菜单
每日研究工作流启动 - 生成论文推荐 + AI 行业动态笔记
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
Evaluate agent-generated code against ground truth diff and handwritten file list. Prefer reading GT inputs directly from base_repo via experiment metadata. Trigger on "/diff-eval-local", "evaluate diff", "eval experiment".
Full dev workflow - worktree setup, commit, push, PR, and post-merge cleanup. Use when starting feature work, committing, opening PRs, or cleaning up after merge.
Use when downloading models from Hugging Face, especially large models (LLM, diffusion, VLM) that fail with timeouts or connection drops. Trigger on "download model", "hf download", "pull model from Hugging Face", or when hf download crashes with httpx.ReadTimeout / RemoteProtocolError.
Evaluate agent-generated code changes against a human-approved PR with deterministic file coverage and function-level coverage analysis. Extracts function/symbol changes from diff hunk headers and compares at granular level. Use when evaluating agent code generation quality, benchmarking AI coding tools, or comparing generated patches against human-approved pull requests. Trigger on "/diff-eval-func", "evaluate diff with function coverage", "function-level diff eval".
从论文中提取图片，优先从arXiv源码包获取真正的论文图
深度分析单篇论文，生成详细笔记和评估，图文并茂
| name | start-my-day |
| description | 每日研究工作流启动 - 生成论文推荐 + AI 行业动态笔记 |
You are the Daily Research Workflow Starter for OrbitOS.
帮助用户开启他们的研究日：
生成融合论文推荐和行业动态的每日推荐笔记。
本 skill 使用 Python 脚本完成两个核心任务：
获取今日日期
读取研究配置
$OBSIDIAN_VAULT_PATH/config.yaml 获取研究领域扫描现有笔记构建索引
Literature/ 目录下的所有 .md 文件搜索所有相关分类的最近论文：
搜索范围
scripts/search_arxiv.py 搜索 arXiv筛选策略
使用 scripts/search_arxiv.py 脚本完成搜索、解析和筛选：
# 使用 Python 脚本搜索、解析和筛选 arXiv 论文
# 首先切换到 skill 目录，然后执行脚本
cd "$SKILL_DIR"
python scripts/search_arxiv.py \
--config "$OBSIDIAN_VAULT_PATH/config.yaml" \
--output arxiv_filtered.json \
--max-results 200 \
--top-n 10 \
--categories "cs.AI,cs.LG,cs.CL,cs.SE,cs.CV,cs.MM,cs.MA,cs.RO"
脚本功能：
搜索 arXiv
解析 XML 结果
应用筛选和评分
输出：
arxiv_filtered.json - 筛选后的论文列表（JSON 格式）灵感来源：ai-daily-digest（90源聚合）+ daily-tech-news（多层级源策略）
采用三层级新闻源：
注意：Anthropic 和 Meta AI 目前没有公开 RSS。如果未来有变，可在 config.yaml 中添加。
使用 scripts/fetch_news.py 脚本完成 RSS 聚合：
# 获取最近72小时的 AI 行业新闻
cd "$SKILL_DIR"
python scripts/fetch_news.py \
--config "$OBSIDIAN_VAULT_PATH/config.yaml" \
--output news_filtered.json \
--hours 72 \
--top-n 15
脚本功能：
输出：
news_filtered.json - 评分后的新闻列表（JSON 格式）可以在 config.yaml 中添加 news_sources 字段自定义新闻源：
news_sources:
- name: "OpenAI Blog"
url: "https://openai.com/blog/rss.xml"
tier: 1
category: "ai-company"
- name: "My Favorite Blog"
url: "https://example.com/feed.xml"
tier: 3
category: "researcher"
如果不配置，使用默认的 15+ 个 AI 相关新闻源。
从 arxiv_filtered.json 中读取筛选和评分后的论文列表：
# 读取筛选结果
cat arxiv_filtered.json
结果包含：
total_found: 搜索到的总论文数total_filtered: 筛选后的论文数top_papers: 前10篇高评分论文，每篇包含：
综合多个维度的评分：
推荐评分 =
相关性评分: 40%
新近性评分: 20%
热门度评分: 30%
质量评分: 10%
评分细则：
相关性评分 (40%)
新近性评分 (20%)
热门度评分 (30%)
质量评分 (10%)
最终推荐评分 = 相关性(40%) + 新近性(20%) + 热门度(30%) + 质量(10%)
从 arxiv_filtered.json 中读取筛选后的论文列表：
创建推荐笔记文件
Daily/YYYY-MM-DD论文推荐.mdkeywords: 当天推荐论文的关键词（逗号分隔，从论文标题和摘要中提取）tags: ["llm-generated", "daily-paper-recommend"]检查论文是否值得详细写
检查论文是否已有笔记
Literature/ 目录笔记文件结构如下：
---
keywords: [关键词1, 关键词2, ...]
tags: ["llm-generated", "daily-paper-recommend"]
---
[具体论文推荐列表...]
在论文列表之前，添加一个"今日概览"部分，总结今日推荐论文的整体情况：
## 今日概览
今日推荐的{论文数量}篇论文主要聚焦于**{主要研究方向1}**、**{主要研究方向2}**和**{主要研究方向3}**等前沿方向。
- **总体趋势**：{总结今日论文的整体研究趋势，如多模态模型推理能力、大模型高效推理优化等}
- **质量分布**：今日推荐的论文评分在 {最低分}-{最高分} 之间，{整体质量评价}。
- **研究热点**：
- **{热点1}**：{简要描述}
- **{热点2}**：{简要描述}
- **{热点3}**：{简要描述}
- **阅读建议**：{给出阅读顺序建议，如建议先阅读某篇了解某方向，再关注某篇的方法等}
说明：
灵感来源：
[[双向链接]]从 news_filtered.json 中读取行业新闻，生成"行业动态"部分：
## 行业动态
> 最近 72 小时内的 AI 行业重要动态
### 趋势总结
- **{趋势1}**：{简要描述，融合多条新闻}
- **{趋势2}**：{简要描述}
### 重要动态
#### [{文章标题}]({链接})
- **来源**：{来源名称}（{来源类别}）
- **发布时间**：{日期}
**摘要**：{用中文写 2-3 句核心内容摘要}
**核心要点**：
- {要点1，使用 [[双向链接]] 链接相关概念和实体}
- {要点2}
- {要点3}
---
说明：
[[]] 链接，链接公司名、产品名、技术概念等（灵感来源: blog-to-obsidian 的激进链接策略）所有论文按评分从高到低排列，使用统一格式
### [[论文名字]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv]
- **笔记**：[[已有笔记路径]] 或 <<无>>
**一句话总结**：[一句话概括论文的核心贡献]
**核心贡献/观点**：
- [贡献点1]
- [贡献点2]
- [贡献点3]
**关键结果**：[从摘要中提取的最重要结果]
---
说明：
[[论文名字]]对于前3篇论文（评分最高的3篇）：
步骤0：检查论文是否已有笔记
# 在 Literature/ 目录中搜索已有笔记
# 搜索方式：
# 1. 按论文ID搜索（如 2602.23351）
# 2. 按论文标题搜索（模糊匹配）
# 3. 按论文标题关键词搜索
步骤1：根据检查结果决定处理方式
如果已有笔记：
extract-paper-images如果没有笔记：
extract-paper-images 提取图片paper-analyze 生成详细报告步骤2：在推荐笔记中插入图片和链接
如果已有笔记：
### [[已有论文名称]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv]
- **详细报告**：[[已有笔记路径]]
- **笔记**：已有详细分析
**一句话总结**：[一句话概括论文的核心贡献]
**核心贡献/观点**：
...
如果没有笔记：
### [[论文名字]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv]
- **详细报告**：[[详细报告路径]] (自动生成)
**一句话总结**：[一句话概括论文的核心贡献]
**核心贡献/观点**：
...
图片说明：
images/[citekey]/filename.png（相对于 Literature/ 目录），禁止 ![[]]详细报告说明：
Literature/[citekey].md[[论文名字]]，关联到详细报告paper-analyze 自动生成，包含完整的论文分析在生成推荐笔记后，自动链接关键词到现有笔记：
# 步骤1：扫描现有笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...
# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input Daily/YYYY-MM-DD论文推荐.md \
--output Daily/YYYY-MM-DD论文推荐_linked.md
注意：
toc: true、documentclass: "ctexart"、classoption: "UTF8"，禁止 ![[]] wikilink 语法Literature/[citekey].mdLiterature/images/[citekey]/，目录名不含 ?、%、# 等特殊字符images/[citekey]/filename.png（相对于 Literature/ 目录）Daily/YYYY-MM-DD论文推荐.md 格式[[论文名字]]paper-analyze 生成详细报告news_filtered.json 读取 AI 公司博客和技术媒体的最新文章[[双向链接]]（公司名、产品名、技术概念）BLIP → [[BLIP]][[论文名字]]paper-analyze 生成详细报告/paper-analyze [论文ID] 或论文标题当用户输入 "start my day" 时，按以下步骤执行：
日期参数支持：
/start-my-day 2026-02-27获取目标日期
扫描现有笔记构建索引
# 扫描 vault 中现有的论文笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
Literature/ 目录搜索和筛选 arXiv 论文
# 使用 Python 脚本搜索、解析和筛选 arXiv 论文
# 首先切换到 skill 目录，然后执行脚本
# 如果有目标日期参数（如 2026-02-21），传递给 --target-date
cd "$SKILL_DIR"
python scripts/search_arxiv.py \
--config "$OBSIDIAN_VAULT_PATH/config.yaml" \
--output arxiv_filtered.json \
--max-results 200 \
--top-n 10 \
--categories "cs.AI,cs.LG,cs.CL,cs.SE,cs.CV,cs.MM,cs.MA,cs.RO" \
--target-date "{目标日期}" # 如果用户指定了日期，替换为实际日期
获取 AI 行业动态（与步骤3可并行）
# 从 AI 公司博客和技术媒体获取最新动态
cd "$SKILL_DIR"
python scripts/fetch_news.py \
--config "$OBSIDIAN_VAULT_PATH/config.yaml" \
--output news_filtered.json \
--hours 72 \
--top-n 15
读取筛选结果
arxiv_filtered.json 中读取论文筛选结果news_filtered.json 中读取新闻筛选结果生成推荐笔记（包含关键词链接）
Daily/YYYY-MM-DD论文推荐.md（使用目标日期）news_filtered.json 读取新闻[[双向链接]]（链接公司名、产品名、技术概念）[[论文名字]]existing_notes_index.json 进行匹配BLIP → [[BLIP]]对前三篇论文执行深度分析
# 对每篇前三论文执行以下操作
# 步骤1：检查论文是否已有笔记
# 在 Literature/ 目录中搜索
# - 按论文ID搜索（如 2602.23351）
# - 按论文标题搜索（模糊匹配）
# - 按论文标题关键词搜索（如 "Pragmatics", "Reporting Bias"）
# 步骤2：根据检查结果决定处理方式
if 已有笔记:
# 不生成新的详细报告
# 使用已有的笔记路径
# 只提取图片（如果没有图片的话）
else:
# 提取第一张图片
/extract-paper-images [论文ID]
# 生成详细分析报告
/paper-analyze [论文ID]
Literature/ 目录（用于扫描现有笔记和保存详细报告）extract-paper-images skill（用于提取论文图片）paper-analyze skill（用于生成详细报告）scripts/fetch_news.py（用于获取 AI 行业新闻）位于 scripts/search_arxiv.py，功能包括：
arxiv_filtered.json位于 scripts/scan_existing_notes.py，功能包括：
Literature/ 下所有 .md 文件existing_notes_index.json使用方法：
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
输出格式：
{
"notes": [
{
"path": "Literature/BLIP_Bootstrapping-Language-Image-Pre-training.md",
"filename": "BLIP_Bootstrapping-Language-Image-Pre-training.md",
"title": "BLIP: Bootstrapping Language-Image Pre-training for Unified Vision-Language Understanding and Generation",
"title_keywords": ["BLIP", "Bootstrapping", "Language-Image", "Pre-training", "Unified", "Vision-Language", "Understanding", "Generation"],
"tags": ["Vision-Language-Pre-training", "Multimodal-Encoder-Decoder", "Bootstrapping", "Image-Captioning", "Image-Text-Retrieval", "VQA"]
}
],
"keyword_to_notes": {
"blip": ["Literature/BLIP_Bootstrapping-Language-Image-Pre-training.md"],
"bootstrapping": ["Literature/BLIP_Bootstrapping-Language-Image-Pre-training.md"],
"vision-language": ["Literature/BLIP_Bootstrapping-Language-Image-Pre-training.md"]
}
}
位于 scripts/link_keywords.py，功能包括：
existing_notes_index.json 加载笔记映射[[BLIP]]）使用方法：
# 首先切换到 skill 目录，然后执行脚本
cd "$SKILL_DIR"
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input "input.txt" \
--output "output.txt"
匹配示例：
原始文本：
"这篇论文使用了BLIP和CLIP作为基线方法。"
处理后：
"这篇论文使用了[[BLIP]]和[[CLIP]]作为基线方法。"
使用方法：
# 步骤1：扫描现有笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...
# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input Daily/YYYY-MM-DD论文推荐.md \
--output Daily/YYYY-MM-DD论文推荐_linked.md
关键特性：
位于 scripts/fetch_news.py，功能包括：
使用方法：
cd "$SKILL_DIR"
python scripts/fetch_news.py \
--config "$OBSIDIAN_VAULT_PATH/config.yaml" \
--output news_filtered.json \
--hours 72 \
--top-n 15
默认新闻源（三层级）：
注意：Anthropic 和 Meta AI 目前没有公开 RSS 源。如果未来添加，可在 config.yaml 的
news_sources中配置。
自定义新闻源：在 config.yaml 中添加 news_sources 字段覆盖默认源：
news_sources:
- name: "OpenAI Blog"
url: "https://openai.com/blog/rss.xml"
tier: 1
category: "ai-company"
- name: "My Favorite Blog"
url: "https://example.com/feed.xml"
tier: 3
category: "researcher"
输出格式：
{
"fetch_time": "2026-03-12T08:00:00+00:00",
"time_window_hours": 72,
"total_sources": 15,
"successful_sources": ["OpenAI Blog", "Anthropic News", ...],
"failed_sources": ["Some Blog"],
"total_articles": 42,
"total_unique": 38,
"source_stats": {"OpenAI Blog": 3, "Anthropic News": 2, ...},
"category_stats": {"ai-company": 12, "ai-community": 8, ...},
"top_articles": [
{
"title": "Introducing New Model...",
"link": "https://...",
"description": "...",
"source_name": "OpenAI Blog",
"source_tier": 1,
"published_date": "2026-03-11T...",
"scores": {"relevance": 2.0, "tier_bonus": 2.0, "recency": 3.0, "final": 8.5},
"matched_keywords": ["LLM", "foundation model"]
}
]
}
功能概述： 在生成每日推荐笔记后，自动扫描现有笔记，将文本中的关键词（如BLIP、CLIP等）替换为wikilink（如[[BLIP]]）。
实现流程：
扫描现有笔记：扫描 Literature/ 目录
生成推荐笔记：正常生成推荐笔记内容
链接关键词：处理生成的笔记
使用方法：
# 步骤1：扫描现有笔记
cd "$SKILL_DIR"
python scripts/scan_existing_notes.py \
--vault "$OBSIDIAN_VAULT_PATH" \
--output existing_notes_index.json
# 步骤2：生成推荐笔记（正常流程）
# ... 使用 search_arxiv.py 搜索论文 ...
# 步骤3：链接关键词（新增步骤）
python scripts/link_keywords.py \
--index existing_notes_index.json \
--input Daily/YYYY-MM-DD论文推荐.md \
--output Daily/YYYY-MM-DD论文推荐_linked.md
关键特性：