SuperAPI AI 工具集
合作ENAI 行业资讯收藏
Skill 广场research-scout

research-scout

写作与研究

查看项目

更新于 10-16 04:26

技能介绍

research-scout 是一个面向“研究级想法挖掘”的技能，目标是从高信号研究来源中找出值得应用到自身工作中的方法、框架与思路，并把最有价值的发现转化为“想法卡片”，包含如何应用的配方、证据质量等级和可复现性说明。

用途 它回答的核心问题是：“近期研究中有哪些方法或框架值得偷师？”典型触发场景包括：寻找某个主题下别人在用而自己尚未尝试的方法；为某个项目挖掘近期 AI/ML/SWE 想法；挖掘近 N 天的 arXiv 与研究博客；从 NeurIPS/ICML/ICLR 某年会议中找值得借鉴的内容；寻找评估 LLM 智能体、RAG 评估、推理扩展等框架；用近期研究更新某个技能的知识库。

主要能力

  1. 多来源扫描：支持 arXiv、Hugging Face Papers、Semantic Scholar、会议论文集（NeurIPS / ICML / ICLR / ACL / EMNLP / KDD）、行业研究博客（Anthropic / OpenAI / DeepMind / Google Research / Meta AI / Microsoft Research / Apple ML）以及策展人通讯（Lilian Weng、Sebastian Raschka、Eugene Yan、Latent Space、Simon Willison、The Batch、Import AI、Interconnects / Nathan Lambert、Davis Summarizes Papers / Davis Blalock）。
  2. 来源组合与合规：通过 source-mix-and-compliance.md 选择来源组合，提供快速扫描、标准扫描、深度扫描三种默认组合。
  3. 查询生成与执行：提供多个脚本按来源生成查询，如 generate_arxiv_queries.py、generate_hf_papers_queries.py、generate_semantic_scholar_queries.py、generate_conference_queries.py、generate_blog_queries.py。
  4. 结果规范化与校验：所有结果归一化为 research-findings.tsv，字段契约包含 evidence_grade、claim_type、origin_id、cluster_id 等，并用 validate_findings_tsv.py 校验。
  5. 想法提取：按 idea-extraction-framework.md 提取方法名称、实际作用、输入输出与前置条件、证据、可迁移性、上手时间估计、终止标准。
  6. 评分与门控：aggregate_research_ideas.py 依据确定性九步规则阶梯给出 gate_status（promote / validate / kill / background），数值分数仅用于桶内排序。硬性淘汰包括陷阱 11-12、三个及以上陷阱、证据等级 F；封顶为 validate 的情况包括同一 cluster_id 下少于两个独立 origin_id、专有可复现性、等级 D、恰好两个陷阱标签、陷阱 1/5/6/8。
  7. 时间窗口比较：用“发表以来每月引用数”而非原始引用数，将方法标记为 emerging / cresting / mature / declining，并统计独立原创研究数量。
  8. 陷阱过滤：按 known-traps.md 的 12 类研究陷阱（不可复现、刷榜、炒作、付费墙等）打标签并应用反配方，降级或淘汰。
  9. 形状匹配：将想法匹配到 10 种方法形状（提示模式、架构调整、训练配方、评估方法、数据构建配方、推理时方法、系统设计模式、理论边界、负面结果、综述或分类）。负面结果与综述会被置为 background。
  10. 打包输出：为每个存活想法填写 idea-card.md，汇总为 research-scan-report.md；如需更新技能数据，遵循 sources-json-template.md 格式。

使用方式 必需输入：topic（研究主题或方法族，如“LLM agent tool use”“RAG eval”“inference batching”“distillation”）、target（想法将应用的位置，如“ai-rag skill”“production RAG service”“agent evals”）。可选输入：sources（默认 arxiv、hf_papers、semantic_scholar、curator_newsletters）、windows（默认 30d、90d、365d）。证据下限不是标志位，而是聚合器规则阶梯：等级 F 直接淘汰，等级 D 封顶为 validate，可在筛选时手动提高标准。来源特定生成器标志包括 --categories（arXiv）、--conference + --year（会议）、--domains 和 --curators（博客/通讯）；所有生成器都接受 --topic，除会议生成器外都接受 --windows。

工作流分为六步：SCOPE 框定想法搜索；SEARCH 生成并执行查询；EXTRACT 将论文转为想法；SCORE 排序想法；COMPARE WINDOWS 检测新兴与成熟方法；APPLY TRAP FILTER 拒绝假阳性；MATCH SHAPES 匹配方法形状；PACKAGE 生成想法卡片。

适用场景 适合研究级想法挖掘，尤其是 AI/ML 方法、RAG 评估、智能体规划与工具选择、检索重排、测试时计算扩展等主题。对于软件工程，建议优先会议论文集（ICSE/FSE/PLDI）加 GitHub 仓库信号加行业博客。方法迭代快的领域（如 LLM 智能体）用 30d/90d 窗口，迭代慢的领域（如编译器、类型系统）用 1y/3y 窗口。

限制与边界 该技能不负责应用领域发现（YC/孵化器/VC 主题或 TrustMRR 收入先例）、候选比较与商业承诺、仅 arXiv 的分诊或单篇论文摘要、社区痛点挖掘、GitHub 仓库模式、已解决答案查找、已验证引用综合。论文与原型只支持可行性假设，不能确立买方触达或付费意愿，任何 scout 分数或收敛标签都不能通过商业门控。Papers with Code 已不再作为实时来源，其脚本仅作为失败即报的垫片，打印替代 URL 后以退出码 3 结束。若用户需要会话中无法获取的权威数字，应交付完整定性草稿并将每个数字槽标记为 [to verify: <source type>]，不得凭记忆填写。

Killer-Feature 模式 该模式为捆绑包的 Killer-Feature 收敛协议贡献 industry_blog_attribution 和 hci_retention_paper 信号，适用于需要已发表、有指标支撑的功能归因声明的场景。工作流为：框定商业产品与 feature_id；用 generate_blog_queries.py 扫描工程博客域名，用 generate_conference_queries.py 扫描 CHI / CSCW / UIST / IUI；将归因分类为 explicit / strong / implicit / reject，提取可测试的功能名词与 WTP 引用；追加到 pay-trigger-ledger.tsv；通过 converge_killer_features.py 交接。该模式将 monetizable-feature-pattern 加入方法形状目录，陷阱 11 和 12 不自动淘汰，营销/公关署名会淘汰，量化指标加内部权威会提升。

模板与脚本 模板包括 research-scan-report.md（主输出）、idea-card.md（单想法卡片）、research-findings.tsv（聚合器输入格式）。脚本包括 generate_arxiv_queries.py、generate_hf_papers_queries.py、generate_semantic_scholar_queries.py、generate_papers_with_code_queries.py（已退役）、generate_conference_queries.py、generate_blog_queries.py、validate_findings_tsv.py、aggregate_research_ideas.py。

参考文档 idea-extraction-framework.md（方法形状目录、证据等级、提取模板）、known-traps.md（12 类研究陷阱）、recipes.md（各方法形状的应用手册）、scoring-and-gates.md（门控规则阶梯、评分公式与权重、证据质量门、引用速度阈值、采用门）、source-mix-and-compliance.md（来源选择表、默认扫描组合、TSV 字段契约、安全/ToS 规则、事实核查门）、specialist-source-routing.md（生物医学、法律、专利、Linux、哲学、内容、视频与社区来源的可选路由）、handoff-and-boundaries.md（交接与边界）。