一键在 Manus 中运行任何 Skill

开始使用

literature-survey

星标3

分支0

更新时间2026年5月25日 19:05

端到端文献综述流程：搜索→Scope Freeze→Corpus Freeze→下载→解析→证据提取→综述生成。当用户说"帮我调研/综述 XXX"、"帮我找 XXX 相关的论文"时触发。

安装

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。

在 Manus 中运行

来源

ChunqiGuo02

ChunqiGuo02/NeXus

打开 GitHub 仓库查看创作者相关仓库

下载

在 Manus 中运行

literature-survey

完整的文献综述流水线，包含人机交互卡点。

Venue Deep Reading Integration (T12.d)

Reads artifacts/venue_deep_reading_profile.json（如已存在）以：

排序精读对象：tier_priority (Oral > Spotlight > Poster) × year_priority (本年 > 去年 > 前年...)
把 baseline_consensus 列表当作"必读 reference set"——这些论文应优先 fetch 并精读
用 formulation_templates 校准本次综述要找的论文类型（如果场地偏好 RL formulation，调研重点偏 RL）

流程

用户提出 topic
  │
  ▼ Scope Freeze 卡点
  确认关键词、时间范围、排除项
  │
  ▼ Step 1: 搜索
  调用 search_papers(query, year_range, max_results=50)
  │
  ▼ Corpus Freeze 卡点
  展示去重后的文献矩阵（标题/年份/引用数/是否OA）
  用户确认后才开始下载
  │
  ▼ Step 2: 获取
  对每篇论文调用 fetch_paper(doi_or_arxiv_id)
  │
  ├─ arXiv → alphaxiv-paper-lookup 获取 Markdown
  ├─ 非 arXiv + 有 PDF → pdf-to-markdown 解析
  └─ 无法获取 → 标记 access_state + publishable，触发 Manual Fetch 卡点
  │
  ▼ Step 3: 验证引用
  对每篇论文调用 citation-verifier Skill
  │
  ▼ Step 4: 提取证据
  对每篇已解析的 Markdown 调用 claim-extractor Skill
  │
  ▼ Step 5: 生成综述
  基于 evidence_graph.json 生成结构化综述
  │
  ▼ Step 6: 更新 KG
  触发 pattern-promoter Skill（如果 claims 够多）

Scope Freeze 卡点

在搜索之前，先与用户确认：

关键词: 搜索用的核心词和扩展词
时间范围: 如 "2020-2026"
语言: en / zh / both
排除项: 不想包含的主题或方向
预计规模: 搜索数量（20/50/100）

将确认结果写入 project_state.json 的 scope 字段。

Corpus Freeze 卡点

搜索完成后，展示文献矩阵：

#	标题	年份	引用	OA	来源
1	Attention Is All You Need	2017	95000	✅	S2+arXiv
2	...	...	...	...	...

用户可以：

删除不需要的论文
手动添加 DOI/arXiv ID
确认后开始下载

综述输出格式

# {topic} 文献综述

## 1. 研究背景
(基于 evidence_graph 中的 claims)

## 2. 主要方法
(按 method 类型的 claims 组织)

## 3. 关键发现
(按 result 类型的 claims 组织)

## 4. 现有局限
(按 limitation 类型的 claims 组织)

## 5. 未来方向
(基于 gaps 分析)

## 参考文献
(仅包含 bib/ 中验证过的引用)

搜索策略深度指导（v3）

关键词构造

核心词 + 扩展词矩阵：
- 核心词：直接描述研究主题（如 "graph neural network"）
- 方法同义词：替代叫法（如 "message passing network"）
- 应用同义词：不同表述（如 "node classification" vs "semi-supervised learning on graphs"）
- 跨语言：中英文分别搜索（中文学术搜索用 CNKI/万方）

组合搜索模式：

搜索轮次	模式	示例
Round 1	核心方法 + 核心任务	"contrastive learning" + "graph"
Round 2	核心方法 + 应用领域	"contrastive learning" + "urban computing"
Round 3	问题描述（不含方法）	"label-efficient node classification"
Round 4	反向搜索：领域 + "survey" OR "review"	"graph learning survey 2024"

Snowball 搜索（引用链扩展）：
- 对 top-5 高引论文，检查其 References 和 Cited By
- 重点关注近 1 年的被引论文（可能是 emerging work）

文献质量评估标准

对每篇搜索到的论文，按以下权重评估是否纳入 corpus：

维度	权重	评估方法
时效性	30%	发表年份距今 ≤2 年优先；经典方法不受限
影响力	25%	被引数的 percentile（同年份同领域内归一化）
相关性	30%	与研究主题的直接匹配度（abstract 匹配评分）
方法论	15%	是否提出可复现的方法 / 是否有开源代码

阈值：综合评分 < 0.4 的论文建议在 Corpus Freeze 时标记排除。

Survey 输出质量门（v3）

artifacts/survey.md 生成后必须通过以下检查：

检查项	标准	状态
What 问题	survey 清晰回答了"这个领域在研究什么？"	☐
How 方法	survey 按方法类型（≥3 类）组织了已有工作	☐
Gap 缺口	survey 明确指出 ≥2 个未解决的 gap	☐
时间线	survey 包含方法演进的时间线或里程碑	☐
定量覆盖	survey 引用的论文 ≥ corpus 的 60%	☐
去重验证	无重复引用同一论文的不同表述	☐

未通过 → 补充后重新生成，不允许直接进入 evidence_audit。

文件更新

文件	更新内容
`project_state.json`	scope、phase、stats
`corpus_ledger.json`	所有搜索到的论文（含 access_state + publishable）
`evidence_graph.json`	提取的 claims
`bib/verified.json`	验证过的引用
`artifacts/survey.md`	生成的综述

Pipeline Exit

完成后执行：

更新 project_state.json 的 current_stage
必须调用 pipeline-orchestrator.complete_stage("survey_fetch") 验证产出
根据返回值自动进入下一阶段（evidence_audit）

同仓库更多 Skills

同仓库

multi-reviewer

ChunqiGuo02/NeXus

SDP 双模型 6 审稿人 + 交叉审核系统。含拒稿信预演。当用户说"审稿"、"review"、"帮我看看这篇论文写得怎么样"时触发。

2026-05-253

omni-orchestrator

ChunqiGuo02/NeXus

Nexus 统一入口。意图识别 + 模式路由 + 首次引导 + Autopilot 模式。当用户提出任何学术研究相关请求时触发（调研、找论文、构思 idea、写论文、审稿、做实验等）。

2026-05-253

idea-brainstorm

ChunqiGuo02/NeXus

基于 Evidence Graph + Knowledge Graph 进行学术 idea 构思与评估。双阶段流程：Phase 1 用 ToT 思维树系统性探索，Phase 2 用 SDP 跨模型红队攻击。当用户说"帮我想 idea"、"brainstorm"、"研究方向"、"有什么可以做的"时触发。

2026-05-253

code-review

ChunqiGuo02/NeXus

Review code changes for correctness, regressions, edge cases, style issues, and unnecessary churn. Use when checking diffs, reviewing pull-request-like changes, or doing independent quality review. Triggers on "review this", "check my changes", "code review", "代码审查".

2026-05-253

safe-refactor

ChunqiGuo02/NeXus

Perform safe, reviewable refactors. Use when restructuring code, moving responsibilities, renaming across modules, or reducing duplication without intended behavior changes. Triggers on "refactor X", "rename Y across the project", "extract helper", "重构".

2026-05-253

research-wiki

ChunqiGuo02/NeXus

typed knowledge-graph 抽象层 (Wave B.3)。把分散在 evidence_graph / corpus_ledger / story_skeleton 的结构升级成 paper / idea / claim / experiment / mechanism / baseline 节点 + supports / contradicts / derives_from / cites / replicates / falsifies 边。通过 4 个 MCP tool 维护 artifacts/research_wiki.json，并用 export_to_evidence_graph 投影回 evidence_graph schema。

2026-05-253

name	literature-survey
description	端到端文献综述流程：搜索→Scope Freeze→Corpus Freeze→下载→解析→证据提取→综述生成。当用户说"帮我调研/综述 XXX"、"帮我找 XXX 相关的论文"时触发。

literature-survey

完整的文献综述流水线，包含人机交互卡点。

Venue Deep Reading Integration (T12.d)

Reads artifacts/venue_deep_reading_profile.json（如已存在）以：

排序精读对象：tier_priority (Oral > Spotlight > Poster) × year_priority (本年 > 去年 > 前年...)
把 baseline_consensus 列表当作"必读 reference set"——这些论文应优先 fetch 并精读
用 formulation_templates 校准本次综述要找的论文类型（如果场地偏好 RL formulation，调研重点偏 RL）

流程

用户提出 topic
  │
  ▼ Scope Freeze 卡点
  确认关键词、时间范围、排除项
  │
  ▼ Step 1: 搜索
  调用 search_papers(query, year_range, max_results=50)
  │
  ▼ Corpus Freeze 卡点
  展示去重后的文献矩阵（标题/年份/引用数/是否OA）
  用户确认后才开始下载
  │
  ▼ Step 2: 获取
  对每篇论文调用 fetch_paper(doi_or_arxiv_id)
  │
  ├─ arXiv → alphaxiv-paper-lookup 获取 Markdown
  ├─ 非 arXiv + 有 PDF → pdf-to-markdown 解析
  └─ 无法获取 → 标记 access_state + publishable，触发 Manual Fetch 卡点
  │
  ▼ Step 3: 验证引用
  对每篇论文调用 citation-verifier Skill
  │
  ▼ Step 4: 提取证据
  对每篇已解析的 Markdown 调用 claim-extractor Skill
  │
  ▼ Step 5: 生成综述
  基于 evidence_graph.json 生成结构化综述
  │
  ▼ Step 6: 更新 KG
  触发 pattern-promoter Skill（如果 claims 够多）

Scope Freeze 卡点

在搜索之前，先与用户确认：

关键词: 搜索用的核心词和扩展词
时间范围: 如 "2020-2026"
语言: en / zh / both
排除项: 不想包含的主题或方向
预计规模: 搜索数量（20/50/100）

将确认结果写入 project_state.json 的 scope 字段。

Corpus Freeze 卡点

搜索完成后，展示文献矩阵：

#	标题	年份	引用	OA	来源
1	Attention Is All You Need	2017	95000	✅	S2+arXiv
2	...	...	...	...	...

用户可以：

删除不需要的论文
手动添加 DOI/arXiv ID
确认后开始下载

综述输出格式

# {topic} 文献综述

## 1. 研究背景
(基于 evidence_graph 中的 claims)

## 2. 主要方法
(按 method 类型的 claims 组织)

## 3. 关键发现
(按 result 类型的 claims 组织)

## 4. 现有局限
(按 limitation 类型的 claims 组织)

## 5. 未来方向
(基于 gaps 分析)

## 参考文献
(仅包含 bib/ 中验证过的引用)

搜索策略深度指导（v3）

关键词构造

核心词 + 扩展词矩阵：
- 核心词：直接描述研究主题（如 "graph neural network"）
- 方法同义词：替代叫法（如 "message passing network"）
- 应用同义词：不同表述（如 "node classification" vs "semi-supervised learning on graphs"）
- 跨语言：中英文分别搜索（中文学术搜索用 CNKI/万方）

组合搜索模式：

搜索轮次	模式	示例
Round 1	核心方法 + 核心任务	"contrastive learning" + "graph"
Round 2	核心方法 + 应用领域	"contrastive learning" + "urban computing"
Round 3	问题描述（不含方法）	"label-efficient node classification"
Round 4	反向搜索：领域 + "survey" OR "review"	"graph learning survey 2024"

Snowball 搜索（引用链扩展）：
- 对 top-5 高引论文，检查其 References 和 Cited By
- 重点关注近 1 年的被引论文（可能是 emerging work）

文献质量评估标准

对每篇搜索到的论文，按以下权重评估是否纳入 corpus：

维度	权重	评估方法
时效性	30%	发表年份距今 ≤2 年优先；经典方法不受限
影响力	25%	被引数的 percentile（同年份同领域内归一化）
相关性	30%	与研究主题的直接匹配度（abstract 匹配评分）
方法论	15%	是否提出可复现的方法 / 是否有开源代码

阈值：综合评分 < 0.4 的论文建议在 Corpus Freeze 时标记排除。

Survey 输出质量门（v3）

artifacts/survey.md 生成后必须通过以下检查：

检查项	标准	状态
What 问题	survey 清晰回答了"这个领域在研究什么？"	☐
How 方法	survey 按方法类型（≥3 类）组织了已有工作	☐
Gap 缺口	survey 明确指出 ≥2 个未解决的 gap	☐
时间线	survey 包含方法演进的时间线或里程碑	☐
定量覆盖	survey 引用的论文 ≥ corpus 的 60%	☐
去重验证	无重复引用同一论文的不同表述	☐

未通过 → 补充后重新生成，不允许直接进入 evidence_audit。

文件更新

文件	更新内容
`project_state.json`	scope、phase、stats
`corpus_ledger.json`	所有搜索到的论文（含 access_state + publishable）
`evidence_graph.json`	提取的 claims
`bib/verified.json`	验证过的引用
`artifacts/survey.md`	生成的综述

Pipeline Exit

完成后执行：

更新 project_state.json 的 current_stage
必须调用 pipeline-orchestrator.complete_stage("survey_fetch") 验证产出
根据返回值自动进入下一阶段（evidence_audit）