skill-find-papers

論文検索スキル

最近の質の高い論文を5本と古典的な論文を1本見つけ、ユーザーからのフィードバックを学習し、選ばれた精読論文を Feishu に保存します。

必須ツール

• 文献検索、メタデータ、引用、PDF の取得、論文分析には、設定済みの scholar_mcp MCP サーバーを使用します。
• Feishu のフォルダーとドキュメントには lark-cli を使用します。
• 永続的な設定と推薦履歴には scripts/paper_state.py を使用します。
• Feishu を操作する前に、lark-cli doctor を実行します。Feishu のフラグを選ぶ前に、バージョンに対応した組み込みスキルを lark-cli skills read lark-shared、lark-cli skills read lark-drive、lark-cli skills read lark-doc で読みます。

毎回の実行開始時

1. 次を実行します。

   python "$env:USERPROFILE\.codex\skills\skill-find-papers\scripts\paper_state.py" init
   python "$env:USERPROFILE\.codex\skills\skill-find-papers\scripts\paper_state.py" show
   python "$env:USERPROFILE\.codex\skills\skill-find-papers\scripts\paper_state.py" inbox-list --status pending
   

2. init の needs_initial_interests を確認します。初回利用時は、検索を開始する前に処理を止め、初期の研究関心を設定するようユーザーに尋ねます。デフォルトは transformers、LLM、agent です。

   • ユーザーがデフォルトを受け入れた場合は、paper_state.py interests --confirm を実行します。
   • ユーザーがトピックを指定した場合は、paper_state.py interests --replace "<topic1,topic2>" を実行します。

3. オンボーディング後は、保存済みの設定とフィードバックを正式な情報として扱います。

4. ユーザーが研究関心を直接変更した場合は、interests --add、--remove、または --replace を使って直ちに反映し、変更後のリストを確認します。

ローカル論文受信箱

ユーザーから送られた論文 PDF、DOI、出版社／arXiv のリンク、または明示的に提出された論文は、すべて受信箱への提出として扱います。

1. paper_state.py inbox-add を使って直ちに追加します。ローカル PDF の場合は --file を指定し、リモート論文の場合は --url または --doi を指定します。利用できないメタデータは省略します。
2. スクリプトはローカル PDF を $HOME/.codex/skill-data/skill-find-papers/inbox/files の管理対象受信箱にコピーします。後で Scholar MCP に取り込む際は、この管理対象のパスを使用します。
3. 受信箱に提出された論文はすべて 特に関心あり（ユーザーからの直接提出） として扱います。提出は、その論文を分析し、次回の精読ドキュメントに含めることへの明示的な同意です。再度選択するようユーザーに尋ねてはいけません。
4. 毎週の実行開始時には、通常の検索より先に、処理待ちの受信箱内論文をすべて処理します。
   • 管理対象のローカル PDF を優先し、Scholar MCP の local_pdf_path を使用します。
   • それ以外の場合は、DOI または URL から合法的に利用できる最も完全なソースを取得します。
   • 通常の推薦よりも詳しく、精読に関する要件をすべて適用します。
   • 広い親カテゴリだけでなく、論文全体から焦点を絞ったトピックを推定します。
   • 分析とドキュメントへの追加が成功した後、paper_state.py inbox-process --paper-id "<id>" --topics "<topic1,topic2>" --document-url "<url>" を実行します。
5. 受信箱の処理が成功すると、推定された各トピックに対する設定シグナルが一度だけ +3 されます。同じ論文を再処理または再提出しても、このシグナルを再度適用してはいけません。
6. ユーザーから提出された論文は追加分であり、通常の「最近の論文5本と古典的な論文1本」という枠を消費しません。掲載会場の品質基準は適用対象外ですが、確認できた掲載会場と品質状況は正確に報告します。
7. Feishu ドキュメントでは受信箱の論文を通常の選定論文より前に配置し、特に関心あり（ユーザーからの直接提出） という目に見えるコールアウトを追加します。
8. 処理待ちの受信箱内論文がない場合は、元の週間検索とフィードバックのワークフローを変更せずに実行します。

毎週の論文探索

1. 受信トレイで保留中の論文を処理した後、まず直近3か月を検索します。候補が不足する場合は、検索範囲を12か月、次に24か月へと広げます。直近の5本を選ぶ際、通知せずに24か月を超えて検索してはいけません。
2. 単独のキーワードだけでなく、トピックを組み合わせて検索します。LLM、基盤モデル、セマンティック通信、無線・ネットワーク最適化、マルチエージェント、ツール使用、計画、エージェント型 AI などの同義語も含めます。
3. 必要数より多くの候補を集め、DOI、正規URL、arXiv ID、正規化したタイトルの順に重複を除外します。
4. すでに推薦した論文は、条件を満たす未推薦の論文が5本未満の場合を除き、対象から外します。再利用する場合は、その旨を明記し、理由を説明します。
5. 可能であれば、関連性、品質、新規性、トピックの多様性のバランスを取りながら、直近の論文をちょうど5本選びます。
6. これとは別に、古典論文の精読の推薦をちょうど1本追加します。現在の関心に関連する、先駆的で分野を形作った論文を選びます。未推薦の古典論文を優先します。古典論文は24か月の検索期間制限の対象外です。

品質確認

直近の各論文について、以下の少なくとも1つを確認します。

• 掲載誌が現在のJCR Q1である。
• 掲載誌が現在の中国科学院一区である。
• 学会がCCF-Aである。

最新の信頼できるランキングデータを使用し、該当する根拠を明記します。確認できない場合、記憶に基づいてランクを断定してはいけません。確認できていない掲載先は、5本の論文リストから除外します。プレプリントは、品質基準を満たす掲載先での採択が確認できた場合に限り、条件を満たすものとします。

分析と提示

各推薦について、以下を記載します。

• タイトル、著者、掲載先、出版日、DOI/arXiv、論文への直接リンク。
• 品質の根拠と検索期間ラベル。
• アブストラクト、主な新規性と貢献、手法、結論の中国語での要約。
• 保存済みの関心に関連付けた、短い関連性の説明。
• paper_state.py paper-id で取得した、変わらない論文ID。

最初の週次メッセージは、6本の論文を比較できる程度に簡潔にします。フィードバックを受け取る前にFeishuドキュメントを作成してはいけません。

各論文について、最後に以下の返信オプションを提示します。

• 精读 - 興味があります。Feishuドキュメントに含めます。
• 已读 - 興味があります。関心の設定を更新しますが、ドキュメントには含めません。
• 不感兴趣 - 対象から除外し、関連するトピックの重みを下げます。
• 跳过 - 中立です。関心の設定は変更しません。

ユーザーは 增加方向：...、减少方向：...、または 替换方向：... と直接入力してもよいことも伝えます。

6本すべての推薦を paper_state.py record で記録します。

フィードバックの処理

1. フィードバックを selected、read、not-interested、または skipped に対応付けます。
2. 明示された選択ごとに paper_state.py feedback を実行します。
3. selected と read の両方を、関心を示す肯定的なシグナルとして扱います。read の論文は、ドキュメントに決して含めません。
4. selected とマークされた論文がない場合は、関心の設定を更新して終了し、空のドキュメントは作成しません。
5. 番号やタイトルが曖昧な場合は、処理を行う前に直近の実行結果と照合して特定します。

Feishu Deep Read を作成する

selected の各論文について、Scholar MCP を通じて入手可能な最も完全なソースを取得してください。論文に記載された事実と、ご自身の解釈を区別してください。

また、分析に成功した保留中の受信トレイ内の論文もすべて含め、通常の選択論文より前に配置し、特别感兴趣（用户主动发送） とラベルを付けてください。

ingest_paper_fulltext を使用する際は、get_ingestion_status のポーリングと extract_granular_paper_details の呼び出しが完了するまで、同じ Scholar MCP サーバープロセスとクライアント接続を維持してください。取り込みジョブはプロセス単位であるため、再接続すると、有効なジョブ ID が JobNotFoundError を返すことがあります。

選択したすべての論文を含む文書を 1 つ作成してください。各論文には、次の内容を含めてください。

• 書誌情報、論文への直接リンク、検証済みの公式コード／リポジトリへのリンク。
• 完全な英語の要約と、中国語で完全に翻訳した要約。ソースがユーザー提供、公有領域、または複製が明示的に許諾されている場合に限ります。それ以外の場合は、実質的な情報点をすべて網羅した包括的な要約の言い換えを含め、言い換えであることを明記し、元の要約へのリンクを記載してください。
• 論文の貢献の構成、範囲、根拠、定量的な主張を保ち、少数の一般的な箇条書きにまとめてしまわない、原文にできる限り忠実な新規性と貢献。
• 問題の定義、前提、入出力、アーキテクチャまたはアルゴリズムの各段階、目的関数／損失関数、学習または最適化の手順、データセット／テストベッド、ベースライン、評価指標、該当する場合は推論／デプロイのフローを網羅した、詳細な手法のセクション。
• ライセンスまたはユーザー提供の条件により再利用が許可されている、関連する論文の図。図番号、キャプションの言い換え、ソースへのリンク、ライセンス／帰属表示を含めてください。それ以外の場合は、裏付けのある事実に基づいたオリジナルの説明図を作成し、原创方法示意图（非论文原图） とラベルを付けてください。
• 中国語と英語の結論。
• 限界と、読む際に注目すべき点。
• ユーザーの関心に合致する理由。

references/output-contract.md の構成を使用してください。

ソースおよび図のワークフロー

1. 出版社のページ、DOI の記録、著者の原稿、arXiv/OpenReview のページ、公式プロジェクトページ、および論文または著者がリンクしているリポジトリを優先します。
2. すべてのコードリンクを確認します。論文名が記載されている、著者やプロジェクトページと一致している、または論文からリンクされている著者／組織のリポジトリを優先します。タイトルの類似性だけからリポジトリを推測してはいけません。検証済みのコードが見つからない場合は、未发现可验证的官方代码仓库 と記載します。
3. 全文から、要旨、貢献の一覧、手法の各セクション、実験、結論、図のキャプション、図への参照を抽出します。メモにはセクション名またはページ番号／図番号を添えます。
4. アーキテクチャ、ワークフロー、システムモデル、アルゴリズム、または主な結果を具体的に説明する図を選びます。装飾目的の図は挿入しません。
5. 再利用できる図については、最も高品質なソースをダウンロードし、縦横比を維持して、関連する手法または結果の小節の近くに lark-cli docs +media-insert または URL 画像ブロックを使って挿入します。論文のタイトル、図番号、ソース URL、ライセンスをキャプションに記載します。
6. 図を直接再利用できることが明確でない場合は、論文の構成や図版を模倣せずに、手法を説明する独自の Mermaid/SVG 図を作成します。これは解釈に基づく図であることを明記します。
7. ドキュメントの作成後、アウトラインとキーワードの各セクションを取得し、選択したすべての論文に、要旨、貢献、手法、結論、リンクが含まれ、ソースの根拠がある場合は少なくとも1つの有用な図が含まれていることを確認します。

初めてドキュメントを作成する場合：

1. state に Feishu のフォルダートークンがない場合は、lark-cli drive +create-folder --as user を使って、论文推荐 という名前のルートフォルダーを作成します。
2. paper_state.py folder を使って、そのトークンと URL を保存します。
3. 以降はそのフォルダーを再利用し、重複して作成しないでください。

各ドキュメントの名前は 论文精读_YYYY-MM-DD とします。保存済みのフォルダー内に、lark-cli docs +create --api-version v2 --as user --parent-token ... を使って作成します。カレントディレクトリからの相対パスのコンテンツファイルまたは標準入力を使用し、絶対パスの @file は使用しないでください。ドキュメントの URL をユーザーに返し、paper_state.py run を使って記録します。

信頼性に関するルール

• 要旨、結論、ランキング、採択状況、引用、DOI 値、リンクを捏造してはいけません。
• 全文が利用できない場合はその旨を記載し、根拠のある内容のみを要約します。
• 一次ソースで確認していない限り、要旨が原文どおり、または完全であると主張してはいけません。
• 著作権で保護された要旨や図を黙って転載してはいけません。上記の転載および図のルールに従います。
• 非公式の実装を公式コードとして扱ってはいけません。
• 論文の一次ページ、DOI の記録、出版社のページ、公式ランキングのソースを優先します。
• 以前の state を保持し、通常の実行時に履歴をリセットしてはいけません。
• Scholar MCP または Feishu が利用できない場合は、どの段階で何が失敗したかを正確に説明し、すでに記録されているフィードバックを保持します。