| name | daily-paper |
| description | 具身智能论文速递 - 自动化学术调研工具
自动从 arXiv 获取具身智能领域最新论文，智能筛选高质量研究，生成结构化中文报告。
使用场景：
- 用户要求"今日论文"、"论文速递"、"学术调研"
- 需要追踪具身智能/自动驾驶领域最新研究
- 定时任务自动执行每日/每周调研
|
Daily Paper - 具身智能论文速递
自动化学术调研工具，专注于具身智能（Embodied AI）领域。
研究方向（按优先级排序）
- VLA / 多模态机器人 - Vision-Language-Action、多模态指令控制
- 世界模型 (World Model) - 视频预测、物理模拟、生成式世界模型
- 强化学习 (RL) - Robot RL、Imitation Learning、Offline RL
- 仿真 (Simulation) - Sim2Real、物理仿真、可微仿真
- 自动驾驶 - 端到端驾驶、BEV、占用网络
不收录：开源工具/框架、效率优化、纯数据集、纯 LLM、纯视觉
数据源
- arXiv（主要）: cs.RO, cs.LG, cs.CV, cs.AI
- Semantic Scholar: 追踪重点作者（Jim Fan, Pieter Abbeel, Sergey Levine 等）
- GitHub Trending: 新开源项目
- Hugging Face: robotics、RL、world-model 标签
执行流程
步骤 1：获取数据
python scripts/fetch.py --output /tmp/arxiv_papers.json
python scripts/fetch_semantic_scholar.py --days 7 --output /tmp/s2_papers.json
python scripts/fetch_github.py --output /tmp/github_repos.json
python scripts/fetch_huggingface.py --output /tmp/huggingface.json
步骤 2：筛选论文
日报：3-6 篇 | 周报：4-6 篇
评分维度：
- Novelty（新颖性）
- Impact（潜在影响力）
- Engineering Value（工程价值）
重点机构优先：NVIDIA, DeepMind, Berkeley, Stanford, MIT, Tesla AI, Physical Intelligence
步骤 3：生成报告
报告结构：
# 具身智能论文速递 (日期)
## 📌 摘要
## 🔮 Crossing Trend（基于当期论文的客观事实）
## 📚 论文分类详情
### 🤖 VLA / 多模态
### 🌍 世界模型
### 🎮 强化学习
### 🚗 自动驾驶
每篇论文的固定输出结构：
⚠️ 重要：写每篇论文前，必须先用 web_fetch 读取论文的 arXiv HTML 版本（如 https://arxiv.org/html/2602.18224v1），理解技术细节后再写。只看 abstract 写出来的内容会很浅。
### [论文标题](arXiv链接)
- **一句话摘要**：50字以内概括核心贡献
- **解决的工程/算法瓶颈**：（50-100字）具体说明针对什么问题，为什么之前的方法解决不了，要有技术细节
- **相对 SOTA 的核心改进点**（≤3条）：每条要具体，最好有数据支撑（如「LIBERO 上 98.5% 成功率」）
1. 改进点1（带具体数据/对比）
2. 改进点2
3. 改进点3
- **工程落地潜力与前置条件**：（50-100字）分「潜力」和「前置条件」两部分写，要具体到硬件要求、数据需求等
- **风险与局限**：（50-100字）不是泛泛而谈，要指出具体在什么场景/任务下会失效
- **对自动驾驶/机器人系统的启示**：（50-100字）不是复述论文，而是从工程师视角提炼可迁移的洞见，可以类比其他领域（如 LLM、自动驾驶）的经验
- **潜在应用场景**：具体应用方向
- **论文链接**：arXiv链接（有代码附上GitHub）
Crossing Trend 格式：
- 本周证据：哪些论文体现了这个趋势
- 技术迁移：哪项技术从哪个领域迁移过来
- 趋势判断：基于事实的客观判断
步骤 4：发布
根据当前渠道自动选择输出方式：
飞书渠道
- 创建或使用飞书文档：
- 如果用户未指定文档 ID，使用飞书 API 创建新文档
- 如果用户指定了文档 ID/链接，写入该文档
- 新内容插入文档顶部
python scripts/feishu.py --input /workspace/daily-papers/YYYY-MM-DD-cn.md --create --title "论文速递 YYYY-MM-DD"
python scripts/feishu.py --input /workspace/daily-papers/YYYY-MM-DD-cn.md --doc-id <用户提供的DOC_ID>
- 发送飞书卡片（可选）：
python /workspace/scripts/feishu_card.py --to <CHAT_ID> --template daily-paper --data <JSON_FILE>
非飞书渠道（Telegram/Discord/终端等）
直接输出 Markdown 文档内容，或保存到本地文件：
cat /workspace/daily-papers/YYYY-MM-DD-cn.md
输出示例（非飞书）：
# 具身智能论文速递 (2026-02-24)
## 📌 摘要
今日精选 4 篇论文，覆盖 VLA、世界模型、强化学习领域...
## 🔮 Crossing Trend
...
## 📚 论文详情
### 🤖 VLA / 多模态
#### [论文标题](https://arxiv.org/abs/xxxx)
...
配置
重点关注机构
NVIDIA, DeepMind, UC Berkeley/BAIR, Stanford, MIT,
Tesla AI, Physical Intelligence, 1X Technologies, Figure AI,
OpenAI, Anthropic, Meta AI/FAIR, Covariant
重点作者（Semantic Scholar 追踪）
Jim Fan (Linxi Fan), Pieter Abbeel, Sergey Levine, Chelsea Finn,
Danijar Hafner, Yann LeCun, Kaiming He, Ilya Sutskever
重点论文系列
Dreamer 系列, DreamZero/DreamDojo, RT 系列, OpenVLA/Octo, ALOHA, JEPA 系列
用户配置（可选）
用户可以在对话中指定：
- 飞书文档 ID：
--doc-id WPmJdLKAvohbGaxBRmLc08MVn5f 或直接粘贴文档链接
- 输出格式：
--format md 强制输出 Markdown
- 推送对象：
--to <open_id> 指定飞书消息接收人
如果未指定，根据当前会话渠道自动选择输出方式。
Prompt 文件
- 日报卡片：
/workspace/prompts/daily-paper-card.md
- 周报卡片：
/workspace/prompts/weekly-paper-card.md
定时任务示例
{
"name": "Daily Paper",
"schedule": {"kind": "cron", "expr": "0 9 * * *", "tz": "Asia/Shanghai"},
"sessionTarget": "isolated",
"payload": {
"kind": "agentTurn",
"model": "gemini",
"message": "执行今日论文速递，输出到飞书文档",
"deliver": true,
"channel": "feishu",
"to": "<your_open_id>"
}
}
