菜单
Busca artículos académicos usando EXA, Semantic Scholar y Google Scholar. Usa cuando el usuario necesita encontrar fuentes para un paper, revisar literatura, o dice "busca papers sobre...", "encuentra artículos de...", "qué investigaciones hay sobre...".
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
基于 SOC 职业分类
| name | research-literature |
| description | Busca artículos académicos usando EXA, Semantic Scholar y Google Scholar. Usa cuando el usuario necesita encontrar fuentes para un paper, revisar literatura, o dice "busca papers sobre...", "encuentra artículos de...", "qué investigaciones hay sobre...". |
| language | es-CO |
| metadata | {"version":"1.1.0","trit":0,"risk_tier":"CAUTION"} |
Skill de descubrimiento de fuentes académicas. Recibe un tema de investigación
y devuelve fuentes identificadas con metadatos estructurados (DOI, PMID, URL, autores,
año, resumen). Las fuentes descubiertas se entregan como insumo al skill generar-paper,
que se encarga de validarlas, formatearlas y componer el documento final.
Este skill no valida citas ni compone documentos. Solo busca y descubre. La
validación rigurosa la hace generar-paper con su pipeline de verificación Tier C.
Tema de investigación → [EXA → Semantic Scholar → Google Scholar] → Fuentes estructuradas → generar-paper
El pipeline de búsqueda es en cascada, por orden de preferencia:
| Prioridad | Herramienta | Fortaleza |
|---|---|---|
| 1 | EXA | Búsqueda semántica con embeddings, alta precisión, filtra por categoría research paper |
| 2 | Semantic Scholar | API gratuita, metadatos ricos (citas, venues, campos de estudio), sin API key requerida |
| 3 | Google Scholar | Cobertura máxima, sin API (búsqueda manual guiada por estrategia documentada) |
El agente debe intentar EXA primero. Si no hay API key o los resultados son insuficientes, pasa a Semantic Scholar. Google Scholar es el último recurso para búsqueda manual.
El usuario entrega un tema de investigación, idealmente con filtros:
--start-year, --end-year)script: search_exa.py
# Búsqueda semántica básica
python scripts/search_exa.py "machine learning in healthcare" --limit 10
# Con filtros de año y dominio
python scripts/search_exa.py "transformer attention mechanisms" \
--start-year 2020 --end-year 2025 \
--domains arxiv.org --limit 20 \
--output resultados.json
# Salida en BibTeX
python scripts/search_exa.py "neural rendering" --format bibtex --output referencias.bib
Requiere: EXA_API_KEY en variable de entorno.
script: search_semantic_scholar.py
# Búsqueda por palabra clave
python scripts/search_semantic_scholar.py "coral reef conservation" --limit 20
# Con filtros de año, venue y tipo de publicación
python scripts/search_semantic_scholar.py "quantum error correction" \
--year 2022-2025 \
--venue "Nature|Science|Physical Review" \
--publication-types JournalArticle \
--min-citations 10 \
--output papers.json
# Búsqueda por título (útil para verificar si un paper existe)
python scripts/search_semantic_scholar.py --match "Attention Is All You Need"
No requiere API key (rate limit: 100 req/5 min sin key). Con SEMANTIC_SCHOLAR_API_KEY
el límite sube a 100 req/seg.
Sin script. El agente realiza búsqueda manual guiada por la estrategia documentada
en references/buscar-google-scholar.md. Usar operadores author:, intitle:,
source: y filtros por año. Google Scholar es el último recurso cuando las APIs
no devuelven resultados suficientes.
Cuando se usan múltiples herramientas, combinar los resultados con merge_results.py
para eliminar duplicados antes de entregar a generar-paper:
python scripts/merge_results.py exa_results.json semantic_results.json \
--output unified.json
El skill produce un archivo JSON estructurado con las fuentes encontradas:
{
"query": "machine learning in healthcare",
"timestamp": "2026-06-14T10:30:00",
"sources_used": ["exa", "semantic_scholar"],
"total_results": 25,
"results": [
{
"title": "Deep Learning for Healthcare: Review, Opportunities and Challenges",
"authors": ["Smith, John", "Doe, Jane"],
"year": 2024,
"doi": "10.1000/xyz123",
"url": "https://doi.org/10.1000/xyz123",
"abstract": "This paper reviews...",
"source": "exa",
"citation_count": 42
}
]
}
El skill research-literature entrega fuentes identificadas (DOIs, URLs, metadatos).
El skill generar-paper las recibe y ejecuta su pipeline:
extracción → validación Tier C → formateo BibTeX → composición Typst → PDF.
El agente carga ambos skills juntos cuando el usuario pide buscar fuentes Y generar
un paper. La orquestación es a nivel de agente, no de código. Ver references/estrategia-busqueda.md
para el flujo de integración.
| Guía | Propósito |
|---|---|
references/buscar-exa.md | Guía de búsqueda con EXA: filtros, categorías, estrategias de query |
references/buscar-semantic-scholar.md | Guía de búsqueda con Semantic Scholar: endpoints, filtros, campos disponibles |
references/buscar-google-scholar.md | Estrategia de búsqueda manual en Google Scholar: operadores, filtros, tácticas |
references/estrategia-busqueda.md | Estrategia general: cuál herramienta usar, cuándo, y cómo combinarlas |
| Script | Propósito |
|---|---|
scripts/search_exa.py | Búsqueda semántica con EXA API vía exa-py |
scripts/search_semantic_scholar.py | Búsqueda con Semantic Scholar API REST |
scripts/merge_results.py | Combinar y deduplicar resultados de múltiples fuentes |
exa-py — SDK de Python para EXA API (pip install exa-py)requests — para Semantic Scholar API (pip install requests)generar-paper — validar citas y componer documentos. Cargar después de obtener fuentes con este skill.find-docs — consultar documentación actualizada de EXA, Semantic Scholar, o APIs relacionadas.Fetches live model data from OpenRouter and Artificial Analysis APIs, merges benchmarks with pricing, runs deep cost analysis on usage logs, exports usage from LLM surfaces (OpenCode, VS Code, etc.), analyzes subscription efficiency, and forecasts future spend with cheaper-model alternatives. Use when comparing LLM costs or quality, analyzing total API spend from usage logs, exporting agent usage for cost analysis, evaluating subscription cost efficiency, forecasting future LLM costs, finding cheaper alternatives, or when the user asks about model pricing, intelligence index, speed, or token costs across providers.
Genera documentos académicos en formato APA 7 (estudiante) con validación estricta de citas y salida en PDF vía Typst. Usa cuando el usuario necesita validar referencias, formatear bibliografía, componer un paper con estructura IMRaD, o compilar un documento académico a PDF.
Extrae información de cursos Moodle Uniremington y organiza estructura de carpetas local. Usa cuando necesites inicializar cursos, sincronizar contenido o verificar estado de un curso vs Moodle.
Proactive version control strategy for AI agents. Creates worktrees, commits at plan checkpoints with conventional commits, merges at plan completion. Use when starting any development session that involves code changes. Load at session start and keep in context permanently.
Generate software architecture diagrams, flowcharts, sequence diagrams, block diagrams, C4 models, ER schemas, Sankey flows, state machines, GitGraphs, timelines, and more using Mermaid (v11+) with ELK layout engine. Renders SVG, PNG, and ASCII art via beautiful-mermaid. Use when users ask to diagram, visualize, or map software concepts, system architecture, data flows, processes, or database schemas.
The definitive framework for creating, optimizing, and auditing AI agent skills. Uses Test-Driven Development loops with XML prompt-based evaluation. Use when creating a new skill, improving an existing skill's trigger rate, or auditing a skill for structural/security issues.