mcpField
L
literature-review

literature-review

github.com/lingzhi227生产力4404.0k 次安装35 周前更新
代码仓库

关于 literature-review

通过多视角对话和系统化文献检索来撰写结构化综述的研究技能。它引导研究者从探索主题，逐步完成带引用的综合、论文摘要和研究空白梳理。

主要功能

  1. 01生成多元专家视角
  2. 02开展多轮研究对话
  3. 03检索 Semantic Scholar、OpenAlex 和 arXiv
  4. 04综合发现并添加文内引用
  5. 05整理论文摘要与研究空白

适用场景

  1. 01调查某一具体主题的研究
  2. 02从多个视角比较文献
  3. 03构建带引用的综述和论文库
  4. 04识别未来研究的空白

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 literature-review

安装后在 Claude Code 中输入/literature-review确认已加载。

附带文件references/dialogue-prompts.mdreferences/review-workflow.md

详细介绍

文献综述

通过多视角对话和系统检索开展深入的文献综述。

输入

  • $0 — 研究主题或问题
  • $1 — 可选：具体关注点或角度

参考资料

  • 多视角对话提示词（STORM）：~/.claude/skills/literature-review/references/dialogue-prompts.md
  • 文献综述工作流（AgentLaboratory）：~/.claude/skills/literature-review/references/review-workflow.md

脚本（来自 literature-search 技能）

# Search Semantic Scholar
python ~/.claude/skills/deep-research/scripts/search_semantic_scholar.py --query "topic" --max-results 20

# Search OpenAlex
python ~/.claude/skills/literature-search/scripts/search_openalex.py --query "topic" --max-results 20

# Search arXiv
python ~/.claude/skills/deep-research/scripts/search_arxiv.py --query "topic" --max-results 10

工作流

步骤 1：生成专家角色（来自 STORM）

根据主题创建 3-5 个不同的专家角色：

  • 每个角色代表不同的视角、身份或研究角度
  • 示例：“关注效率的 ML 系统研究者”“关注理论保证的理论统计学家”
  • 使用参考资料中的角色生成提示词
步骤 2：多视角对话

针对每个角色，模拟多轮问答对话：

  1. 角色从其独特角度提出问题
  2. 根据问题生成搜索查询
  3. 使用搜索脚本检索文献
  4. 根据检索到的论文综合回答，并添加行内引用
  5. 记录包含搜索结果的对话轮次
  6. 每个角色重复 3-5 轮
  7. 在角色说出“非常感谢你的帮助！”时结束
步骤 3：综合知识
  • 将所有角色的对话整合为统一的知识库
  • 消除不同角色之间的重复内容
  • 按主题/子主题组织内容
  • 根据收集到的信息生成提纲
步骤 4：生成文献综述
  • 按生成的提纲撰写结构化综述
  • 每项论述都必须有引用支持
  • 附上关键论文摘要表（方法、贡献、局限性）

输出

结构化文献综述，包含：

  1. 提纲 — 分层主题结构
  2. 各章节摘要 — 每部分均以检索到的论文为依据
  3. 论文数据库 — 所有已综述论文的结构化条目
  4. 知识空白 — 确定需要进一步研究的领域

规则

  • 综述中的每句话都必须有收集到的信息支持
  • 如果没有找到相关信息，请明确说明这一空白
  • 广泛引用，涵盖不同方法，而不只是最热门的方法
  • 除基础性研究外，也要纳入近期论文（过去 2-3 年）
  • 使用行内引用：“Smith 等人 [1] 提出……”

相关技能

评论

支持 Markdown