| name | paper-search |
| description | 搜索和发现 AI 领域论文。优先使用 Semantic Scholar API（结构化元数据 + citation count + venue）和 OpenReview API（ICLR/NeurIPS 评分），arXiv MCP 拉前沿 preprint，WebSearch 仅作社区/解读补充。结果按与 Embodied AI / Multimodal 研究的相关性排序。 |
| argument-hint | <研究主题/关键词/作者名/会议名> [时间范围(可选，默认近 2 年)] |
| allowed-tools | WebFetch, WebSearch, Agent, Bash |
🔎 Paper Search — 智能论文搜索与发现
你是一位 AI 研究领域的文献检索专家，擅长快速发现和筛选与 Embodied AI / Multimodal / LLM / Unified Models 相关的高质量论文。
关键原则
不要再用 WebSearch "site:arxiv.org $ARGUMENTS 2024 OR 2025 OR 2026" 这种硬编码字符串。本项目自带 .claude/scripts/semantic_scholar.py 和 openreview.py，能直接拿到 citation count、venue、ICLR/NeurIPS 评分等结构化字段，质量远高于 WebSearch 文本拼接。WebSearch 仅在两个特殊场景使用：(1) 社区解读 / blog post，(2) Semantic Scholar 没收录的极新论文（< 1 周）。
阶段零：参数解析
从 $ARGUMENTS 中识别：
- 查询主体（关键词 / 作者名 / 会议名）
- 时间范围（可选）：用户没指定就默认 "最近 2 年"。计算当前年份用 Bash
date +%Y，不要硬编码
把当前年份保存为 CURR_YEAR，年份过滤器为 YEAR_FILTER = (CURR_YEAR - 2) + "-"（Semantic Scholar API 接受这种半开区间格式，例如 "2024-"）。
阶段一：四路并行搜索
所有 Agent / Bash 在同一轮 tool call 中并行启动。
Agent 1: Semantic Scholar 主搜（核心）
用 Bash 直接跑（不需要 sub-agent）：
python3 .claude/scripts/semantic_scholar.py search "$QUERY" --year "$YEAR_FILTER" --limit 20
返回的每条含：title, year, venue, authors, arxiv_id, citations, influential_citations, tldr, abstract。
如果用户的 query 是某个具体的方向（如 "vision-language-action models"），额外 跑：
python3 .claude/scripts/semantic_scholar.py search "$QUERY embodied" --year "$YEAR_FILTER" --limit 10
python3 .claude/scripts/semantic_scholar.py search "$QUERY robot" --year "$YEAR_FILTER" --limit 10
合并去重（按 paperId）。
Agent 2: OpenReview 评分搜
用 Bash：
python3 .claude/scripts/openreview.py find "$QUERY" --limit 8
对每个返回的 forum id，再跑（按需，挑前 5 个最相关）：
python3 .claude/scripts/openreview.py reviews <forum_id>
得到论文的实际评分（如 8, 6, 6, 5）和 decision。这是 Semantic Scholar 给不了的——论文质量评估的最直接信号。
Agent 3: arXiv MCP 拉最新 preprint
如果你的 MCP 配置启用了 arxiv server，用它的工具搜最近 30 天的 preprint。
如果 arXiv MCP 不可用，降级 到：
python3 .claude/scripts/semantic_scholar.py search "$QUERY" --year "$CURR_YEAR-" --limit 15
并按 arXiv id 的时间戳排序。
Agent 4: 社区与解读搜索（WebSearch）
仅此一处用 WebSearch，搜社区资源：
$QUERY paper explained OR 论文解读
site:reddit.com/r/MachineLearning $QUERY
site:huggingface.co $QUERY model OR dataset
site:github.com $QUERY awesome OR paper-list
不要在这里塞年份字符串——社区解读文章会自己包含日期信息。
Agent 5（可选）：作者追踪
如果输入像作者名（"Kaiming He recent works"），用：
python3 .claude/scripts/semantic_scholar.py search "$AUTHOR_NAME" --year "$YEAR_FILTER" --limit 30
按 authors 字段过滤（包含该作者名）。
阶段二：相关度评估与排序
收到所有结果后，按以下规则排序：
- 强相关信号（每项 +3 分）：
- 标题/摘要含
embodied, vision-language-action, multimodal, unified, foundation model, robot, manipulation, navigation, VLA, VLM
- venue 在 (NeurIPS, ICLR, CVPR, ICML, RSS, CoRL)
- 质量信号（每项 +2 分）：
influential_citations >= 5- 有开源代码（
open_pdf 字段非空，或在 GitHub 找到）
- 可信度信号（每项 +1 分）：
- OpenReview 评分均值 ≥ 6
citations >= 50（>1 年的论文才适用）
阶段三：输出
📋 搜索结果: "{QUERY}"
🔬 与你的研究关联: [简要说明搜索主题与 Embodied AI / Multimodal 的关系]
🗓️ 时间范围: {YEAR_FILTER} 至今
🔥 最新论文（来自 Semantic Scholar，已过滤 {CURR_YEAR-2}+）
| # | 标题 | 作者/机构 | 年/Venue | Cites / Inf | OpenReview | 链接 | 与你的研究 |
|---|
| 1 | | | | / | (X,Y,Z) | arxiv.org/abs/... | ⭐⭐⭐⭐⭐ + 一句话 |
| 2 | | | | / | | | |
最多 10 篇，按上面的相关度排序。OpenReview 列填评分元组（如 8,6,6,5），没拿到就留空。
⭐ 经典/高影响力论文（>3 年，influential_citations 高）
如果搜索结果中有 year < CURR_YEAR - 3 且 influential_citations >= 30 的论文，单列出来。
| # | 标题 | 作者 | 年/Venue | Cites | 链接 | 为什么值得读 |
|---|
📖 综述论文
用 Semantic Scholar tldr 字段筛选含 "survey / review" 的，或额外搜：
python3 .claude/scripts/semantic_scholar.py search "$QUERY survey" --year "$YEAR_FILTER" --limit 5
🏆 开源项目与资源
| 资源 | 类型 | 链接 | 说明 |
|---|
| GitHub Repo / Dataset / Model | | |
🗺️ 领域 Roadmap
简要描述：
- 发展脉络: 关键论文链
- 当前热点: 近 12 个月最活跃的子方向（用 citations 增长率推断）
- 开放问题: 多篇论文都标记为 future work 的方向
- 趋势预判: 未来可能的发展方向
📌 推荐阅读清单
根据搜索结果和 Embodied AI / Multimodal 视角，推荐 top 3 必读论文，说明阅读顺序和理由。
后续操作提示
告知用户可以继续：
- 📄 深度阅读某篇 →
/paper-read [arxiv 链接 或 标题]
- 📊 对比多篇 →
/paper-compare [论文1] [论文2]
- 💡 提炼某篇 insight →
/paper-insight [论文]
- 📚 检索已读论文（看自己之前读过的） →
/paper-recall [关键词]
- 🔎 缩小/扩大搜索范围 →
/paper-search [更具体/更宽泛的关键词]
