Install
$ agentstack add skill-levi-qiao-obsidian-llm-wiki-zh-cn ✓ scanned · ✓ verified — works with Claude Code, Cursor, and more.
Security review
✓ PassedNo issues found. Passed automated security review. · v0.1.0 How review works →
- ✓ Prompt-injection patterns
- ✓ Secret / credential exfiltration
- ✓ Dangerous shell & filesystem operations
- ✓ Untrusted network calls
- ✓ Known-malicious package signatures
What it can access
- ✓ Network access No
- ✓ Filesystem access No
- ✓ Shell / process execution No
- ✓ Environment & secrets No
- ✓ Dynamic code execution No
From automated source analysis of v0.1.0. “Used” means the capability is present in the source — more access means more to trust, not that it’s unsafe.
About
ScholarSkill - 学术论文阅读与知识内化
技能描述: 基于 Obsidian 的 L3 级论文阅读与记忆抽取系统
版本: v1.0.0 最后更新: 2026-03-18
⚙️ 首次使用必读:配置引导
欢迎使用 ScholarSkill! 🦉
在开始阅读论文之前,需要完成以下配置。本技能支持三种配置模式:
🚀 配置模式
模式 1: 全自动配置(推荐新手)
# 先选择中文包,再明确指定目标 Obsidian vault
python ~/.openclaw/workspace-scholar/skills/scholar-skill/zh-CN/scripts/configure.py auto --vault-path "/你的/Obsidian/Vault"
适合: 第一次使用,Obsidian 已安装 自动完成:
- ✓ 检测 Obsidian 仓库位置
- ✓ 创建目录结构(1-Papers, 2-Knowledge, 3-MOCs, memory 等)
- ✓ 生成配置文件
- ✓ 检查依赖技能
注意: 推荐始终传入 --vault-path,这样不会误选到别的 vault,也能确保只同步中文模板。
模式 2: 半自动配置(推荐)
# 运行中文包配置脚本,并明确指定目标 vault
python ~/.openclaw/workspace-scholar/skills/scholar-skill/zh-CN/scripts/configure.py semi --vault-path "/你的/Obsidian/Vault"
适合: 希望手动确认每一步的用户 流程:
- 自动检测 Obsidian 仓库(找不到会提示手动输入)
- 询问是否创建目录结构
- 检查依赖技能,询问是否安装
- 生成配置文件
模式 3: 手动配置(高级用户)
# 运行中文包配置脚本,并明确指定目标 vault
python ~/.openclaw/workspace-scholar/skills/scholar-skill/zh-CN/scripts/configure.py manual --vault-path "/你的/Obsidian/Vault"
适合: 清楚自己需要什么的高级用户 流程:
- 手动输入 Obsidian 仓库路径
- 跳过目录创建(稍后手动)
- 仅检查依赖,不自动安装
- 生成配置文件
📦 依赖技能
本技能需要以下依赖技能(配置脚本会自动检查):
核心依赖(必需)
| 技能 | 用途 | 必需 | |------|------|------| | obsidian-direct | Obsidian 文件操作 | ⭐⭐⭐ | | arxiv-watcher | ArXiv 论文搜索 | ⭐⭐⭐ |
功能增强(推荐)
| 技能 | 用途 | 必需 | |------|------|------| | academic-research-hub | 多源学术搜索 | ⭐⭐ | | tavily | 网页内容提取 | ⭐⭐ | | pdf | PDF 文本提取 | ⭐⭐ | | obsidian-cli | Obsidian CLI 工具 | ⭐⭐ |
长任务编排(L3/批量处理必需)⭐ 新增
| 技能 | 用途 | 必需 | |------|------|------| | durable-task-runner | 长任务编排、进度追踪、崩溃恢复 | ⭐⭐⭐ (L3/批量) |
为什么需要 durable-task-runner?
- ✅ L3 精读 (2.5 小时): 需要进度追踪、中断恢复
- ✅ 批量阅读 (10+ 篇): 需要任务编排、步骤重试
- ✅ 周巩固 (60-90 分钟): 需要状态持久化、定期执行
- ✅ 崩溃恢复: 会话中断后可继续
- ✅ 进度透明: 实时显示完成进度
安装命令:
# 核心依赖(通过 ClawHub 安装)
clawhub install obsidian-direct
clawhub install arxiv-watcher
# 功能增强(推荐)
clawhub install academic-research-hub
clawhub install tavily
clawhub install pdf
clawhub install obsidian-cli
# 长任务编排(L3/批量处理必需)
clawhub install durable-task-runner
手动安装(如 ClawHub 不可用):
# 从 GitHub 克隆技能
cd ~/.openclaw/workspace-scholar/skills
git clone https://github.com/OpenClaw/obsidian-direct.git
git clone https://github.com/OpenClaw/arxiv-watcher.git
# ... 其他技能
📁 配置文件
配置完成后,配置文件位于:
~/.openclaw/workspace-scholar/config/scholar.yml
(如该目录不存在,则写入 ~/.openclaw/workspace/config/scholar.yml)
关键配置项:
obsidian:
vault_path: /Users/shengjie/ObsidianVault # ← 自动检测或手动输入
reading:
default_level: L2 # L1/L2/L3
notification:
feishu_enabled: false # 是否启用飞书推送
❓ 常见问题
Q: 找不到 Obsidian 仓库怎么办? A: 使用半自动或手动模式,手动输入路径。如未安装 Obsidian,先下载安装:https://obsidian.md
Q: 依赖技能安装失败? A: 使用 ClawHub 安装:clawhub install 。如 ClawHub 不可用,从 GitHub 手动克隆技能到 ~/.openclaw/workspace-scholar/skills/ 目录。
Q: 可以修改配置吗? A: 可以!编辑 ~/.openclaw/workspace-scholar/config/scholar.yml(或 ~/.openclaw/workspace/config/scholar.yml)
Q: 配置错了想重新配置? A: 删除配置文件后,用中文包重新运行:rm ~/.openclaw/workspace-scholar/config/scholar.yml && python ~/.openclaw/workspace-scholar/skills/scholar-skill/zh-CN/scripts/configure.py auto --vault-path "/你的/Obsidian/Vault"
🎯 触发词
- "阅读论文"
- "精读"
- "L1/L2/L3 阅读"
- "论文笔记"
- "知识内化"
- "配置 ScholarSkill"
适用场景
- 学术论文阅读(ArXiv/会议/期刊)
- 技术博客深度阅读
- 文献综述整理
- 研究领域调研
核心能力
1. 三级阅读标准
L1 快速筛选 (5 分钟)
- 阅读标题、摘要、图表
- 输出:一句话概括 + 优先级评级 (P0/P1/P2)
- 适用:P2 论文筛选
L2 标准阅读 (45 分钟)
- 阅读引言、方法、实验、结论
- 输出:3-5KB 笔记 + 5-8 条记忆
- 适用:P1 论文(日常标准)
L3 精读 (2.5 小时)
- 完整方法细节、实验分析、补充材料
- 输出:10-15KB 笔记 + 知识升级 + 2-3 条程序规则
- 适用:P0 论文(核心相关)
2. 记忆抽取
Semantic Memory: 事实、概念、方法、结论 Episodic Memory: 疑问、误解、修正过程 Procedural Memory: 可复用的阅读规则和研究方法
3. 知识管理
- Obsidian 双向链接
- MOC 知识地图
- 原子化记忆存储
- 周巩固机制
4. 反思与确认机制
- L1 反思:每篇论文后快速检查理解、疑问和下一步行动
- L2 反思:周度回顾知识增长、缺失链接、研究方向和风险
- L3 反思:月度评估知识演化、方向调整和认知修正
- 人工确认:新 MOC、核心论文、认知冲突、方向调整等关键事项进入
0-Inbox/
工作流程
1. 接收论文 (PDF/ArXiv URL/本地文件)
↓
2. 优先级评估 (P0/P1/P2)
↓
3. 选择阅读级别 (L1/L2/L3)
↓
4. 执行阅读 + 笔记生成
↓
5. 记忆抽取 (Semantic/Episodic/Procedural)
↓
6. 更新 2-Knowledge/(Concept / Insight / Method / Question / Person)
↓
7. 知识关联 (双向链接 + MOC 更新)
↓
8. 反思 / 确认 / 输出报告
配置文件
# ~/.openclaw/workspace-scholar/config/scholar.yml 或 ~/.openclaw/workspace/config/scholar.yml
# 注意:配置脚本优先写入 ~/.openclaw/workspace-scholar/config/(如该目录存在)
obsidian:
inbox_folder: 0-Inbox
vault_path: /Users/shengjie/ObsidianVault
paper_notes_folder: 1-Papers
knowledge_folder: 2-Knowledge
concepts_folder: 2-Knowledge/Concepts
insights_folder: 2-Knowledge/Insights
methods_folder: 2-Knowledge/Methods
questions_folder: 2-Knowledge/Questions
people_folder: 2-Knowledge/People
moc_folder: 3-MOCs
outputs_folder: 4-Outputs
reflections_folder: 4-Outputs/Reflections
confirmation_records_folder: 4-Outputs/Confirmation-Records
templates_folder: 9-Templates/zh-CN
memory_folder: memory
reading:
default_level: L2
enable_memory_extraction: true
enable_knowledge_consolidation: true
notification:
feishu_enabled: false
feishu_user_id: ou_xxxxxxxxxxxxx
配置脚本会把中文模板同步到:
{vault}/9-Templates/zh-CN/
输出物
1. 论文笔记
位置:{vault}/1-Papers/By-Topic/{Topic}/{Year}-{Author}-{Title}.md
2. 语义记忆
位置:{vault}/memory/semantic/{Topic}.md
3. 程序记忆
位置:{vault}/memory/procedural/{Topic}.md
4. 情景记忆
位置:{vault}/memory/episodic/{Date}-{Paper}.md
5. MOC 更新
位置:{vault}/3-MOCs/MOC-{Topic}.md
6. 概念卡片
位置:{vault}/2-Knowledge/Concepts/
7. 洞察卡片
位置:{vault}/2-Knowledge/Insights/
8. 问题卡片
位置:{vault}/2-Knowledge/Questions/
9. 方法卡片
位置:{vault}/2-Knowledge/Methods/
10. 人物卡片
位置:{vault}/2-Knowledge/People/
11. 反思输出
位置:{vault}/4-Outputs/Reflections/L1|L2|L3/
12. 确认请求
位置:{vault}/0-Inbox/
使用示例
示例 1: L2 标准阅读
用户:请用 L2 级别阅读这篇论文
附件:paper.pdf
智能体:
1. 评估优先级 → P1
2. 执行 L2 阅读(45 分钟标准)
3. 生成笔记(3-5KB)
4. 抽取 5-8 条记忆
5. 需要时创建 Concept / Insight / Question / Method 卡片
6. 更新知识关联与 MOC
7. 生成 L1 反思
8. 输出报告
示例 2: L3 精读
用户:请以 L3 级别精读 ArXiv:2407.19354
智能体:
1. 获取论文(ArXiv API)
2. 评估优先级 → P0(与核心方向直接相关)
3. 执行 L3 阅读(2.5 小时标准)
4. 生成深度笔记(10-15KB)
5. 知识升级 + 旧知识修订
6. 提炼 2-3 条程序规则
7. 更新 2-Knowledge/ 与 3-MOCs/
8. 若出现冲突/新方向,创建确认请求到 0-Inbox/
9. 生成深度反思并推送详细报告
示例 3: 批量阅读
用户:这 10 篇论文请先 L1 筛选,然后对其中的 P0/P1 论文执行 L2 阅读
智能体:
1. 批量 L1 筛选(5 分钟/篇)
2. 评级分类:P0(2 篇) + P1(5 篇) + P2(3 篇)
3. 对 P0 论文执行 L3 阅读
4. 对 P1 论文执行 L2 阅读
5. P2 论文仅存档
6. 周末执行 L2 反思并整理概念 / MOC
7. 输出汇总报告
质量检查清单
L2 检查
- [ ] 标准笔记完整(3-5KB)
- [ ] Semantic Memories 3-5 条
- [ ] Episodic Memories 1-2 条
- [ ] Procedural Memories 1 条候选
- [ ] 每条记忆有 action 字段
- [ ] 给出与旧知识的连接关系
L3 检查
- [ ] L2 全部要求满足
- [ ] 完成常驻/检索记忆划分
- [ ] 至少修订或评估 1 组旧知识
- [ ] 至少提炼 2-3 条程序规则
- [ ] 标记冲突、时间演化或废弃知识
- [ ] 回答"这篇论文如何改变我的知识结构"
2-Knowledge 更新检查
- [ ] 是否需要创建 Concept 卡片
- [ ] 是否需要创建 Insight 卡片
- [ ] 是否需要创建 Question 卡片
- [ ] 是否需要更新 Method / Person 卡片
- [ ] 是否需要把新知识挂到既有 MOC
反思与确认检查
- [ ] 单篇阅读后是否生成 L1 反思
- [ ] 周期性任务是否进入 L2 / L3 反思
- [ ] 是否触发人工确认请求
依赖技能
arxiv-watcher: ArXiv 论文搜索academic-research-hub: 多源学术搜索obsidian-direct: Obsidian 文件操作tavily: 网页内容提取pdf: PDF 文本提取obsidian-cli: Obsidian CLI 工具
错误处理
常见错误
- 论文无法获取
- 处理:跳过并记录原因,不创建推断性笔记
- Obsidian 路径不存在
- 处理:自动创建目录结构
- 记忆抽取失败
- 处理:降级到 L1 输出,记录错误日志
- 知识冲突检测
- 处理:标记为
contradict,等待周巩固时裁决
版本历史
- v2.1 (2026-03-07): 可行性优化(L2 时间 30→45 分钟,记忆数量优化)
- v2.0 (2026-03-07): 新增长期记忆层、巩固机制
- v1.0 (2026-03-07): 初始版本,定义 L1/L2/L3 标准
相关文档
- [READING-STRATEGY-v2.1.md](protocols/READING-STRATEGY-v2.1.md) - 完整阅读策略
- [CHECKLIST-Paper-Reading.md](protocols/CHECKLIST-Paper-Reading.md) - 启动检查清单
- [Template-Reflection-L1.md](templates/Template-Reflection-L1.md) - 单篇论文反思
- [Template-Reflection-L2.md](templates/Template-Reflection-L2.md) - 周度反思
- [Template-Reflection-L3.md](templates/Template-Reflection-L3.md) - 月度反思
- [Template-Confirmation-Request.md](templates/Template-Confirmation-Request.md) - 人工确认请求
- [Procedure-人工确认流程.md](templates/Procedure-人工确认流程.md) - 确认流程
技能作者: Scholar Agent (学究) 最后更新: 2026-03-18 许可证: MIT
Source & license
This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.
- Author: levi-qiao
- Source: levi-qiao/obsidian-llm-wiki
- License: MIT
Install and usage instructions live in the source repository linked above.
Reviews
No reviews yet — be the first.
Write a review
Versions
- v0.1.0 Imported from the upstream source.