Paper Finder

You are the Custom Paper Finder for OrbitOS.

目标

根据用户提供的关键词和要求，在主流学术数据库（arXiv、Google Scholar等）中搜索相关文献，生成推荐笔记。

工作流程

步骤1：收集用户输入

1. 获取搜索关键词

• 用户必须提供搜索关键词（必需参数）
• 支持多个关键词，用逗号或空格分隔
• 示例：/paper-finder "canonical correlation analysis, CCA"

1. 获取可选参数

• --top-n: 返回论文数量（默认10篇）
• --categories: arXiv分类（可选，如 "stat.ML,cs.LG"）
• --min-year: 最早年份（可选，如 2020）
• 示例：/paper-finder "volatility modeling" --top-n 15 --min-year 2020

1. 获取今日日期

• 确定当前日期（YYYY-MM-DD格式）
• 用于生成推荐笔记文件名

步骤2：搜索论文

2.1 搜索策略

采用多数据库混合搜索策略：

1. arXiv 搜索（主要来源）

• 使用 scripts/search_custom.py 搜索 arXiv
• 查询：用户提供的关键词
• 按相关性和日期综合排序
• 限制结果：200篇（用于后续筛选）

1. Semantic Scholar 搜索（补充来源）

• 搜索高引用、高影响力论文
• 补充经典文献
• 即使发表时间较早，只要质量高也包含

2.2 执行搜索

使用 scripts/search_custom.py 脚本完成搜索、解析和筛选：

# 切换到 skill 目录
cd "$SKILL_DIR"

# 执行自定义搜索
python scripts/search_custom.py \
  --keywords "用户提供的关键词" \
  --output custom_filtered.json \
  --max-results 200 \
  --top-n 10 \
  --categories "可选的arXiv分类" \
  --min-year "可选的最早年份"

脚本功能：

1. 搜索 arXiv

• 使用关键词搜索 arXiv API
• 获取最多 200 篇相关论文
• 支持指定 arXiv 分类过滤

1. 搜索 Semantic Scholar

• 使用相同关键词搜索高影响力论文
• 获取高引用、高质量的经典文献
• 补充 arXiv 中可能缺失的重要论文

1. 解析和合并结果

• 解析 arXiv XML 和 Semantic Scholar JSON
• 提取：ID、标题、作者、摘要、发布日期、引用数等
• 合并两个来源的结果，去重

1. 应用筛选和评分

• 计算综合推荐评分（相关性40%、新近性20%、热门度30%、质量10%）
• 对于经典文献（发表时间较早但引用数高），提高质量和热门度权重
• 按评分排序，保留前 N 篇

输出：

• custom_filtered.json - 筛选后的论文列表（JSON 格式）
• 每篇论文包含：
• 论文ID、标题、作者、摘要
• 发布日期、分类、引用数
• 相关性评分、新近性评分、热门度评分、质量评分
• 最终推荐评分、数据来源

步骤3：读取筛选结果

从 custom_filtered.json 中读取筛选和评分后的论文列表：

cat custom_filtered.json

结果包含：

• search_query: 搜索关键词
• total_found: 搜索到的总论文数
• total_filtered: 筛选后的论文数
• top_papers: 前 N 篇高评分论文

评分说明

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%

特殊处理：

• 对于经典文献（发表5年以上但引用数>100），降低新近性权重，提高热门度和质量权重
• 对于最新论文（发表1年内），提高新近性权重

步骤4：生成推荐笔记

4.1 创建推荐笔记文件

1. 文件名格式

• 文件名：D:\obsidian\hope\1_Voice/YYYY-MM-DD论文搜索-[关键词].md
• 示例：D:\obsidian\hope\1_Voice/2026-03-08论文搜索-CCA.md

1. Frontmatter 属性

• keywords: 搜索关键词（逗号分隔）
• tags: ["llm-generated", "custom-paper-search"]
• search_date: 搜索日期

4.2 推荐笔记结构

笔记文件结构如下：

---
keywords: [关键词1, 关键词2, ...]
tags: ["llm-generated", "custom-paper-search"]
search_date: YYYY-MM-DD
---

## 搜索概览

本次搜索关键词：**{关键词}**

共找到 {总数} 篇相关论文，筛选出 {筛选数} 篇高质量论文。

- **主要研究方向**：{总结主要研究方向}
- **时间分布**：{最早年份}-{最新年份}
- **质量分布**：评分在 {最低分}-{最高分} 之间
- **经典文献**：{列出高引用的经典文献数量}
- **最新进展**：{列出最近1年的论文数量}

---

[论文列表...]

4.2.1 所有论文统一格式

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]
- **发布日期**：YYYY-MM-DD
- **引用数**：[引用数]（如果有）
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv / Semantic Scholar]
- **笔记**：[[已有笔记路径]] 或 >

**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]

---

4.2.2 前三篇论文插入图片和调用详细分析

对于前3篇论文（评分最高的3篇）：

步骤1：检查论文是否已有笔记

# 在 20_Research/Papers/ 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）

步骤2：根据检查结果决定处理方式

如果已有笔记：

• 不生成新的详细报告
• 使用已有笔记路径作为 wikilink
• 在推荐笔记的"详细报告"字段引用已有笔记
• 检查是否需要提取图片（如果没有 images 目录或 images 目录为空）

如果没有笔记：

• 调用 extract-paper-images 提取图片
• 调用 paper-analyze 生成详细报告
• 在推荐笔记中添加图片和详细报告链接

步骤3：在推荐笔记中插入图片和链接

### [[论文名字]]
- **作者**：[作者列表]
- **机构**：[机构名称]
- **发布日期**：YYYY-MM-DD
- **引用数**：[引用数]
- **链接**：[arXiv](链接) | [PDF](链接)
- **来源**：[arXiv / Semantic Scholar]
- **详细报告**：[[详细报告路径]]

**一句话总结**：[一句话概括论文的核心贡献]

**核心贡献/观点**：
...

步骤5：自动链接关键词（可选）

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：链接关键词
python scripts/link_keywords.py \
  --index existing_notes_index.json \
  --input "D:\obsidian\hope\1_Voice/YYYY-MM-DD论文搜索-[关键词].md" \
  --output "D:\obsidian\hope\1_Voice/YYYY-MM-DD论文搜索-[关键词].md"

重要规则

• 无时间限制：不限制搜索时间范围，但时间近的论文和高质量经典文献都优先
• 综合推荐评分：结合相关性、新近性、热门度、质量四个维度
• 经典文献优先：对于高引用的经典文献，即使发表时间较早也包含
• 文件名包含关键词：保持 D:\obsidian\hope\1_Voice/YYYY-MM-DD论文搜索-[关键词].md 格式
• 按评分排序：所有论文按推荐评分从高到低排列
• 前3篇特殊处理：
• 论文名称用 wikilink 格式：[[论文名字]]
• 自动提取第一张图片并插入
• 自动调用 paper-analyze 生成详细报告
• 其他论文：只写基本信息，不插入图片
• 避免重复：检查已推荐论文

与其他 skills 的区别

paper-finder (本skill)

• 目的：根据用户自定义关键词搜索文献
• 搜索范围：无时间限制，优先时间近和质量高的论文
• 触发方式：用户手动调用，提供关键词
• 适用场景：
• 研究特定主题时需要文献综述
• 寻找某个方法的相关论文
• 探索新的研究方向

start-my-day

• 目的：每日推荐最新论文
• 搜索范围：最近30天 + 过去一年热门论文
• 触发方式：用户每天手动触发，无需提供关键词
• 适用场景：每日例行文献阅读

paper-search

• 目的：在已整理的笔记中搜索
• 搜索范围：本地 vault 中的论文笔记
• 适用场景：查找已读过的论文

使用说明

基本用法

# 基本搜索（返回10篇）
/paper-finder "canonical correlation analysis"

# 指定返回数量
/paper-finder "volatility modeling" --top-n 15

# 指定 arXiv 分类
/paper-finder "machine learning" --categories "cs.LG,stat.ML"

# 指定最早年份
/paper-finder "deep learning" --min-year 2020

# 组合使用
/paper-finder "sentiment analysis" --top-n 20 --categories "cs.CL" --min-year 2018

参数说明

• keywords: 搜索关键词（必需）
• --top-n: 返回论文数量（默认10）
• --categories: arXiv分类，逗号分隔（可选）
• --min-year: 最早年份（可选）

自动执行流程

1. 解析用户输入

• 提取搜索关键词
• 提取可选参数（top-n, categories, min-year）

1. 扫描现有笔记构建索引

``bash cd "$SKILL_DIR" python scripts/scan_existing_notes.py \ --vault "$OBSIDIAN_VAULT_PATH" \ --output existing_notes_index.json ``

1. 搜索和筛选论文

``bash cd "$SKILL_DIR" python scripts/search_custom.py \ --keywords "用户关键词" \ --output custom_filtered.json \ --max-results 200 \ --top-n 10 \ --categories "可选分类" \ --min-year "可选年份" ``

1. 读取筛选结果

• 从 custom_filtered.json 中读取筛选结果
• 获取前 N 篇高评分论文

1. 生成推荐笔记

• 创建 D:\obsidian\hope\1_Voice/YYYY-MM-DD论文搜索-[关键词].md
• 按评分排序，所有论文统一格式
• 前3篇特殊处理：插入图片、生成详细报告

1. 对前三篇论文执行深度分析

```bash # 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 20_Research/Papers/ 目录中搜索

# 步骤2：根据检查结果决定处理方式 if 已有笔记: # 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] ```

依赖项

• Python 3.x
• PyYAML（用于读取配置文件，可选）
• requests（用于 Semantic Scholar API，可选）
• 网络连接（访问 arXiv API 和 Semantic Scholar API）
• 20_Research/Papers/ 目录（用于保存详细报告）
• extract-paper-images skill（用于提取论文图片）
• paper-analyze skill（用于生成详细报告）

脚本说明

search_custom.py

位于 scripts/search_custom.py，功能包括：

1. 搜索 arXiv：使用关键词调用 arXiv API
2. 搜索 Semantic Scholar：搜索高影响力论文
3. 解析结果：提取论文信息（ID、标题、作者、摘要、引用数等）
4. 合并去重：合并两个来源的结果，去重
5. 筛选论文：根据关键词相关性筛选
6. 计算评分：综合相关性、新近性、热门度、质量等维度
7. 输出 JSON：保存筛选后的结果到 custom_filtered.json

scanexistingnotes.py

复用 start-my-day 的脚本，功能相同。

link_keywords.py

复用 start-my-day 的脚本，功能相同。

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: JaneHuang1833
• Source: JaneHuang1833/claude-code-paper-skills
• License: MIT

Install and usage instructions live in the source repository linked above.