research-paper-kb

面向 AI 智能体的持久化研究论文知识库。

支持输入任意论文（arXiv URL、DOI 或标题），从中提取结构化信息，并写入永久存在的 PAPERS.md 知识库中，该知识库跨会话保留。从此不再丢失任何论文上下文。

触发条件

当用户执行以下任一操作时，启用本技能：

• 粘贴 arXiv URL（例如：https://arxiv.org/abs/2310.12345）
• 粘贴 DOI（例如：10.1038/s41586-024-07156-8）
• 说“将这篇论文加入我的 KB” / “跟踪这篇论文” / “保存这篇论文”
• 说“我们对 [论文标题] 了解多少？”
• 说“更新我的论文 KB” / “扫描我的 PAPERS.md”
• 说“展示我正在跟踪的论文” / “我保存了哪些论文？”

本技能的功能

1. 获取论文摘要、元数据及关键章节内容
2. 提取结构化情报（方法、声称填补的空白、威胁等级、与用户工作的重叠度）
3. 生成格式规范的 BibTeX 条目
4. 追加一条结构化条目至工作区中的 PAPERS.md
5. 更新 MEMORY.md，添加指向该知识库的指针，确保后续会话可识别 KB 已存在
6. 跨会话生效 —— 知识库以文件形式存在，而非依赖临时上下文

分步操作指南

步骤 1：识别论文

接受以下任意一种输入：

• arXiv URL：https://arxiv.org/abs/XXXX.XXXXX
• arXiv ID：2310.12345 或 2310.12345v2
• DOI：10.XXXX/...
• 标题字符串：通过 Semantic Scholar API 查询

在继续前，请先将其标准化为 arXiv ID 或 DOI。

步骤 2：获取论文元数据

对于 arXiv 论文 —— 获取其摘要页面：

https://arxiv.org/abs/

提取字段：标题、作者、发表日期、摘要、学科分类。

同时调用 Semantic Scholar API 获取结构化元数据：

https://api.semanticscholar.org/graph/v1/paper/arXiv:?fields=title,authors,year,abstract,tldr,citationCount,influentialCitationCount,fieldsOfStudy

对于 DOI 论文 —— 使用 Semantic Scholar：

https://api.semanticscholar.org/graph/v1/paper/?fields=title,authors,year,abstract,tldr,citationCount,influentialCitationCount,externalIds

对于仅提供标题的情况：

https://api.semanticscholar.org/graph/v1/paper/search?query=&fields=title,authors,year,abstract,externalIds&limit=1

步骤 3：提取结构化情报

从摘要及（若可用）全文中提取以下信息：

Threat level 判定参考：

• 1 — 所属领域完全无关，无任何重叠
• 2 — 方法相近但应用场景不同
• 3 — 方法类似，但使用不同数据集或领域
• 4 — 直接竞争，主张高度重合
• 5 — 几乎完全相同的工作，针对同一目标问题

步骤 4：生成 BibTeX

生成格式规范的 BibTeX 条目。格式如下：

arXiv 论文：

@article{,
  title     = {},
  author    = { and  and ...},
  journal   = {arXiv preprint arXiv:},
  year      = {},
  url       = {https://arxiv.org/abs/},
  note      = {arXiv:}
}

已发表论文：

@article{,
  title     = {},
  author    = { and  and ...},
  journal   = {},
  year      = {},
  doi       = {},
  url       = {https://doi.org/}
}

BibTeX 键名规范：FirstAuthorLastNameYearFirstContentWord（例如：Smith2024diffusion）

步骤 5：写入 PAPERS.md

检查工作区根目录下是否存在 PAPERS.md。若不存在，则创建并写入如下头部：

# PAPERS.md — Research Paper Knowledge Base
> Auto-maintained by the `research-paper-kb` skill. Add papers with: "add this paper to my KB"
> Last updated: 

---

追加（切勿覆盖）如下模板条目：

## []()
**Added:**   
**Authors:** , , ...  
**Venue:**   
**Citations:**  (Semantic Scholar)  
**Threat Level:** <1-5> — 

### Method
<1-2 sentence description of the core technical contribution>

### Gap They Claim


### Key Results


### Overlap With My Work


### Notes


### BibTeX
```bibtex

步骤 6：更新 MEMORY.md

向 PAPERS.md 写入完成后，在 `MEMORY.md` 中追加或更新 PAPERS.md 指针：

查找或新建 `## Research Paper KB` 小节：

## Research Paper KB
- PAPERS.md exists in workspace root —  papers tracked as of 
- Latest addition:  (/5)
- Run `research-paper-kb` to add more papers

若该小节已存在，则更新论文总数与最新添加条目行。

步骤 7：向用户确认

回复摘要信息：

✅ Added to PAPERS.md

**[Paper Title]** ()
- Authors: ...
- Threat level: X/5 — 
- BibTeX key: `AuthorYearWord`

PAPERS.md now has N papers. Run `show me my papers` to review.

查询模式：“展示我保存的论文”

当用户请求回顾其论文知识库时：

1. 读取 PAPERS.md
2. 汇总统计：总数量、最高威胁等级论文、最近添加论文
3. 可选地按威胁等级、主题或年份筛选
4. 提供导出全部论文 BibTeX 的选项：收集所有 @article{...} 块，并以代码块形式呈现

查询模式：“关于 X 我们了解什么？”

当用户询问某篇特定论文或主题时：

1. 在 PAPERS.md 中搜索匹配的标题、作者或关键词
2. 返回对应的结构化条目
3. 若未找到，提示：“该论文尚未加入您的 KB。是否需要我为您添加？”

边界情况处理

与其他技能的集成

本技能与以下技能协同效果最佳：

• citation-management —— 支持完整 BibTeX 工作流及 PubMed/Google Scholar 搜索
• biorxiv-database —— 面向生物学/生命科学预印本（可用于发现待添加论文）
• cs-research-methodology —— 基于您的 KB 识别研究空白并提出研究建议
• proactive-research（ClaWHub）—— 可自动将新论文推送至本 KB

修改的文件

永不修改：SOUL.md、USER.md、AGENTS.md、TOOLS.md 或任何项目文件。

交互示例

用户：“将这篇加入我的 KB：https://arxiv.org/abs/2310.06825”

Agent：

1. 获取 arXiv 2310.06825 → Jiang 等人所著《Mistral 7B》
2. 获取 Semantic Scholar 元数据（12k 引用）
3. 提取：Method = 分组查询注意力机制 + 滑动窗口；Gap = 构建高效 7B 规模模型
4. 结合 MEMORY.md 中上下文评估该论文对用户研究的威胁等级
5. 生成 BibTeX 键名 Jiang2023mistral
6. 将结构化条目追加至 PAPERS.md
7. 更新 MEMORY.md
8. 回复：“✅ 已添加 Mistral 7B（威胁等级：2/5 —— 聚焦高效推理，与您关注的 X 方向不同）”

元数据

name: research-paper-kb
version: 1.0.0
author: 
category: Academic & Research
tags: [research, papers, arxiv, bibtex, knowledge-base, literature, academic, persistent-memory]
summary: Persistent cross-session knowledge base for research papers. Ingest arXiv/DOI → extract method/gap/threat level → append to PAPERS.md. Never lose paper context again.
requires: []