alterlab-research-lookup

研究信息查询

概述

此技能可实时查询研究信息，并提供智能后端路由：

• Parallel Chat API（core 模型）：所有一般研究查询的默认后端。通过兼容 OpenAI 的 Chat API（Beta，https://api.parallel.ai/v1beta/chat/completions），提供全面的多来源研究报告和内联引用。
• Perplexity sonar-pro-search（通过 OpenRouter）：仅用于学术类论文搜索，在此类搜索中，访问学术数据库至关重要。

此技能会自动检测查询类型，并将其路由至最佳后端。

何时使用此技能

在以下情况下使用此技能：

• 最新研究信息：最新的研究、论文和发现
• 文献核实：根据当前研究核查事实、统计数据或说法
• 背景研究：为科学写作收集背景信息和支持证据
• 引用来源：查找相关论文和研究以供引用
• 技术文档：查询规格、协议或方法
• 市场／行业数据：当前统计数据、趋势和竞争情报
• 最新进展：新兴趋势、突破和公告

不会触发的情况

场景	改用
你明确想使用 Perplexity（自行选择 Sonar 模型），不需要路由	alterlab-perplexity
提取或核实已知 URL 的内容，或直接调用 Parallel 的 Search／Task API	alterlab-parallel-web
按论文整理的结构化实验数据（样本量、效应量、质量评分）	alterlab-bgpt-search
绘制种子论文周围的引用网络	alterlab-citation-graph
进行包含 PRISMA 筛选和偏倚风险评估的系统性综述	alterlab-literature-review

自动选择后端

此技能会根据内容自动将查询路由至最佳后端：

路由逻辑

Query arrives
    |
    +-- Contains academic keywords? (papers, DOI, journal, peer-reviewed, etc.)
    |       YES --> Perplexity sonar-pro-search (academic search mode)
    |
    +-- Everything else (general research, market data, technical info, analysis)
            --> Parallel Chat API (core model)

学术关键词（路由至 Perplexity）

包含以下词语的查询会路由至 Perplexity，以进行以学术为重点的搜索：

• 查找论文：find papers、find articles、research papers on、published studies
• 引用：cite、citation、doi、pubmed、pmid
• 学术来源：peer-reviewed、journal article、scholarly、arxiv、preprint
• 综述类型：systematic review、meta-analysis、literature search
• 论文质量：foundational papers、seminal papers、landmark papers、highly cited

其他所有情况（路由至 Parallel）

其他所有查询都会发送至 Parallel Chat API（core 模型），包括：

• 一般研究问题
• 市场和行业分析
• 技术信息和文档
• 时事和最新进展
• 比较分析
• 统计数据检索
• 复杂的分析类查询

手动覆盖

你可以指定使用某个后端：

# Force Parallel Deep Research
python scripts/research_lookup.py "your query" --force-backend parallel

# Force Perplexity academic search
python scripts/research_lookup.py "your query" --force-backend perplexity

---

核心功能

1. 一般研究查询（Parallel Chat API）

默认后端。 通过 Chat API（core 模型）提供全面的多来源研究内容及引用。

Query Examples:
- "Recent advances in CRISPR gene editing 2025"
- "Compare mRNA vaccines vs traditional vaccines for cancer treatment"
- "AI adoption in healthcare industry statistics"
- "Global renewable energy market trends and projections"
- "Explain the mechanism underlying gut microbiome and depression"

响应包含：

• Markdown 格式的全面研究报告
• 来自权威网络来源的内联引用
• 包含关键发现的结构化章节
• 多种观点和数据点
• 供核实的来源 URL

2. 学术论文搜索（Perplexity sonar-pro-search）

用于学术类查询。 优先搜索学术数据库和同行评审来源。

Query Examples:
- "Find papers on transformer attention mechanisms in NeurIPS 2024"
- "Foundational papers on quantum error correction"
- "Systematic review of immunotherapy in non-small cell lung cancer"
- "Cite the original BERT paper and its most influential follow-ups"
- "Published studies on CRISPR off-target effects in clinical trials"

响应包含：

• 学术文献中关键发现的摘要
• 5–8 条高质量引用，包括作者、标题、期刊、年份和 DOI
• 引用次数和期刊级别指标
• 关键统计数据和方法亮点
• 研究空白和未来方向

3. 技术和方法信息

Query Examples:
- "Western blot protocol for protein detection"
- "Statistical power analysis for clinical trials"
- "Machine learning model evaluation metrics comparison"

4. 统计和市场数据

Query Examples:
- "Prevalence of diabetes in US population 2025"
- "Global AI market size and growth projections"
- "COVID-19 vaccination rates by country"

---

论文质量与影响力优先级

搜索论文时，应优先考虑高质量、有影响力的研究，但应将引用次数和发表刊物视为粗略的参考指标，而非质量衡量标准：它们对近期论文有所滞后，在不同领域间差异很大，而且无法充分体现阴性结果、地区性期刊和非英语研究。应根据每篇论文的研究设计和证据进行判断（参见 alterlab-scientific-thinking），若某篇影响力较低的论文是支持该主张最直接的证据，也应将其纳入。以下阈值是实用的经验规则，并非既定的界限。

基于引用次数的排名

论文年限	引用次数阈值	分类
0-3 年	20+ 次引用	值得关注
0-3 年	100+ 次引用	极具影响力
3-7 年	100+ 次引用	重要
3-7 年	500+ 次引用	里程碑论文
7+ 年	500+ 次引用	开创性研究
7+ 年	1000+ 次引用	奠基性研究

发表刊物质量等级

Tier 1 - 顶级刊物（相关时优先考虑）：

• 综合科学：Nature、Science、Cell、PNAS
• 医学：NEJM、Lancet、JAMA、BMJ
• 领域专刊：Nature Medicine、Nature Biotechnology、Nature Methods
• 顶级 CS/AI：NeurIPS、ICML、ICLR、ACL、CVPR

Tier 2 - 高影响力专业刊物（强烈优先考虑）：

• 影响因子 > 10 的期刊
• 子领域顶级会议（EMNLP、NAACL、ECCV、MICCAI）

Tier 3 - 备受认可的专业刊物（相关时纳入）：

• 影响因子为 5-10 的期刊

---

技术集成

环境变量

# Primary backend (Parallel Chat API)
export PARALLEL_API_KEY="your_parallel_api_key"

# Academic search backend (Perplexity via OpenRouter)
export OPENROUTER_API_KEY="your_openrouter_api_key"

至少需要一个密钥；如果只有一个密钥，则每个查询都会发送到对应的后端。

API 规范

Parallel Chat API（Beta）：

• 端点：POST https://api.parallel.ai/v1beta/chat/completions（使用 base_url="https://api.parallel.ai/v1beta" 的 OpenAI SDK）
• 模型：core（延迟 60s-5min，适用于复杂的多来源综合分析）
• 输出：带有行内引用的 Markdown 文本
• 引用：包含来源 URL 和摘录的研究依据
• 速率限制：默认每分钟 300 个请求
• Python 包：openai

Perplexity sonar-pro-search：

• 模型：perplexity/sonar-pro-search（通过 OpenRouter；按 2026-09 目录价格，每百万个词元 $3/$15，每 1,000 个请求 $18）
• 发送 web_search_options.search_context_size: high 和 Perplexity 的 search_mode: academic；OpenRouter 可能不会转发后者，因此仅使用学术来源只能尽力实现
• 来源会以 url_citation 注释和/或 citations/search_results 字段返回；脚本会合并并去重
• 脚本每个请求最多等待 90 s
• Python 包：requests

命令行用法

# Auto-routed research (recommended)
python scripts/research_lookup.py "your query" -o sources/research_YYYYMMDD_HHMMSS_<topic>.md

# Force specific backend
python scripts/research_lookup.py "your query" --force-backend parallel -o sources/research_<topic>.md
python scripts/research_lookup.py "your query" --force-backend perplexity -o sources/papers_<topic>.md

# JSON output
python scripts/research_lookup.py "your query" --json -o sources/research_<topic>.json

# Batch queries
python scripts/research_lookup.py --batch "query 1" "query 2" "query 3" -o sources/batch_research_<topic>.md

---

将所有结果保存到 Sources 文件夹

将每个研究查询结果保存到项目的 sources/ 文件夹。获取结果需要花费费用，而保存的文件可让你和审阅者将每条引用追溯到原始搜索结果。

保存规则

后端	-o 标志目标路径	文件名模式
Parallel Deep Research	sources/research_<topic>.md	research_YYYYMMDD_HHMMSS_<brief_topic>.md
Perplexity（学术）	sources/papers_<topic>.md	papers_YYYYMMDD_HHMMSS_<brief_topic>.md
批量查询	sources/batch_<topic>.md	batch_research_YYYYMMDD_HHMMSS_<brief_topic>.md

保存方法

每次调用时都将 -o 指向 sources/ 文件夹，并确保在保存的文件中保留引用、来源 URL 和 DOI——它们是审计追踪记录。默认文本输出已包含 Sources 部分（每个来源的标题、日期和 URL）以及 Additional References 部分（从响应文本中提取的 DOI 和学术 URL）；使用 --json 可获取完整的引用元数据。

# General research — save to sources/ (includes Sources + Additional References sections)
python scripts/research_lookup.py "Recent advances in CRISPR gene editing 2025" \
  -o sources/research_20250217_143000_crispr_advances.md

# Academic paper search — save to sources/ (includes paper citations with DOIs)
python scripts/research_lookup.py "Find papers on transformer attention mechanisms in NeurIPS 2024" \
  -o sources/papers_20250217_143500_transformer_attention.md

# JSON format for maximum citation metadata (full citation objects with URLs, DOIs, snippets)
python scripts/research_lookup.py "CRISPR clinical trials" --json \
  -o sources/research_20250217_143000_crispr_trials.json

# Forced backend — save to sources/
python scripts/research_lookup.py "AI regulation landscape" --force-backend parallel \
  -o sources/research_20250217_144000_ai_regulation.md

# Batch queries — save to sources/
python scripts/research_lookup.py --batch "mRNA vaccines efficacy" "mRNA vaccines safety" \
  -o sources/batch_research_20250217_144500_mrna_vaccines.md

已保存文件中的引文保留

每种输出格式保留引文的方式各不相同：

格式	包含的引文	使用场景
文本（默认）	Sources (N): 部分，包含 [title] (date) + URL，以及包含 DOI 和学术 URL 的 Additional References (N):	常规用途——便于阅读，且包含所有引文
JSON（--json）	完整的引文对象：url、title、date、snippet、doi、type	需要尽可能丰富的引文元数据时

对于 Parallel 后端，保存的文件包含：研究报告 + Sources 列表（标题、URL）+ Additional References（DOI、学术 URL）。 对于 Perplexity 后端，保存的文件包含：学术摘要 + Sources 列表（标题、日期、URL、摘要片段）+ Additional References（DOI、学术 URL）。

需要进行以下操作时，请使用 --json：

• 以编程方式解析引文元数据
• 保留完整的 DOI 和 URL 数据以生成 BibTeX
• 保留结构化引文对象，以便交叉引用

为什么要保存所有内容

1. 可复现性：每条引文和论断都能追溯到原始研究来源
2. 上下文窗口恢复：上下文被压缩时，可以重新读取已保存的结果，无需再次查询
3. 审计轨迹：sources/ 文件夹准确记录所有研究信息的收集方式
4. 跨章节复用：多个章节可引用同一份已保存的研究结果，无需重复查询
5. 节省成本：发起新的 API 调用前，先检查 sources/ 中是否已有结果
6. 支持同行评审：评审者可以核实每条引文所依据的研究

发起新查询前，先检查 Sources

调用 research_lookup.py 前，请检查是否已有相关结果：

ls sources/  # Check existing saved results

如果之前的查询已涵盖同一主题，请重新读取已保存的文件，而不要发起新的 API 调用。

日志记录

保存研究结果时，务必记录：

[HH:MM:SS] SAVED: Research lookup to sources/research_20250217_143000_crispr_advances.md (3,800 words, 8 citations)
[HH:MM:SS] SAVED: Paper search to sources/papers_20250217_143500_transformer_attention.md (6 papers found)

---

与科学写作集成

此技能通过提供以下内容支持科学写作（每项结果均保存到 sources/）：

1. 文献综述支持：为引言和讨论收集最新研究
2. 方法验证：根据当前标准核验实验方案
3. 结果背景化：将研究发现与近期类似研究进行比较
4. 增强讨论：以最新证据支持论点
5. 引文管理：提供格式规范的引文

请将返回的引文视为线索：引用前请打开并核查论文，因为搜索模型的回答可能会错误归属研究发现，或弄乱书目信息（alterlab-citation-verifier 会检查参考文献是否存在）。

配套工具

任务	技能
学术索引搜索（OpenAlex）	alterlab-openalex
PubMed 搜索	alterlab-pubmed
Zotero 文献库 / DOI 到 BibTeX 管理	alterlab-pyzotero
核实收集的参考文献是否存在	alterlab-citation-verifier

---

错误处理和限制

已知限制：

• Parallel Chat API（核心模型）：复杂查询可能需要长达 5 分钟
• Perplexity：存在信息截止时间限制，可能无法访问付费墙后的全文
• 两者均无法访问专有或受限数据库

回退行为：

• 如果缺少首选后端的 API 密钥（包括使用 --force-backend 指定后端时），查询会转至另一个后端
• 调用失败时不会重试另一个后端；结果会包含 success: false 和错误信息——请使用 --force-backend 重新运行，以尝试另一个后端
• 如果初始响应不充分，请改写查询以获得更好的结果

有关后端密钥设置和具体错误消息，请参阅 references/troubleshooting.md。

---

使用示例

示例 1：一般研究（路由至 Parallel）

查询：“2025 年 transformer 注意力机制的最新进展”

后端：Parallel Chat API（核心模型）

响应：包含权威来源引用的综合 Markdown 报告，涵盖最新论文、关键创新和性能基准。

示例 2：学术论文搜索（路由至 Perplexity）

查询：“查找有关临床试验中 CRISPR 脱靶效应的论文”

后端：Perplexity sonar-pro-search（学术模式）

响应：精选的 5-8 篇高影响力论文列表，包含完整引用信息、DOI、引用次数和期刊级别指标。

示例 3：比较分析（路由至 Parallel）

查询：“比较 mRNA 疫苗与传统疫苗在癌症治疗中的异同”

后端：Parallel Chat API（核心模型）

响应：包含多来源数据、结构化分析和引用证据的详细比较报告。

示例 4：市场数据（路由至 Parallel）

查询：“2025 年全球医疗保健领域的 AI 采用情况统计”

后端：Parallel Chat API（核心模型）

响应：包含来源引用的最新市场数据、采用率、增长预测和区域分析。

---

总结

此技能作为主要研究接口，采用智能双后端路由：

• Parallel Chat API（默认，core 模型）：针对任何主题进行全面的多来源研究
• Perplexity sonar-pro-search：仅用于学术论文搜索
• 自动路由：检测学术查询并进行相应路由
• 手动覆盖：需要时强制使用任意后端
• 互补配合：可与 alterlab-parallel-web 配合进行网页搜索和 URL 提取

属于 AlterLab Academic Skills 套件。