メニュー
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/wangzr040220/claude-article-read --skill paper-huntコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SOC 職業分類に基づく
SKILL.md を表示中
| 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...