菜单
ChemDeep 的默认科研入口。凡是用户要求搜索论文、寻找相关工作、做文献综述、调研某个研究方向、分析领域现状、比较技术路线、总结研究空白或为后续机理分析收集证据时，优先触发本 skill，而不是直接调用裸 MCP 检索工具。本 skill 负责统一编排检索、筛选、证据提取、全文获取与调研汇总流程。
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
ChemDeep 的重型科研入口。凡是用户明确要求全面调研、深度调研、完整研究报告、系统性研究路线梳理或跨多轮证据整合时，优先触发本 skill，而不是直接裸调 `run_deep_research`。本 skill 负责先确认目标与成本，再编排 ChemDeep 的完整深度调研流程。
使用 ChemDeep MCP 进行机理假设生成与评估。当用户要求生成研究假设、分析反应机理、提出新的科学假说或评估已有假设时触发。需要先有文献基础（通过 literature-survey 获得或用户提供）。
使用 ChemDeep MCP 为科学假设设计实验和计算验证方案。当用户要求设计实验方案、验证假设、规划研究路线或设计对照实验时触发。通常在 hypothesis-generation 之后使用。
| name | literature-survey |
| description | ChemDeep 的默认科研入口。凡是用户要求搜索论文、寻找相关工作、做文献综述、调研某个研究方向、分析领域现状、比较技术路线、总结研究空白或为后续机理分析收集证据时，优先触发本 skill，而不是直接调用裸 MCP 检索工具。本 skill 负责统一编排检索、筛选、证据提取、全文获取与调研汇总流程。 |
| tools | ["mcp__chemdeep__search_papers","mcp__chemdeep__search_lanfanshu","mcp__chemdeep__get_paper_details","mcp__chemdeep__prepare_live_browser_session","mcp__chemdeep__download_paper_pdf","mcp__chemdeep__score_papers","mcp__chemdeep__formalize_research_goal","mcp__chemdeep__extract_evidence","mcp__chemdeep__cluster_methods","mcp__chemdeep__analyze_research_gaps"] |
ChemDeep 在 Cherry Studio / OpenClaw 中的默认科研入口 skill。当任务仍处于“先找文献、先看相关工作、先判断现状与证据强弱”的阶段时，应优先进入本 skill，再由本 skill 决定调用哪些 ChemDeep MCP 工具，而不是直接裸调单个 MCP 工具。
本 skill 面向系统性的化学/材料科学文献调研工作流，通过 ChemDeep MCP Server 的工具链完成从检索、筛选、证据提取到全文获取与调研汇总的完整流程。
search_papers、score_papers、get_paper_details 等工具名就绕过本 skilldeep-researchsearch_papers、search_lanfanshu、score_papers、extract_evidence 等工具deep-researchsearch_lanfanshu（中文文献多）或 search_papers（英文文献多）score_papers 过滤掉低分论文（≥5分），再做后续分析，避免对低质量论文浪费 AI 调用search_papers / search_lanfanshu / get_paper_details 且未显式传 fetch_full_text，MCP 会根据请求文本自动开启全文抓取，但你仍应优先显式传 fetch_full_text=true 以避免歧义；需要实时会话或 PDF 下载时再调用 prepare_live_browser_session 或 download_paper_pdf向用户确认：
search_lanfanshu 还是 search_papers）如果用户已经给出足够信息，直接进入步骤 2，不要反复追问。
根据用户需求调用搜索工具：
英文/多源检索：
→ search_papers(query, sources=["openalex","crossref"], max_results=15, min_year=2020)
中文/烂番薯学术检索：
→ search_lanfanshu(query, max_results=15, min_year=2020, fetch_abstracts=true)
注意：一次检索通常就够了。只有在结果明显不足（<5篇）时，才用不同关键词补充检索。
→ score_papers(papers=<步骤2的结果>, topic=<研究方向>)
向用户报告：
到这一步先停下来，等用户确认是否继续。
仅当用户明确要求“看全文”“抓正文”“下载 PDF”时才进入本步骤。此时如果仍使用文献检索或详情工具，MCP 会把这类明确表述识别为全文抓取意图并自动尝试抓全文；为了保证行为稳定，优先显式传 fetch_full_text=true。
4A. 优先尝试正文抓取：
→ get_paper_details(doi=<目标 DOI>, title=<论文标题>, fetch_full_text=true)
适用场景：
4B. 受限站点会话准备：
如果目标站点需要机构授权、登录态、验证码或 Cloudflare 校验：
→ prepare_live_browser_session(purpose="publisher full-text fetch / PDF download")
然后明确提示用户：
View PDF / Download PDF4C. 显式下载 PDF：
→ download_paper_pdf(doi=<目标 DOI>, title=<论文标题>)
必须遵守的边界：
如果用户需要进一步分析，先形式化研究目标：
→ formalize_research_goal(goal=<用户的研究方向描述>)
输出 ProblemSpec（目标、变量、指标、约束），供后续步骤使用。
对筛选后的高分论文提取结构化证据：
→ extract_evidence(problem_spec=<步骤4的ProblemSpec>, papers=<高分论文列表>)
输出每篇论文的：实施方案、关键变量、性能结果、局限性。
对提取的证据按技术路径分类：
→ cluster_methods(evidence=<步骤5的证据列表>)
输出技术路径分类：每类方法的优势、局限、创新角度。
→ analyze_research_gaps(topic=<研究方向>, papers=<高分论文列表>)
输出当前研究的空白和未来方向建议。
将上述结果整理成结构化的调研报告，包含：