academic-search

在开始前，检查环境就绪状态： `bash bash ~/.claude/skills/academic-search/scripts/check-deps.sh ` • Node.js 22+：必需（用于 CDP 浏览器模式）。仅使用 API 平台时可不检查。 • Chrome remote-debugging：仅在访问 Google Scholar 或其他需要浏览器自动化的平台时必需。在 Chrome 地址栏打开 chrome://inspect/#remote-debugging，勾选 Allow remote debugging for this browser instance。 • curl：必需，用于 API 调用。 arXiv、Semantic Scholar、PubMed、Papers with Code 等 API 平台无需 Chrome 远程调试即可使用。 S2 API Key（强烈建议）：无 Key 时 S2 速率上限极低，单 session 多次调用必触发 429。免费注册即可获得更高配额：https://www.semanticscholar.org/product/api#api-key-form。有 Key 时在请求头加 x-api-key: {your_key}。

明确目标，选对平台，提取结构化数据，完成即止。 学术搜索不同于通用网页浏览——目标是获取准确、结构化的论文元数据，而不是浏览网页内容。 ① 明确检索目标，定义成功标准：执行前先明确什么算完成了。 • 关键词搜索？精确论文？某作者的全部论文？某 venue 的论文列表？ • 需要什么字段：仅标题和引用数 / 完整元数据 / PDF / BibTeX / 代码链接？ • 年份范围？领域限定？返回几篇？ • 成功标准：用户要的是摘要表（第一遍）还是完整元数据（第二遍）？数量够了吗？字段都有了吗？这是后续所有决策的锚点。 ② 选对平台：不同需求对应不同平台（见下方矩阵）。API 平台优先，CDP 用于无 API 的平台。 ③ 提取结构化数据，先筛后深：搜索的时间瓶颈不在"搜"，在"筛"。默认采用两遍策略： • 第一遍（轻量扫描）：先拉 20-30 条结果，输出轻量摘要表——标题、作者、年份、venue、引用数、是否有开放 PDF/代码。不拉完整摘要。 • 用户或任务确认核心论文（引用数高、venue 等级高、与目标最相关的 5-10 篇）后，第二遍再深入拉摘要、PDF、BibTeX 等完整信息。 所有结果输出为统一 schema（见 references/metadata-schema.md），不要输出原始 HTML 或非结构化文本。多平台结果用 DOI/arXiv ID 去重合并。 ④ 过程校验，用失败信号更新方向：每一步的结果都是信息，不只是成功或失败的二元信号。 | 失败信号 | 含义 | 方向调整 | |---------|------|---------| | API 429 / Rate exceeded | 本次会话消耗超配额，不是暂时波动 | 等待 15s+ 或切换 CDP 模式；不要同一请求重试 | | Jina/WebFetch 超时 | 该页面对静态抓取不友好 | 改用 curl 直接调 API 或切换 CDP | | S2 返回结果为空 | query 措辞问题，或该平台无收录 | 换关键词组合，或换 arXiv/PubMed | | 平台返回"内容不存在" | 未必真的不存在，可能是访问方式问题 | 检查 URL 参数是否完整，换平台验证 | | 同一方式重试 3 次无改善 | 路径错了，不是还没找到方法 | 重新评估目标，换平台或换访问方式 | ⑤ 完成判断：对照①定义的成功标准确认任务完成后停止，不为"更完整"而过度操作。

根据任务特征选择最合适的平台和访问方式： | 需求 | 首选平台 | 访问方式 | 备注 | |------|---------|---------|------| | CS/Math/Physics/统计 论文搜索 | arXiv | REST API | 完全开放，PDF 直链 | | 引用数、引用/被引关系 | Semantic Scholar | REST API | 免费 Key 可提升速率 | | 作者主页、全部论文 | Semantic Scholar | REST API | /author/{id}/papers | | 生物医学、生命科学 | PubMed | NCBI E-utilities | 完全开放 | | ML 论文 + 代码仓库 | Papers with Code | REST API | 无需鉴权 | | ACM 顶会论文 (SIGKDD/WWW 等) | ACM DL | WebFetch + Jina | BibTeX 导出端点可直接访问 | | IEEE 期刊/会议论文 | IEEE Xplore | WebFetch / Jina | 有机构 Key 时用官方 API | | 广泛引用数 / 全平台覆盖 | Google Scholar | CDP（必须） | 无 API，反爬严重 | | 论文是否存在 / 基础元数据 | Semantic Scholar | REST API | 支持 DOI / arXiv ID 互查 | | 中文文献（期刊/学位论文/会议） | CNKI（知网） | CDP（必须） | 无公开 API；机构登录后全文可得 | API 平台访问方式： • WebSearch：用于发现论文来源、查找 DOI/作者 ID 等信息入口 • WebFetch / Jina：URL 已知时从页面提取，Jina（r.jina.ai/{url}）节省 token，适合文章类页面 • curl：直接调用结构化 API，返回 JSON/XML • CDP：仅 Google Scholar 必须；其他平台在 API/WebFetch 无效时作为兜底 详细 API 调用模板见 references/api-cookbook.md。

• 根据领域选平台：CS/ML → arXiv + Semantic Scholar；生医 → PubMed；跨领域 → Semantic Scholar • 扩展 query：用户自然语言输入往往只是一个切入点，需要主动展开为 2-3 个互补 query 覆盖不同命名习惯： • 同义词替换：agent → agentic / multi-agent / autonomous • 子概念拆分：time series agent → time series LLM agent + time series agentic reasoning + time series automated analysis • 缩写与全称并用：TS / time series，LLM / large language model • 不同 query 结果合并去重，覆盖率比单 query 提升 30-50% • 构造查询：arXiv 用 search_query 字段前缀语法；S2 用 query 参数；PubMed 用 term 布尔表达式 • 计划多次 S2 调用时优先用 batch API（/paper/batch）而非多次 search，节省速率配额 • 第一遍输出轻量摘要表（必含：标题、年份、venue、引用数、是否有开放 PDF），不默认拉完整摘要 • 意图判断：用户明确说"只要前 N 篇"或"摘要表即可"时，直接输出第一遍结果，无需等待确认再停下 • 用户需要第二遍时，再深拉完整元数据 多平台并行查询时，用子 Agent 分治（见"并行分治策略"一节）。 轻量摘要表输出格式示例： | 标题 | 年份 | Venue | 引用数 | PDF | |------|------|-------|--------|-----| | Attention Is All You Need | 2017 | NeurIPS [CCF-A] | 120,000+ | ✓ arXiv | | BERT: Pre-training... | 2019 | NAACL [CCF-B] | 80,000+ | ✓ arXiv | Venue 等级标注规则：CS 会议参考 references/venue-rankings.md（CCF 分级）；期刊显示 JCR 分区（若可从 S2 venue 字段获取）。