start-my-day

name	start-my-day
description	论文阅读工作流启动 - 生成今日论文推荐笔记

You are the Daily Paper Workflow Starter for OrbitOS.

目标

帮助用户开启他们的研究日，搜索最近一个月和最近一年的极火、极热门、极优质论文，生成推荐笔记。

工作流程

工作流程概述

本 skill 使用 Python 脚本调用 arXiv API 搜索论文，解析 XML 结果并根据研究兴趣进行筛选和评分。

步骤1：收集上下文（静默）

1. 获取今日日期

   • 确定当前日期（YYYY-MM-DD格式）

2. 读取研究配置

   • 读取 $OBSIDIAN_VAULT_PATH/99_System/Config/research_interests.yaml（注意：文件名是 interests 不是 interest）获取研究领域
   • 提取：关键词、类别和优先级

3. 扫描现有笔记构建索引

   • 扫描 20_Research/Papers/ 目录下的所有 .md 文件
   • 提取笔记标题（从文件名和frontmatter的title字段）
   • 构建关键词到笔记路径的映射表，用于后续自动链接
   • 优先使用 frontmatter 中的 title 字段，其次使用文件名

步骤2：搜索论文

2.1 搜索范围

搜索所有相关分类的最近论文：

1. 搜索范围

   • 使用 scripts/search_arxiv.py 搜索 arXiv
   • 查询：所有研究相关的 arXiv 分类
   • 按提交日期排序
   • 限制结果：200篇

2. 筛选策略

   • 根据研究兴趣配置文件筛选论文
   • 计算综合推荐评分
   • 保留前10篇高评分论文

2.2 执行搜索和筛选

使用 scripts/search_arxiv.py 脚本完成搜索、解析和筛选：

# 使用 Python 脚本搜索、解析和筛选 arXiv 论文
# 首先切换到 skill 目录，然后执行脚本
# --history-dir 会自动扫描已有推荐笔记，排除已推荐过的论文
cd "$SKILL_DIR"
python scripts/search_arxiv.py \
  --config "$OBSIDIAN_VAULT_PATH/99_System/Config/research_interests.yaml" \
  --output arxiv_filtered.json \
  --max-results 200 \
  --top-n 10 \
  --categories "cs.AI,cs.LG,cs.CL,cs.CV,cs.MM,cs.MA,cs.RO" \
  --history-dir "$OBSIDIAN_VAULT_PATH/10_Daily"

脚本功能：

1. 搜索 arXiv

   • 调用 arXiv API 搜索指定分类的论文
   • 获取最多 200 篇最新论文

2. 解析 XML 结果

   • 解析 API 返回的 XML
   • 提取：ID、标题、作者、摘要、发布日期、分类

3. 应用筛选和评分

   • 根据研究兴趣配置文件筛选论文
   • 计算综合推荐评分（相关性40%、新近性20%、热门度30%、质量10%）
   • 按评分排序，保留前10篇

输出：

• arxiv_filtered.json - 筛选后的论文列表（JSON 格式）
• 每篇论文包含：
  • 论文ID、标题、作者、摘要
  • 发布日期、分类
  • 相关性评分、新近性评分、热门度评分、质量评分
  • 最终推荐评分、匹配的领域

步骤3：读取筛选结果

3.1 读取 JSON 结果

从 arxiv_filtered.json 中读取筛选和评分后的论文列表：

# 读取筛选结果
cat arxiv_filtered.json

结果包含：

• total_found: 搜索到的总论文数
• total_filtered: 筛选后的论文数
• top_papers: 前10篇高评分论文，每篇包含：
  • 论文ID、标题、作者、摘要
  • 发布日期、分类
  • 相关性评分、新近性评分、质量评分
  • 最终推荐评分、匹配的领域、匹配的关键词

3.2 评分说明

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：

1. 相关性评分 (40%)

   • 与研究兴趣的匹配程度
   • 标题关键词匹配：每个+0.5分
   • 摘要关键词匹配：每个+0.3分
   • 类别匹配：+1.0分
   • 最高分：~3.0

2. 新近性评分 (20%)

   • 最近30天内：+3分
   • 30-90天内：+2分
   • 90-180天内：+1分
   • 180天以上：0分

3. 热门度评分 (30%)

   • （如果数据可用）引用数 > 100：+3分
   • 引用数 50-100：+2分
   • 引用数 < 50：+1分
   • 无引用数据：0分
   • 或者基于发布后的时间推断（最近7天内的热门新论文）：+2分

4. 质量评分 (10%)

   • 从摘要推断：显著创新：+3分
   • 明确方法：+2分
   • 一般性工作：+1分
   • 或者读取已有笔记的质量评分

最终推荐评分 = 相关性(40%) + 新近性(20%) + 热门度(30%) + 质量(10%)

步骤4：生成今日推荐笔记

4.1 读取筛选结果

从 arxiv_filtered.json 中读取筛选后的论文列表：

• 包含前 10 篇高评分论文
• 每篇论文包含完整信息：ID、标题、作者、摘要、评分、匹配领域

4.2 创建推荐笔记文件

1. 创建推荐笔记文件

   • 文件名：10_Daily/YYYY-MM-DD论文推荐.md
   • 必须包含属性：
     • keywords: 当天推荐论文的关键词（逗号分隔，从论文标题和摘要中提取）
     • tags: ["llm-generated", "daily-paper-recommend"]

2. 检查论文是否值得详细写

   • 很值得读的论文：推荐评分 >= 7.5 或特别推荐的论文
   • 一般推荐论文：其他论文

3. 检查论文是否已有笔记

   • 搜索 20_Research/Papers/ 目录
   • 查找是否有该论文的详细笔记
   • 如果已有笔记：简略写，引用已有笔记
   • 如果无笔记：
     • 很值得读：在推荐笔记中写详细部分
     • 一般推荐：只写基本信息

4.2 推荐笔记结构

笔记文件结构如下：

---
keywords: [关键词1, 关键词2, ...]
tags: ["llm-generated", "daily-paper-recommend"]
---

[具体论文推荐列表...]

4.2.1 今日概览（放在论文列表之前）

在论文列表之前，添加一个"今日概览"部分，总结今日推荐论文的整体情况：

## 今日概览

今日推荐的{论文数量}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。

- **总体趋势**：{总结今日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**：今日推荐的论文评分在 {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}

说明：

• 基于筛选出的前10篇论文的标题、摘要和评分进行总结
• 提取共同的研究主题和趋势
• 给出合理的阅读顺序建议

4.2.2 所有论文统一格式

所有论文按评分从高到低排列，使用统一格式

### [[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]
- **笔记**：[[已有笔记路径]] 或 <<无>>

**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]

**关键结果**：[从摘要中提取的最重要结果]

---

说明：

• 论文名称使用 wikilink 格式：[[论文名字]]
• 对于前三篇论文，论文名字会关联到详细报告
• 对于其他论文，论文名字可以作为wikilink占位符，方便以后创建笔记

4.2.3 前三篇论文插入图片和调用详细分析

对于前3篇论文（评分最高的3篇）：

步骤0：检查论文是否已有笔记

# 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

步骤1：根据检查结果决定处理方式

如果已有笔记：

• 不生成新的详细报告
• 使用已有笔记路径作为 wikilink
• 在推荐笔记的"详细报告"字段引用已有笔记
• 检查是否需要提取图片（如果没有 images 目录或 images 目录为空）
  • 如果需要图片：调用 extract-paper-images
  • 如果已有图片：使用现有图片

如果没有笔记：

• 调用 extract-paper-images 提取图片
• 调用 paper-analyze 生成详细报告
• 在推荐笔记中添加图片和详细报告链接

步骤2：在推荐笔记中插入图片和链接

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]

![现有图片|600](现有图片路径)

**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]

![新提取的图片|600](新图片路径)

**核心贡献/观点**：
...

图片说明：

• 图片路径：20_Research/Papers/[论文分类]/images/[论文ID]_fig1.png
• 宽度设置为 600px
• 自动提取，无需手动操作

详细报告说明：

• 报告路径：20_Research/Papers/[论文分类]/[论文标题].md
• 论文名称标题使用 wikilink 格式：[[论文名字]]，关联到详细报告
• 在"详细报告"字段再次显示详细报告的 wikilink（可选，增强可读性）
• 详细报告由 paper-analyze 自动生成，包含完整的论文分析

步骤5：自动链接关键词（可选）

在生成推荐笔记后，自动链接关键词到现有笔记：

# 步骤1：扫描现有笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
  --vault "$OBSIDIAN_VAULT_PATH" \
  --output existing_notes_index.json

# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...

# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
  --index existing_notes_index.json \
  --input 10_Daily/YYYY-MM-DD论文推荐.md \
  --output 10_Daily/YYYY-MM-DD论文推荐_linked.md

注意：

• 关键词链接脚本会自动跳过 frontmatter、标题行、代码块
• 过滤通用词（and, for, model, learning 等）
• 保留已有 wikilink 不被修改

重要规则

• 搜索范围扩大：搜索近一个月 + 近一年热门论文
• 综合推荐评分：结合相关性、新近性、热门度、质量四个维度
• 文件名以日期：保持 10_Daily/YYYY-MM-DD论文推荐.md 格式
• 添加今日概览：在推荐笔记开头添加"## 今日概览"部分，总结今日论文的主要研究方向、总体趋势、质量分布、研究热点和阅读建议
• 按评分排序：所有论文按推荐评分从高到低排列
• 前3篇特殊处理：
  • 论文名称用 wikilink 格式：[[论文名字]]
  • 自动提取第一张图片并插入
  • 自动调用 paper-analyze 生成详细报告
  • 在"详细报告"字段显示 wikilink 关联
• 其他论文：只写基本信息，不插入图片
• 保持快速：让用户快速了解当日推荐
• 历史去重（必须）：通过 --history-dir 参数自动扫描 10_Daily/ 下所有已有推荐笔记，提取已推荐过的 arXiv ID，在筛选阶段排除，确保每日推荐不会出现重复论文
• 论文笔记时间标记：
  • 对前3篇论文调用 paper-analyze 生成详细报告时，必须在 frontmatter 中添加 created: YYYY-MM-DD（笔记创建日期）
  • 在推荐笔记中，对于已有笔记的论文，显示 created 日期，方便区分新旧笔记
  • 统一格式：created = 笔记创建日期，date = 论文发表日期
• 自动关键词链接：
  • 在生成推荐笔记后，自动扫描现有笔记
  • 将文本中的关键词（如 BLIP、CLIP 等）替换为 wikilink
  • 示例：BLIP → [[BLIP]]
  • 保留已有 wikilink 不被修改
  • 不替换代码块中的内容
  • 不替换已存在 wikilink 的内容（避免重复）

与其他 skills 的区别

start-my-day (本skill)

• 目的：从大范围搜索中筛选推荐论文，生成每日推荐笔记
• 搜索范围：近一个月 + 近一年热门/优质论文
• 内容：推荐列表
  • 开头包含"今日概览"：总结主要研究方向、总体趋势、质量分布、研究热点和阅读建议
  • 所有论文统一格式
  • 前3篇特殊处理：
    • 论文名称用 wikilink 格式：[[论文名字]]
    • 自动提取第一张图片并插入
    • 自动调用 paper-analyze 生成详细报告
    • 在"详细报告"字段显示 wikilink 关联
• 图片处理：前3篇自动提取并插入第一张图片；不包含所有论文的图
• 详细报告：前3篇自动生成，其他论文不生成
• 适用：用户每天手动触发
• 笔记引用：如果论文已有笔记，简略写并引用；如果分析需要引用历史笔记，也直接引用

paper-analyze (深度分析skill)

• 目的：用户主动查看单篇论文，深度研究
• 适用场景：用户自己还想要看，但AI没有整理到的论文
• 内容：详细的论文深度分析笔记
  • 包含所有核心信息：研究问题、方法概述、方法架构、关键创新、实验结果、深度分析、相关论文对比等
  • 图文并茂：论文中的所有图片都要用上（核心架构图、方法图、实验结果图等）
• 适用：用户主动调用 /paper-analyze [论文ID] 或论文标题
• 重要要求：无论是start-my-day整理的论文，还是用户主动查看的论文，都要图文并茂

使用说明

当用户输入 "start my day" 时，按以下步骤执行：

日期参数支持：

• 无参数：生成当天的论文推荐笔记
• 有参数（YYYY-MM-DD）：生成指定日期的论文推荐笔记
  • 例如：/start-my-day 2026-02-27

自动执行流程

1. 获取目标日期

   • 无参数：使用当前日期（YYYY-MM-DD格式）
   • 有参数：使用指定日期

2. 扫描现有笔记构建索引

   # 扫描 vault 中现有的论文笔记
   cd "$SKILL_DIR"
   python scripts/scan_existing_notes.py \
     --vault "$OBSIDIAN_VAULT_PATH" \
     --output existing_notes_index.json
   

   • 扫描 20_Research/Papers/ 目录
   • 提取笔记标题和 tags
   • 构建关键词到笔记路径的映射表

3. 搜索和筛选 arXiv 论文

   # 使用 Python 脚本搜索、解析和筛选 arXiv 论文
   # 首先切换到 skill 目录，然后执行脚本
   # --history-dir 自动排除已推荐过的论文
   # 如果有目标日期参数（如 2026-02-21），传递给 --target-date
   cd "$SKILL_DIR"
   python scripts/search_arxiv.py \
     --config "$OBSIDIAN_VAULT_PATH/99_System/Config/research_interests.yaml" \
     --output arxiv_filtered.json \
     --max-results 200 \
     --top-n 10 \
     --categories "cs.AI,cs.LG,cs.CL,cs.CV,cs.MM,cs.MA,cs.RO" \
     --history-dir "$OBSIDIAN_VAULT_PATH/10_Daily" \
     --target-date "{目标日期}"  # 如果用户指定了日期，替换为实际日期
   

4. 读取筛选结果

   • 从 arxiv_filtered.json 中读取筛选结果
   • 获取前 10 篇高评分论文
   • 每篇论文包含：ID、标题、作者、摘要、评分、匹配领域

5. 生成推荐笔记（包含关键词链接）

   • 创建 10_Daily/YYYY-MM-DD论文推荐.md（使用目标日期）
   • 按评分排序：所有论文按推荐评分从高到低排列
   • 前3篇特殊处理：
     • 论文名称用 wikilink 格式：[[论文名字]]
     • 在"一句话总结"后插入实际提取的第一张图片
     • 在"详细报告"字段显示 wikilink 关联
   • 其他论文：只写基本信息，不插入图片
   • 关键词自动链接（重要！）：
     • 在生成笔记后，扫描文本中的关键词
     • 使用 existing_notes_index.json 进行匹配
     • 将关键词替换为 wikilink，如 BLIP → [[BLIP]]
     • 保留已有 wikilink 不被修改
     • 不替换代码块中的内容

6. 对前三篇论文执行深度分析

   # 对每篇前三论文执行以下操作
   
   # 步骤1：检查论文是否已有笔记
   # 在 20_Research/Papers/ 目录中搜索
   # - 按论文ID搜索（如 2602.23351）
   # - 按论文标题搜索（模糊匹配）
   # - 按论文标题关键词搜索（如 "Pragmatics", "Reporting Bias"）
   
   # 步骤2：根据检查结果决定处理方式
   if 已有笔记:
       # 不生成新的详细报告
       # 使用已有的笔记路径
       # 只提取图片（如果没有图片的话）
   else:
       # 提取第一张图片
       /extract-paper-images [论文ID]
   
       # 生成详细分析报告
       /paper-analyze [论文ID]
   

   • 如果已有笔记：
     • 不重复生成详细报告
     • 使用已有笔记路径作为 wikilink
     • 检查是否需要提取图片（如果没有 images 目录或 images 目录为空）
     • 在推荐笔记的"详细报告"字段引用已有笔记
   • 如果没有笔记：
     • 提取第一张图片并保存到 vault
     • 生成详细的论文分析报告
     • 在推荐笔记中添加图片和详细报告链接

临时文件清理

• 搜索过程产生的临时 XML 和 JSON 文件可以清理
• 推荐笔记已保存到 vault 后，临时文件不再需要

依赖项

• Python 3.x（用于运行搜索和筛选脚本）
• PyYAML（用于读取研究兴趣配置文件）
• 网络连接（访问 arXiv API）
• 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）

脚本说明

search_arxiv.py

位于 scripts/search_arxiv.py，功能包括：

1. 搜索 arXiv：调用 arXiv API 获取论文
2. 解析 XML：提取论文信息（ID、标题、作者、摘要等）
3. 筛选论文：根据研究兴趣配置文件筛选
4. 计算评分：综合相关性、新近性、质量等维度
5. 输出 JSON：保存筛选后的结果到 arxiv_filtered.json

scan_existing_notes.py

位于 scripts/scan_existing_notes.py，功能包括：

1. 扫描笔记目录：扫描 20_Research/Papers/ 下所有 .md 文件
2. 提取笔记信息：
   • 文件路径
   • 文件名
   • frontmatter 中的 title 字段
   • tags 字段
3. 构建索引：创建关键词到笔记路径的映射表
4. 输出 JSON：保存索引到 existing_notes_index.json

使用方法：

cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
  --vault "$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"]
    }
  ],
  "keyword_to_notes": {
    "blip": ["20_Research/Papers/多模态技术/BLIP_Bootstrapping-Language-Image-Pre-training.md"],
    "bootstrapping": ["20_Research/Papers/多模态技术/BLIP_Bootstrapping-Language-Image-Pre-training.md"],
    "vision-language": ["20_Research/Papers/多模态技术/BLIP_Bootstrapping-Language-Image-Pre-training.md"]
  }
}

link_keywords.py

位于 scripts/link_keywords.py，功能包括：

1. 读取文本：读取需要处理的文本内容
2. 读取笔记索引：从 existing_notes_index.json 加载笔记映射
3. 替换关键词：在文本中查找关键词，替换为wikilink
   • 不替换已存在的 wikilink（如 [[BLIP]]）
   • 不替换代码块中的内容
   • 匹配规则：
     • 优先匹配完整的标题关键词
     • 其次匹配 tags 中的关键词
     • 匹配时忽略大小写
     • 过滤通用词（and, for, model, learning 等）
     • 跳过 frontmatter 和标题行
4. 输出结果：输出处理后的文本

使用方法：

# 首先切换到 skill 目录，然后执行脚本
cd "$SKILL_DIR"
python scripts/link_keywords.py \
  --index existing_notes_index.json \
  --input "input.txt" \
  --output "output.txt"

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。"

使用方法：

# 步骤1：扫描现有笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
  --vault "$OBSIDIAN_VAULT_PATH" \
  --output existing_notes_index.json

# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...

# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
  --index existing_notes_index.json \
  --input 10_Daily/YYYY-MM-DD论文推荐.md \
  --output 10_Daily/YYYY-MM-DD论文推荐_linked.md

关键特性：

• 智能匹配：忽略大小写匹配中文环境
• 保护已有链接：不替换已存在的wikilink
• 避免代码污染：不替换代码块和行内代码中的内容
• 路径编码：使用UTF-8编码确保中文路径正确
• 跳过敏感区域：不处理 frontmatter、标题行、代码块

关键词链接实现（新增！）

功能概述： 在生成每日推荐笔记后，自动扫描现有笔记，将文本中的关键词（如BLIP、CLIP等）替换为wikilink（如[[BLIP]]）。

实现流程：

1. 扫描现有笔记：扫描 20_Research/Papers/ 目录

   • 提取笔记的frontmatter（title、tags）
   • 从标题中提取关键词（按分隔符和常见词缀）
   • 从tags中提取关键词（按连字符分割）
   • 构建关键词到笔记路径的映射表

2. 生成推荐笔记：正常生成推荐笔记内容

3. 链接关键词：处理生成的笔记

   • 找到文本中的关键词
   • 用wikilink替换找到的关键词
   • 保留已有wikilink
   • 不替换代码块和行内代码中的内容

使用方法：

# 步骤1：扫描现有笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
  --vault "$OBSIDIAN_VAULT_PATH" \
  --output existing_notes_index.json

# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...

# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
  --index existing_notes_index.json \
  --input 10_Daily/YYYY-MM-DD论文推荐.md \
  --output 10_Daily/YYYY-MM-DD论文推荐_linked.md

关键特性：

• 智能匹配：忽略大小写匹配中文环境
• 保护已有链接：不替换已存在的wikilink
• 避免代码污染：不替换代码块和行内代码中的内容
• 路径编码：使用UTF-8编码确保中文路径正确