mcpField
I
idea-generation

idea-generation

github.com/lingzhi227生产力4401.8k 次安装35 周前更新
代码仓库

关于 idea-generation

用于生成和完善研究想法，并通过文献检索评估新颖性的 Claude 技能。它帮助研究者从研究领域或代码背景出发，形成带实验计划和新颖性判断的排序方案。

主要功能

  1. 01生成 3 至 5 个研究想法
  2. 02迭代完善想法
  3. 03基于文献检查新颖性
  4. 04评估兴趣度、可行性与新颖性
  5. 05排序并筛选想法

适用场景

  1. 01围绕研究领域构思选题
  2. 02判断已有想法是否新颖
  3. 03规划实验前比较候选想法

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/lingzhi227/agent-research-skills --skill idea-generation

安装后在 Claude Code 中输入/idea-generation确认已加载。

附带文件references/ideation-prompts.mdscripts/novelty_check.py

详细介绍

创意生成

生成并完善新颖的研究创意，并通过文献评估其新颖性。

输入

  • $0 — 研究领域、任务描述或现有代码库的上下文
  • $1 — 可选：补充上下文（例如，“面向 NeurIPS”、约束条件）

脚本

基于 Semantic Scholar 进行新颖性检查
python ~/.claude/skills/idea-generation/scripts/novelty_check.py \
  --idea "Adaptive attention head pruning via gradient-guided importance" \
  --max-rounds 5

通过迭代式文献检索评估创意是否新颖。

参考资料

  • 创意构思提示词（生成、反思、新颖性）：~/.claude/skills/idea-generation/references/ideation-prompts.md

工作流

第 1 步：生成创意

根据研究领域以及可选的代码或论文背景：

  1. 生成 3-5 个不同的研究创意
  2. 对每个创意，提供：名称、标题、实验计划和评分
  3. 使用参考资料中的创意构思提示词模板
第 2 步：迭代完善（每个创意最多 5 轮）

针对每个创意：

  1. 批判性评估其质量、新颖性和可行性
  2. 在保留核心精神的同时完善创意
  3. 达成收敛（“我完成了”）或达到最大轮数后停止
第 3 步：新颖性评估

针对每个有潜力的创意：

  1. 运行 novelty_check.py，或手动搜索 Semantic Scholar / arXiv
  2. 使用参考资料中的新颖性检查提示词
  3. 进行多轮搜索：生成查询、审阅结果并作出判断
  4. 作出二元判断：新颖 / 不新颖，并说明理由
第 4 步：排序与选择
  • 从三个维度对每个创意评分（1-10）：趣味性、可行性、新颖性
  • 评分应谨慎且现实
  • 选择排名靠前的创意进行开发

输出格式

{
  "Name": "adaptive_attention_pruning",
  "Title": "Adaptive Attention Head Pruning via Gradient-Guided Importance Scoring",
  "Experiment": "Detailed implementation plan...",
  "Interestingness": 8,
  "Feasibility": 7,
  "Novelty": 9,
  "novel": true,
  "most_similar_papers": ["paper1", "paper2"]
}

规则

  • 创意必须在现有资源条件下可行（不得要求新数据集或大规模算力）
  • 不要让创意过度适配特定数据集或模型，应着眼于更广泛的意义
  • 严格审视新颖性，确保贡献足以达到会议论文的要求
  • 每个创意都应源自一个简单、优雅的问题或假设
  • 在确定创意前，务必检查其新颖性

相关技能

评论

支持 Markdown