メニュー
Search academic papers via OpenAlex + AnySearch with cross-validation for math modeling references. Invoke when user needs literature search, paper references, or when writing papers requires citations.
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。
本技能应在用户要求"数学建模"、"建模比赛"、"数模论文"、"数学建模竞赛"、"建模分析"、"建模求解"或提及数学建模相关任务时使用。适用于全国大学生数学建模竞赛(CUMCM)、美国大学生数学建模竞赛(MCM/ICM)等各类数学建模比赛。
Use this skill whenever the user wants to create, read, edit, or manipulate Word documents (.docx files). Triggers include: any mention of "Word doc", "word document", ".docx", or requests to produce professional documents with formatting like tables of contents, headings, page numbers, or letterheads. Also use when extracting or reorganizing content from .docx files, inserting or replacing images in documents, performing find-and-replace in Word files, working with tracked changes or comments, or converting content into a polished Word document. If the user asks for a "report", "memo", "letter", "template", or similar deliverable as a Word or .docx file, use this skill. Do NOT use for PDFs, spreadsheets, Google Docs, or general coding tasks unrelated to document generation.
Use this skill any time a spreadsheet file is the primary input or output. This means any task where the user wants to: open, read, edit, or fix an existing .xlsx, .xlsm, .csv, or .tsv file (e.g., adding columns, computing formulas, formatting, charting, cleaning messy data); create a new spreadsheet from scratch or from other data sources; or convert between tabular file formats. Trigger especially when the user references a spreadsheet file by name or path — even casually (like "the xlsx in my downloads") — and wants something done to it or produced from it. Also trigger for cleaning or restructuring messy tabular data files (malformed rows, misplaced headers, junk data) into proper spreadsheets. The deliverable must be a spreadsheet file. Do NOT trigger when the primary deliverable is a Word document, HTML report, standalone Python script, database pipeline, or Google Sheets API integration, even if tabular data is involved.
| name | paper-search |
| description | Search academic papers via OpenAlex + AnySearch with cross-validation for math modeling references. Invoke when user needs literature search, paper references, or when writing papers requires citations. |
本技能通过 OpenAlex API + AnySearch Academic 双引擎并行搜索，实现学术论文的交叉验证式检索，为数学建模论文撰写提供更可靠的参考文献支持。
| 功能 | 说明 |
|---|---|
| 双引擎并行搜索 | 同时调用 OpenAlex 和 AnySearch 两个独立数据源 |
| 交叉验证 | 同一篇论文同时被两个源收录时标记为交叉验证，可信度更高 |
| 单源回退 | 可单独使用 OpenAlex 或 AnySearch |
| 多条件过滤 | 按引用量、发表年份、研究领域筛选（OpenAlex） |
| 多方式排序 | 按相关性/引用量/发表年份排序 |
| 摘要获取 | 自动重建并返回论文摘要 |
| 引用格式化 | 生成标准的 APA 引用格式 |
在以下情况下使用本技能：
┌──────────────────────┐
│ 论文手 / 建模手 │
│ (发起搜索请求) │
└──────────┬───────────┘
│
┌──────────▼───────────┐
│ hybrid_scholar.py │
│ (混合搜索调度器) │
└──────┬──────────┬─────┘
│ │
┌──────────▼──┐ ┌───▼───────────┐
│ OpenAlex │ │ AnySearch │
│ 论文数据库 │ │ Academic域 │
│ (结构化元数 │ │ (实时网络搜索) │
│ 据丰富) │ │ │
└─────────────┘ └───────────────┘
│ │
└────┬─────┘
▼
┌──────────────────────┐
│ 合并 · 去重 · 标记 │
│ → 交叉验证论文 │
│ → OpenAlex 独有 │
│ → AnySearch 独有 │
└──────────────────────┘
| 维度 | OpenAlex | AnySearch Academic |
|---|---|---|
| 数据源 | 开放学术图谱（结构化） | 实时网络学术搜索 |
| 覆盖范围 | 2.5亿+ 论文，结构化元数据 | 实时学术网页索引 |
| 引用数据 | 精确引用计数 | 估计值或无 |
| 摘要 | 有（倒排索引） | 可能有 |
| 领域过滤 | 支持（概念ID） | 不支持 |
| 排序 | 相关性/引用量/年份 | 相关性 |
| API Key | 不需要（需邮箱礼貌池） | 可选（匿名有速率限制） |
| 响应速度 | ~0.5-2s | ~1-3s |
使用 hybrid_scholar.py 同时调用两个引擎：
# 基础混合搜索（建议提供真实邮箱进入 OpenAlex 礼貌池）
python tools/paper_search/scripts/hybrid_scholar.py --query "grey prediction model" --email "your@email.com"
# 高级过滤 + 交叉验证
python tools/paper_search/scripts/hybrid_scholar.py --query "TOPSIS" --email "your@email.com" --min-citations 10 --year-from 2020 --field mathematics --limit 10
# JSON 输出
python tools/paper_search/scripts/hybrid_scholar.py --query "LSTM" --email "your@email.com" --json
输出分为三个区域：
============================================================
交叉验证搜索结果: grey prediction model
============================================================
数据源: OpenAlex + AnySearch
统计: OpenAlex 8 篇 | AnySearch 6 篇 | 交叉验证 3 篇
★ 交叉验证 — OpenAlex + AnySearch 同时收录
────────────────────────────────────────────────────────
[1] Grey Forecasting Model (2020) | 引用: 128 | DOI: 10.xxx
◆ OpenAlex 独有 — 仅来自 OpenAlex
────────────────────────────────────────────────────────
[2] ...
◇ AnySearch 独有 — 仅来自 AnySearch
────────────────────────────────────────────────────────
[3] ...
# 仅用 OpenAlex（传统模式）
python tools/paper_search/scripts/hybrid_scholar.py --query "genetic algorithm" --openalex-only --email "your@email.com"
# 仅用 AnySearch（无需邮箱）
python tools/paper_search/scripts/hybrid_scholar.py --query "reinforcement learning" --anysearch-only
# OpenAlex 原生脚本（向后兼容）
python tools/paper_search/scripts/openalex_scholar.py --query "grey prediction model" --email "your@email.com"
from hybrid_scholar import HybridScholar
scholar = HybridScholar(
email="your@email.com",
anysearch_api_key="your_key_optional",
)
# 混合搜索 + 交叉验证
result = scholar.search_papers(
query="grey prediction model",
limit=10,
sort="cited_by_count:desc",
min_citations=10,
year_from=2015,
field_filter="mathematics",
)
# 打印结果
scholar.print_results(result)
# 获取结构化数据
for paper in result["cross_validated"]:
print(f"[交叉验证] {paper.title} — {', '.join(paper.sources)}")
# 转为 JSON
json_str = scholar.results_to_json(result)
{
"query": "grey prediction model",
"cross_validated": [HybridPaper, ...], # 同时被两个源收录
"openalex_only": [HybridPaper, ...], # 仅 OpenAlex 收录
"anysearch_only": [HybridPaper, ...], # 仅 AnySearch 收录
"stats": {
"openalex_total": 8, # OpenAlex 返回总数
"anysearch_total": 6, # AnySearch 返回总数
"cross_validated": 3, # 交叉验证论文数
"openalex_unique": 5, # OpenAlex 独有
"anysearch_unique": 3, # AnySearch 独有
}
}
| 属性 | 类型 | 说明 |
|---|---|---|
title | str | 论文标题 |
authors | List[str] | 作者列表 |
year | int/None | 发表年份 |
citations | int | 被引用次数 |
doi | str/None | DOI 标识符 |
abstract | str/None | 摘要 |
sources | List[str] | 来源引擎：["openalex"], ["anysearch"], 或 ["openalex", "anysearch"] |
cross_validated | bool | 是否交叉验证（两个源同时收录） |
source_tag | str | 显示用标签："✓ 交叉验证" / "openalex" / "anysearch" |
根据搜索目的选择搜索策略：
| 目的 | 推荐参数 | 说明 |
|---|---|---|
| 找经典理论文献 | sort="cited_by_count:desc" min_citations=50 | 被引最高的该领域奠基性工作 |
| 找最新前沿进展 | sort="publication_year:desc" year_from=2020 | 近年最新成果 |
| 找数学方法论论文 | field_filter="mathematics" | 限定数学领域 |
| 找算法应用案例 | field_filter="engineering" | 工程领域应用 |
| 找建模竞赛可用文献 | min_citations=5 year_from=2015 | 适中的引用量+时效性 |
| 高可信引用 | 混合搜索，优先选择交叉验证结果 | 两个源同时确认的论文 |
linear programming optimizationgenetic algorithm optimizationparticle swarm optimizationsimulated annealingvehicle routing problemgrey prediction model GM(1,1)ARIMA time series forecastingLSTM neural network predictionprophet forecastinganalytic hierarchy process AHPTOPSIS multi-criteria decisionentropy weight methoddata envelopment analysis DEAshortest path algorithmminimum spanning treemaximum flow network# OpenAlex 搜索建议提供真实邮箱，进入礼貌池并降低限流风险
--email "your@email.com"
AnySearch 匿名可用（有限速），建议配置 API Key：
# 方式 1：环境变量
export ANYSEARCH_API_KEY="your_key_here"
# 方式 2：CLI 参数
python hybrid_scholar.py --query "..." --anysearch-api-key "your_key_here"
# 方式 3：.env 文件
# 在项目根目录或通过环境变量设置
# ANYSEARCH_API_KEY=your_key_here
| 文件 | 说明 |
|---|---|
scripts/hybrid_scholar.py | 混合搜索引擎（主入口，推荐使用） |
scripts/openalex_scholar.py | OpenAlex 搜索实现（hybrid_scholar 的后端之一） |
scripts/anysearch_academic.py | AnySearch Academic 封装（hybrid_scholar 的后端之一） |