：IACR ePrint Archive
- 医学、生物学：PubMed、bioRxiv、medRxiv
- 通用研究：Google Scholar、Semantic Scholar（覆盖所有领域）
- 综合搜索：Semantic Scholar（强大的论文检索和引用分析）
- 询问具体要求：
- 时间范围（近期论文 vs 经典论文），默认最经典的论文（开山之作、高引用论文）
- 需要的论文数量，默认 10 - 20 篇
- 特定作者或期刊，默认不限制
步骤 2：搜索论文
-
根据需求选择搜索策略:
- 经典论文 → 策略1 + Google Scholar + arXiv
- 最新进展 → 策略2 + Google Scholar + arXiv
- 了解领域 → 策略3（综述）
- 方法细节 → 策略4
- 实际应用 → 策略7
-
执行搜索: 根据领域选择合适的搜索工具：
- CS/物理：优先使用 arXiv 或 Semantic Scholar
- 医学/生物：优先使用 PubMed 或 bioRxiv
- 密码学：使用 IACR ePrint Archive
- 全面搜索：使用 Google Scholar 或 Semantic Scholar（覆盖所有领域）
注意：如果无法连接到某个数据源，请使用 arXiv 作为备选数据源进行搜索。
- 提供结果包含：
- 论文标题
- 作者
- 发表日期
- 来源
- 摘要（如果有）
- arXiv ID / DOI / PMID / Semantic Scholar Paper ID
- 引用次数（如果有）
- 关键词（如果有）
- 直接下载链接（如果可用）
步骤 3：呈现结果
清晰格式化结果：
## 搜索结果：[主题]
### 论文 1：[标题]
- **作者**：[作者列表]
- **日期**：[发表日期]
- **来源**：[arXiv/PubMed/bioRxiv 等]
- **ID**：[arXiv ID / DOI / PMID]
- **摘要**：[简要总结]
- **关键词**：[关键词列表]
- **引用次数**：[引用次数]
- **要点**：[3-5个要点]
- **PDF**：[直接下载链接]
- **原始链接**：[原始论文链接]
### 论文 2：...
...
### 论文 N：...
步骤 4：下载和阅读（按需）
当用户想要阅读特定论文时：
-
首先尝试使用合适的工具下载 PDF：
- 使用
download_arxiv 下载 arXiv 论文（使用 arXiv ID）
- 使用
download_pubmed 下载 PubMed 论文（使用 PMID）
- 使用
download_biorxiv 下载 bioRxiv 论文（使用 DOI）
- 使用
download_medrxiv 下载 medRxiv 论文（使用 DOI）
-
如果 PDF 下载不可用，尝试读取论文内容：
read_arxiv_paper - 从 arXiv PDF 提取文本read_biorxiv_paper - 从 bioRxiv PDF 提取文本read_medrxiv_paper - 从 medRxiv PDF 提取文本
-
总结论文的关键发现：
步骤 5：组织和跟进
提供结果后：
- 询问用户是否想要下载特定论文
- 如果需要可以搜索更多论文
- 可以深入分析特定论文
- 如果有多篇相关论文，可以创建对比总结
搜索策略
策略 1：经典论文搜索（奠基性工作）
目标: 找到领域的开创性论文、高被引论文
搜索策略:
- 使用
search_google_scholar 以及 search_arxiv 搜索核心关键词
- 按引用数排序，优先选择被引 > 100 的论文
- 搜索 "foundational", "seminal", "pioneering" + 领域关键词
- 查找领域经典论文的直接引用
关键词策略:
[领域] foundation[领域] seminal work[领域] classic paper[核心概念] original
时间策略: 优先 5-15 年前的论文
策略 2：最新进展搜索（前沿研究）
目标: 找到近 1-2 年的最新研究
搜索策略:
- 使用
search_arxiv 搜索（最新预印本）
- 使用
search_google_scholar 并设置时间筛选
- 搜索顶会论文（NeurIPS, ICML, ICLR, CVPR, ACL 等）
关键词策略:
[领域] 2024[领域] 2025[领域] recent advances[领域] state of the art[核心概念] recent
时间策略: 优先最近 2 年的论文
策略 3：综述论文搜索
目标: 找到领域的全面综述
搜索策略:
- 使用
search_google_scholar 或 search_semantic_scholar 或 search_arxiv 搜索
- 搜索 "survey", "review", "tutorial", "overview" + 领域关键词
- 优先选择发表在权威期刊的综述
关键词策略:
[领域] survey[领域] review[领域] comprehensive review[领域] tutorial[领域] state of the art survey
筛选标准:
- 发表时间：近 5 年
- 引用数：越高越好
- 来源：权威期刊/会议
策略 4：方法论论文搜索
目标: 找到具体方法的技术细节
搜索策略:
- 明确方法名称或变体
- 使用多个同义词搜索
- 查找原始论文（原始提出者）
关键词策略:
[方法名] paper[方法名] original paper[方法名] proposed[方法名] implementation
策略 5：对比学习搜索
目标: 找到方法对比、基准测试论文
搜索策略:
- 搜索 "comparison", "benchmark", "evaluation" + 领域
- 查找包含 ablation study 的论文
- 搜索方法的消融实验论文
关键词策略:
[领域] benchmark[领域] comparison[领域] evaluation[方法] vs[方法] ablation study
策略 6：跨领域应用搜索
目标: 找到方法在不同领域的应用
搜索策略:
- 搜索 "application" + 领域
- 搜索 "[方法] + [目标领域]"
- 查找领域特定的论文
关键词策略:
[方法] medical[方法] healthcare[方法] finance[方法] [新领域]
策略 7：代码实现搜索
目标: 找到有开源代码的论文
搜索策略:
- 在 Google Scholar / arXiv 中筛选 "GitHub" 或 "Code" 链接
- 搜索 "official implementation"
- 查找 Papers with Code 网站
关键词策略:
[论文标题] github[方法] official code[方法] implementation
搜索策略选择流程
用户需求分析
│
▼
┌─────────────────┐
│ 是什么类型的需求？ │
└─────────────────┘
│
├─▶ 了解领域概览 ──▶ 策略3（综述）+ 策略1（经典）
│
├─▶ 学习特定方法 ──▶ 策略4（方法论）+ 策略1（奠基）
│
├─▶ 了解最新进展 ──▶ 策略2（最新）+ 策略5（对比）
│
├─▶ 应用到新领域 ──▶ 策略6（跨领域）
│
└─▶ 实际项目应用 ──▶ 策略7（代码）+ 策略5（基准）
选择合适的数据源组合执行搜索
关键词扩展技巧
1. 同义词扩展
- "neural network" → "neural net", "deep learning", "DL"
- "machine learning" → "ML", "statistical learning"
- "natural language processing" → "NLP", "text mining"
2. 上位词/下位词
3. 方法变体名称
- 原始名称 + "v2", "new", "improved"
- 会议/期刊名称 + 方法名
4. 作者名
5. 会议/期刊
- CVPR, NeurIPS, ICML, ICLR, ACL, EMNLP, AAAI, IJCAI
- Nature, Science, Cell, Lancet, NEJM
多轮搜索策略
第一轮：广度搜索
- 使用通用关键词
- 多个数据库同时搜索
- 收集 20+ 候选论文
第二轮：精炼搜索
- 基于第一轮结果，调整关键词
- 聚焦于高相关度论文
- 查找综述论文
第三轮：深度搜索
- 查找特定论文的引用
- 查找作者的其他相关工作
- 查找后续改进工作
结果筛选标准
必须考虑的维度
| 维度 | 说明 | 权重 |
|---|
| 相关度 | 与研究问题的匹配程度 | 高 |
| 引用数 | 论文影响力指标 | 中 |
| 时间 | 论文时效性 | 中 |
| 来源 | 期刊/会议权威性 | 中 |
| 可获取性 | 是否有 PDF | 高 |
优先级排序
- P0 - 必读: 综述 + 高相关 + 高引用
- P1 - 重要: 方法论 + 高相关 + 中等引用
- P2 - 参考: 最新 + 中等相关
获得更好结果的技巧
- 使用具体关键词 - 更具体的搜索词会得到更好的结果
- 尝试多个来源 - 不同数据库覆盖范围不同：
- Semantic Scholar：适合综合搜索，有引用关系分析
- Google Scholar：适合全面搜索
- arXiv：适合 CS/物理最新预印本
- 优先查看近期论文 - 对于当前研究主题，近期论文通常更相关
- 使用作者姓名 - 如果在寻找特定研究人员的工作
- 组合搜索 - 先广泛搜索，然后根据结果细化
- 利用 Semantic Scholar 的引用图 - 可以追踪论文的影响力和相关研究
注意：当其中一个来源无法得到结果的时候，需要使用另一来源进行补充搜索。
示例交互
示例 1：了解领域概览
用户："我想了解一下大语言模型（LLM）领域的最新进展"
策略选择：策略3（综述）+ 策略2（最新）
执行：搜索 "LLM survey review" 和 "LLM 2024 2025"
示例 2：学习具体方法
用户："我想深入了解 Transformer 架构的原理"
策略选择：策略4（方法论）+ 策略1（奠基）
执行：搜索 "Transformer original paper" 和 "Attention is All You Need"
示例 3：实际项目应用
用户："我想用 BERT 做文本分类，有推荐的论文和代码吗？"
策略选择：策略7（代码）+ 策略5（基准）
执行：搜索 "BERT text classification github" 和 "BERT benchmark"
示例 4：跨领域应用
用户："我想把深度学习应用到医学影像诊断"
策略选择：策略6（跨领域）
执行：搜索 "deep learning medical imaging" 和 "CNN medical diagnosis"
示例 5：了解最新前沿
用户："帮我看看最近的 AI 有什么新突破？"
策略选择：策略2（最新）+ 策略5（对比）
执行：在 arXiv 搜索最近 6 个月的论文，关注 NeurIPS/ICML 最新论文
示例 6：深度研究
用户："我要写一篇关于强化学习的综述论文"
策略选择：多轮搜索（综述→经典→最新）
执行：
- 先找强化学习 survey
- 按时间线梳理发展脉络
- 识别主要流派和方法
- 收集最新的未发表工作
错误处理
- 如果找不到论文：尝试其他来源或建议用户提供更具体的信息
- 如果下载失败：解释限制并提供论文详情（DOI、arXiv ID），以便用户直接访问
- 如果论文需要付费：指出这一点，并建议 arXiv 版本或联系作者
数据源选择指南
按领域选择
| 领域 | 首选数据源 | 备用数据源 | 特点 |
|---|
| 计算机科学 | arXiv, Semantic Scholar | Google Scholar | 预印本多，更新快 |
| 机器学习 | arXiv, Semantic Scholar | Google Scholar | 快速获取最新进展 |
| 人工智能 | arXiv, Semantic Scholar | Google Scholar | 跨领域综合 |
| 密码学 | IACR ePrint | Google Scholar | 专业数据库 |
| 医学 | PubMed, bioRxiv | Google Scholar | 同行评审为主 |
| 生物学 | PubMed, bioRxiv, bioRxiv | Google Scholar | 研究预印本 |
| 物理学 | arXiv | Google Scholar | 覆盖全面 |
| 数学 | arXiv | Google Scholar | 预印本为主 |
| 工程 | Google Scholar, Semantic Scholar | - | 综合搜索 |
| 化学 | PubMed, Google Scholar | - | 跨学科 |
| 其他 | Google Scholar | Semantic Scholar | 覆盖最广 |
按需求选择
| 需求 | 推荐数据源 | 原因 |
|---|
| 最新预印本 | arXiv | 更新最快 |
| 高引论文 | Semantic Scholar | 引用分析强 |
| 全面覆盖 | Google Scholar | 数据库最大 |
| 特定领域 | 专用数据库 | 质量更高 |
| 引用关系 | Semantic Scholar | 引用图完整 |
| 同行评审 | PubMed | 医学权威 |
输出格式
始终提供：
- 带有论文元数据的清晰搜索结果
- 下载时：确认文件位置
- 总结时：结构化的关键发现
- 下一步：询问用户接下来想做什么
