academic-research-navigator

name	academic-research-navigator
description	專注於新一代學術研究「硬核兵器庫」，支援線上文獻檢索、SQLite 結構化資料落庫、LaTeX 公式處理與紅軍自審評估。

Academic Research Navigator Skill (學術研究導航員技能)

此技能專用於實體化「第一支柱：硬核研究兵器庫 (The Physical Stack)」，提供 Agentic AI 一套標準化、無摩擦的文獻自動化探勘、高擴展性結構化落庫與紅軍對抗自審指南。

---

1. 核心工具鏈與資源分佈 (Resource Stack)

• 資料庫路徑：/Users/wuulong/github/bmad-pa/data/research/Research_Artifacts.db
• 文獻探勘腳本：/Users/wuulong/github/bmad-pa/scripts/research/paper_scout.py
• 論文結構化萃取腳本：/Users/wuulong/github/bmad-pa/scripts/research/parse_paper_to_db.py
• 資料庫初始化腳本：/Users/wuulong/github/bmad-pa/scripts/research/setup_research_db.py
• 直連直呼規格書：/Users/wuulong/github/bmad-pa/scripts/research/paper_scout_cli_spec.md

---

2. 核心操作指令與工作流 (CLI Commands)

📌 工作流 A：文獻探索與自動落庫 (Paper Scout & Ingestion)

當使用者要求搜尋特定物理主題或元件參數時，Agent 不應盲目猜測，應直接透過命令行直呼 paper_scout.py：

python3 /Users/wuulong/github/bmad-pa/scripts/research/paper_scout.py --query "<關鍵字>" --limit <數量> --save-db

• 沙盒降級處理：若執行時遭遇網路連線阻礙（Timeout 或 429），腳本會自動退避至【離線模擬模式 (Offline Mock Mode)】生成高度自洽的 AR-WET 測試資料並完成落庫，Agent 應直接以此資料進行後續推理與 Grounding。
• 成果彙報：在對話中直接為使用者渲染出高品質的 Markdown 對照表，並提醒文獻已寫入 Research_Artifacts.db。

📌 工作流 B：非結構化 LaTeX 論文之紅軍自審與 Stage 2 深度解構 (Adversarial & Stage 2 Deep)

當使用者提供 Marker CLI 轉出之 Markdown 論文，或指定特定文獻進行深度學術因子解構時，Agent 應遵循「認知先導、兩階段對齊」原則：

1. 第一階段：文獻先導閱讀卡 (Staging Card)

   • 在正式執行 Stage 2 深度因子析取前，必須先從資料庫與 Markdown 檔案中提取基本資訊（標題 title、作者 authors、年份 year、發表期刊 venue_name、基本摘要 abstract），並在對話中為使用者渲染出精美的「主權文獻先導閱讀卡」。
   • 摘要應優先取自資料庫 papers.meta_data.abstract。若為空，則自動透過 extract_abstract_from_md 從比鄰 Markdown 預萃取並暫存。

2. 第二階段：因子深度洗滌與落庫

   • 獲得使用者確認後，再執行深度 Stage 2 學術因子分析，並執行以下命令或寫入腳本進行高精合規落庫：

     python3 /Users/wuulong/github/bmad-pa/events/my_research/scripts/audit_brain_compliance.py
     

• 萃取維度：
  1. core_method：一句話的核心高維語義摘要。
  2. key_parameters (JSON)：動態物理/電路特性參數。
  3. critique_score (JSON)：紅軍對抗漏洞與評分（Reviewer 2 視角）。
  4. meta_data (JSON)：數位基因封套（含 timestamp、abstract 與 10 大學術因子）。

📌 工作流 C：學術真值庫唯讀分析 (Grounding & Analytics)

Agent 可以使用 SQL SELECT 指令直接對本地已落庫的文獻進行橫向比對，為使用者解答「哪一種方法能獲得最佳物理特性」：

sqlite3 /Users/wuulong/github/bmad-pa/data/research/Research_Artifacts.db "<唯讀 SELECT 語句>"

• 安全限制：嚴禁執行 UPDATE、DELETE、DROP 等寫入指令，僅允許執行 SELECT 唯讀查詢。
• JSON 函數查詢範例：

  -- 橫向比對品質因子大於 10000 的論文標題與漏洞
  SELECT title, json_extract(critique_score, '$.vulnerabilities') FROM papers WHERE json_extract(key_parameters, '$.Q') > 10000;
  

📌 工作流 D：雙軌標籤與階層拓撲樹狀渲染 (Taxonomy & Hierarchy Tree) [NEW]

當進行文獻 Ingestion 或 citations 實體化傳播時，Agent 應主導對合雙軌標籤機制，將平面關鍵字與帶有 / 的多重階層路徑寫入 paper_tags 表：

1. 自動打標與前綴防禦：

   • 呼叫 hydrate_paper_assets.py 或 extract_citations_to_records.py 時，系統會自動匹配關鍵字，打上如 AI應用/個人賦能/主權治理 之階層標籤。
   • 系統會自動比對永恆骨架表 taxonomy_framework，前置前綴未註冊者將強制退避修正，防禦語意漂移。

2. 一鍵子領域樹狀渲染：

   • 使用者或 Agent 可直接直呼渲染器，生成高彩度子領域樹狀拓撲，以掌握全局：

     python3 /Users/wuulong/github/bmad-pa/events/my_research/scripts/render_taxonomy_tree.py
     

---

3. 智力防線：如何防止學生「認知掏空」？

在執行本技能時，Agent 必須維持高度的**「指導者品位（Taste Guidance）」**：

1. 不直接給出最終答案：當學生詢問「這段推導怎麼寫」時，應引導學生查詢資料庫中的 critique_score，讓學生自己評估替代方案的缺點。
2. 促成「品位裁決」面試準備：每次落庫後，Agent 應主動向學生提問：「這篇論文的 key_parameters 在高功率下有 Duffing 分歧缺陷，如果我是指導教授，本週開會我會挑剔你這一點，你打算怎麼修正你的實驗設計？」
3. 留下考古紀錄：協助學生將高難度來回推導的對話，使用 aiqa-scribe 技能存入 notes/ai-qa/ 週報中，作為教授「關卡一（考古日誌）」的審查憑證。