daily-papers

name	daily-papers
description	每日论文总结。抓取 HuggingFace Daily/Trending + arXiv + venue 源（OpenAlex 期刊 IJCV/TNNLS/TPAMI、CVF 顶会 CVPR/ICCV/WACV）最新论文，按研究方向打分筛选， 生成论文笔记后基于深度阅读写出有态度的总结锐评。 触发词："今日论文总结""过去3天论文总结""过去一周论文总结""看看最近有什么论文"
argument-hint	[今日 / 过去N天 / 过去一周]
allowed-tools	Bash, Read, Write, Edit, Glob, Grep

Purpose

自动发现与研究方向相关的最新论文，生成候选列表。分三步：

1. Python 脚本抓取 + 打分（零 token）
2. 快速分流 → 确定必读论文
3. 每篇必读论文：独立 subagent 生成笔记 + 基于笔记写单篇点评 → 主 agent 汇总锐评和分流表，保存文件

关键设计：单篇点评由生成笔记的 subagent 在同一会话内完成——它此时刚读完论文、有完整上下文；让主 agent 读回笔记重写点评是对 context 的浪费，且摘要驱动的重写容易丢失笔记里的 ablation / caveat 细节。

Steps

Step 0：解析时间范围

从用户输入中解析天数：

• "今日论文总结"、"今日论文"、"每日总结" → 当天（--days 1）
• "过去3天"、"最近三天" → --days 3
• "过去一周"、"最近7天" → --days 7
• "过去两周" → --days 14
• 无特殊指定 → 默认当天

将解析出的天数存为 DAYS 变量。

Step 1：抓取 + 打分（Python 脚本，零 token）

运行 fetch_and_score.py，输出到 Workbench/daily/.candidates.json：

python3 skills/1-literature/daily-papers/fetch_and_score.py \
  --days {DAYS} \
  --output Workbench/daily/.candidates.json

脚本抓取四类源（均零 token，纯 stdlib，配置见 config.json）：

• HuggingFace Daily/Trending + arXiv：每日预印本主力，source 为 hf-daily/hf-trending/arxiv。
• OpenAlex 期刊（openalex_venues，按 ISSN）：IJCV/TNNLS/TPAMI 等，source 为 openalex:{Venue}。期刊出得稀疏，故用独立的 openalex_lookback_days 窗口（默认 60 天）而非 --days；许多 IEEE/Springer 论文在 OpenAlex 中无摘要，此时退化为 title-only 打分，仅标题命中关键词者入选。由于 title 打分（3-7）远低于 HF 高赞（9999）/ CVF（9），会被挤出 top_n，故用 reserve_per_source（默认 openalex:5）保底名额——保证每次纳入若干篇过 min_score 的期刊论文。
• CVF 顶会（cvf_proceedings）：CVPR/ICCV/WACV 论文集，source 为 cvf:{Proc}，携带 pdf_url（免费全文，供 paper-digest 读正文）。listing 页无摘要 → title-only 打分。论文集为一次性发布，"新" = 不在 history；首次启用某 proceeding 会有一批 backlog，由 max_per_source（cvf/openalex 每日条数上限）逐日泄洪，避免淹没 arxiv/HF。

跨源去重以稳定主键 paper_key（arxiv id → doi → cvf id → 标题哈希）合并：同一论文若 arxiv 与期刊均收录，会归并为一条。

检查输出：确认文件存在且包含有效 JSON 数组。如果为空数组，检查 stderr 诊断问题（可能是周末 arXiv 无更新、网络问题等），告知用户原因后停止。

网络兜底：fetch_and_score.py 的 HuggingFace Daily/Trending 与 arXiv API 抓取会先走本地 urlopen。若本地网络卡顿、超时或返回空内容，脚本会在存在 LEXMOUNT_API_KEY 时自动通过 Lexmount DOM dump 重试。key 只能来自环境变量或被 .gitignore 忽略的 .env，不得写入日志或总结文件。详细协议见 references/network-fetch-fallback.md。

历史去重：脚本在 output 同目录维护 .history.json，单天模式自动过滤已总结过的论文（30 天窗口），多天模式跳过去重。每次运行后自动更新历史。

Step 1.5：公众号 AI 动态（可选，若 config news.wechat.enabled）

抓关注公众号（机器之心/量子位/新智元/PaperWeekly 等，配置见 team-config.json news.wechat） 在时间窗内的相关文章，作为论文线索的补充信道——很多号就是在第一时间解读新论文。

python3 scripts/wechat_search/fetch_wechat.py --days {DAYS} \
  --output Workbench/daily/.wechat-candidates.json

Read candidates（已按关注账号 + 关键词打分排序）。对每条：

• 是在解读某篇具体论文（标题/摘要出现明确论文名、"XX 团队提出"、arXiv/会议名等）→ 用 WebSearch 反查该论文的 arXiv id，若查到且 vault 无笔记，按 Step 2c 的方式 queue_ops.py enqueue 入队（source 记为 wechat），让 paper-digest 后续消化原文。
• 是行业动态/观点（发布、融资、综述、访谈）→ 不入论文队列，留到 Step 4 的「公众号动态」小节一句话带过。

Guard：公众号是二手线索，只用来发现论文和感知风向；真正入库的证据永远是它指向的原始 论文。搜狗限流导致候选为空或 errors 非空时，跳过本步不阻塞。不要把公众号解读当论文点评写。

Step 2：快速分流

读取 Workbench/daily/.candidates.json，做轻量级分类，不写详细点评。

2a：兜底过滤

参照研究兴趣判断论文相关性，如果发现某篇论文与所有研究兴趣均无关，而且 score 不高，直接跳过。

2b：分流

基于摘要和 score，将论文分流为：

• 要精读：强相关 + 方法有新意或结果显著
• 可跳过：其他论文（弱相关，limited novelty，marginal improvement 等）

每篇论文只需一句话分流理由，不写详细点评。

2c：入队必读论文（持久 backlog）

把"要精读"论文写入 Workbench/queue.json，作为持久 backlog——这样即使本次 inline digest 未全部完成（论文太多 / 网络中断），剩余论文仍会留存，由 autoresearch 的 paper-digest 继续消费。

收集"要精读"论文的 arXiv id（从 .candidates.json 的 url 中提取，如 2605.21573），运行：

python3 skills/1-literature/daily-papers/queue_ops.py enqueue \
  --candidates Workbench/daily/.candidates.json \
  --ids <id1> <id2> ...

脚本自动去重（已有笔记或已在队列的跳过）、自清理（已有笔记的 pending 任务剪除）、并按 max_queue_size 裁剪。Step 3 的 inline digest 落地笔记后，下次 enqueue 会自动剪除这些任务，无需手动标记完成。

Step 3：每篇要精读论文 → 笔记 + 单篇点评

每篇要精读论文派发一个 subagent，指示它：

1. 调用 paper-digest skill 生成笔记；若笔记已存在，则直接读取已有笔记（paper-digest 会自动固化 cite_key + 缓存权威 BibTeX，无需额外操作）
2. 基于笔记正文（而非摘要），依照点评原则生成点评，并按点评模版返回点评

范围控制：仅对"要精读" 论文执行，"可跳过"不派发 subagent。

并行执行：要精读论文全部并行派发（background agents）。等待所有返回后再进入下一步。

点评模板

### {短标题}
- **Title**: {完整标题}
- **Institutes**: {institutes}
- **Source**: [link]({url})  {来源徽章：📰 HF Daily ⬆️ N / 🔥 HF Trending ⬆️ N / 📄 arXiv / 🏛 {Venue}（OpenAlex）/ 🎓 {Proc}}   **📒 论文笔记**: [[{笔记文件名}]]
- **核心**: 3-5 句，核心 idea + 主要结果，避免黑话
- **锐评**: 方法有没有硬伤？claim 和证据匹配吗？跟已有工作本质区别在哪？哪些数字亮眼、哪些
  暴露问题？
- **Rating**: `3` 🔥 / `2` 👀 / `1` 💤 ，{一句话理由}

点评原则

• 点评人设: 毒舌但眼光极准的 AI 论文审稿人，见多识广、对灌水零容忍的 senior researcher。
• 语气要求：毒舌、尖锐、精炼、有态度。不和稀泥，不说"总体还行"。明确判断好/坏。
• 内容具体： 夸要具体（哪个数字、哪个设计），骂要更具体（哪个假设不成立、哪个实验缺了、哪个 claim 站不住脚）
• 来源格式：
  • hf-daily → 📰 HF Daily ⬆️ {hf_upvotes}
  • hf-trending → 🔥 HF Trending ⬆️ {hf_upvotes}
  • arxiv → 📄 arXiv
  • openalex:{Venue} → 🏛 {Venue}（OpenAlex），如 🏛 IJCV（OpenAlex）
  • cvf:{Proc} → 🎓 {Proc}，如 🎓 CVPR2026

重要‼️：Subagent prompt 必须包含以上完整的点评模板 和 点评原则，不要省略

Step 4：汇总点评 + 生成总结文件

汇总论文点评，生成总结文件，保存到 Workbench/daily/YYYY-MM-DD.md（日期为目标日期）。若文件已存在，覆盖写入。

写入后执行 YAML 前置校验：检查 frontmatter 中含冒号的字段值是否已加双引号，若未加则立即用 Edit 修复。

总结文件模版：

---
date: YYYY-MM-DD
tags: [daily-papers, tag1, tag2, ...]
---
# 🔪 今日总结

{2-3句总结}

## 评分表

| Rating | 论文 |
|--------|------|
| 🔥 `3 - Foundation` | [[#{短标题}]]（理由）· [[#{短标题}]]（理由） |
| 👀 `2 - Frontier` | [[#{短标题}]]（理由）· ... |
| 💤 `1 - Archived` | [[#{短标题}]]（理由） |

## 论文点评

{按评分表顺序，原样拼接 Step 3 返回的各单篇点评块}

## 已跳过论文

| 论文 | 跳过原因 |
|------|----------|
| ... | ... |

## 公众号动态

<仅在 Step 1.5 有相关候选时保留本节；无则整节省略>

| 公众号 | 标题 | 一句话 / 已入队论文 |
|--------|------|--------------------|
| {source} | [{标题}]({link}) | {动态摘要，或"→ 已入队 arXiv:xxxx 待 digest"} |

Tag 选择：阅读 vault 目录下的 {vault_root}/references/tags.md，按照规范选择 tag。

Step 5：追加工作日志

将以下格式的 log entry 追加到 Workbench/logs/YYYY-MM-DD.md（日期为今天）：

### [HH:MM] daily-papers
- **input**: {DAYS} 天
- **output**: [[Workbench/daily/YYYY-MM-DD]]
- **observation**: 抓取 K 篇，精读 N 篇（rating 3: X / 2: Y / 1: Z），跳过 M 篇

若日志文件不存在，先创建文件（包含一级标题 # YYYY-MM-DD），再追加 entry。

告知用户：抓取 K 篇，精读 N 篇（rating 3: X / 2: Y / 1: Z），跳过 M 篇

Verify

• Workbench/daily/.candidates.json 存在且非空
• Workbench/daily/YYYY-MM-DD.md 已创建
• 评分表中的 [[#{短标题}]] 链接与论文点评的 ### {短标题} 完全匹配
• 要精读论文笔记已生成，论文点评基于笔记内容
• 日志已追加到 Workbench/logs/YYYY-MM-DD.md