research-lookup

研究信息查询

概述

此技能通过智能后端路由提供实时研究信息查询：

• Parallel Chat API（core 模型）：所有一般研究查询的默认后端。通过 https://api.parallel.ai 上兼容 OpenAI 的 Chat API，提供包含行内引文的综合性多来源研究报告。
• Perplexity sonar-pro-search（通过 OpenRouter）：仅用于学术论文专项搜索，这类搜索对学术数据库的访问至关重要。

此技能会自动检测查询类型，并将其路由到最合适的后端。

何时使用此技能

在以下情况下使用此技能：

• 当前研究信息：最新研究、论文和发现
• 文献核验：根据当前研究核查事实、统计数据或主张
• 背景研究：为科学写作收集背景信息和支持证据
• 引文来源：查找可供引用的相关论文和研究
• 技术文档：查询规范、协议或方法
• 市场／行业数据：当前统计数据、趋势、竞争情报
• 最新进展：新兴趋势、突破和公告

使用科学示意图增强视觉效果

使用此技能创建文档时，始终考虑添加科学图表和示意图，以增强视觉表达。

如果文档中尚无示意图或图表：

• 使用 scientific-schematics 技能生成 AI 驱动的出版级图表
• 只需用自然语言描述所需图表

python scripts/generate_schematic.py "your diagram description" -o figures/output.png

---

自动选择后端

此技能会根据内容自动将查询路由到最佳后端：

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）

包含以下术语的查询会路由至 Perplexity，以进行学术专项搜索：

• 查找论文：find papers、find articles、research papers on、published studies
• 引文：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

其他所有查询（路由至 Parallel）

所有其他查询都会发送至 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
• 当前事件和最新进展
• 比较分析
• 统计数据检索
• 复杂分析查询

手动覆盖

你可以指定使用某个后端：

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

# Force Perplexity academic search
python 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）提供包含引文的综合性多来源研究。

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"

响应内容包括：

• Markdown 格式的综合研究报告
• 来自权威网络来源的行内引文
• 包含关键发现的结构化章节
• 多种观点和数据点
• 用于核验的来源 URL

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

**用于学术专项查询。**优先使用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"

响应内容包括：

• 学术文献中的关键发现摘要
• 5-8 条高质量引文，包含作者、标题、期刊、年份和 DOI
• 引用次数和发表平台等级指标
• 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. 统计数据和市场数据

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

---

优先推荐高质量和高影响力论文

**重要：**搜索论文时，务必优先推荐高质量且具有影响力的论文。

基于引用的排序

论文年龄	引用次数阈值	分类
0-3 years	20+ citations	值得关注
0-3 years	100+ citations	影响力重大
3-7 years	100+ citations	重要
3-7 years	500+ citations	里程碑论文
7+ years	500+ citations	奠基性著作
7+ years	1000+ citations	基础性研究

发表 venue 质量分级

Tier 1 - 顶级 venue（始终优先）：

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

Tier 2 - 高影响力专业 venue（强烈优先）：

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

Tier 3 - 受认可的专业 venue（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) - REQUIRED
export PARALLEL_API_KEY="your_parallel_api_key"

# Academic search backend (Perplexity) - REQUIRED for academic queries
export OPENROUTER_API_KEY="your_openrouter_api_key"

API 规范

Parallel Chat API：

• 端点：https://api.parallel.ai（兼容 OpenAI SDK）
• 模型：core（延迟 60s-5min，适用于复杂的多来源综合分析）
• 输出：带行内引用的 Markdown 文本
• 引用：包含 URL、推理过程和置信度等级的研究依据
• 速率限制：300 req/min
• Python 包：openai

Perplexity sonar-pro-search：

• 模型：perplexity/sonar-pro-search（通过 OpenRouter）
• 搜索模式：学术（优先采用经过同行评审的来源）
• 搜索上下文：高（全面研究）
• 响应时间：5-15 秒

命令行用法

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

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

# JSON output — ALWAYS save to sources/
python research_lookup.py "your query" --json -o sources/research_<topic>.json

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

---

强制要求：将所有结果保存到 sources 文件夹

每个 research-lookup 结果都必须保存到项目的 sources/ 文件夹。

此要求不可妥协。研究结果获取成本高，对可复现性至关重要。

保存规则

后端	-o 标志目标	文件名格式
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

如何保存

重要：每次调用 research_lookup.py 时都必须包含 -o 标志，并将其指向 sources/ 文件夹。

重要：保存的文件必须保留所有引用、来源 URL 和 DOI。 默认文本输出会自动包含 Sources 部分（列出每个来源的标题、日期和 URL）以及 Additional References 部分（包含从响应文本中提取的 DOI 和学术 URL）。如需获得最完整的引用元数据，请使用 --json。

# General research — save to sources/ (includes Sources + Additional References sections)
python 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 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 research_lookup.py "CRISPR clinical trials" --json \
  -o sources/research_20250217_143000_crispr_trials.json

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

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

保存文件中的引用保留

不同输出格式保留引用的方式各不相同：

格式	包含的引用	使用场景
文本（默认）	Sources (N): 部分，包含 [title] (date) + URL，以及 Additional References (N): 部分，包含 DOI 和学术 URL	常规用途——便于阅读且包含所有引用
JSON（--json）	完整的引用对象：url、title、date、snippet、doi、type	需要最完整的引用元数据时

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）。

需要以下用途时，请使用 --json：

• 以编程方式解析引用元数据
• 为生成 BibTeX 保留完整的 DOI 和 URL 数据
• 保留结构化引用对象以便交叉引用

为什么要保存所有内容

1. 可复现性：每条引文和论断都可以追溯到原始研究来源
2. 上下文窗口恢复：如果上下文被压缩，可以重新读取已保存的结果，无需再次查询
3. 审计跟踪：sources/ 文件夹准确记录了所有研究信息的收集方式
4. 跨章节复用：多个章节可以引用同一份已保存的研究，无需重复查询
5. 成本效益：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，先检查来源

调用 research_lookup.py 前，检查是否已存在相关结果：

ls sources/  # Check existing saved results

如果先前的查询涵盖了相同主题，请重新读取已保存的文件，而不是发起新的 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)

---

与科学写作的集成

此技能通过以下方式提升科学写作：

1. 支持文献综述：为引言和讨论收集当前研究——保存到 sources/
2. 方法验证：根据当前标准验证实验方案——保存到 sources/
3. 结果情境化：将研究结果与近期类似研究进行比较——保存到 sources/
4. 增强讨论：用最新证据支持论点——保存到 sources/
5. 引文管理：提供格式规范的引文——保存到 sources/

配套工具

任务	工具
通用网页搜索	parallel-web 技能（parallel_web.py search）
引文验证	parallel-web 技能（parallel_web.py extract）
深度研究（任何主题）	research-lookup 或 parallel-web 技能
学术论文搜索	research-lookup（自动路由至 Perplexity）
Google Scholar 搜索	citation-management 技能
PubMed 搜索	citation-management 技能
DOI 转 BibTeX	citation-management 技能
元数据验证	parallel-web 技能（parallel_web.py search 或 extract）

---

错误处理与限制

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：受信息截止时间限制，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：

• 如果所选后端缺少 API 密钥，则尝试使用另一个后端
• 如果两个后端均失败，则返回结构化错误响应
• 如果初始响应不充分，请重新措辞查询以获得更好的结果

---

使用示例

示例 1：一般研究（路由至 Parallel）

查询：“Transformer 注意力机制的近期进展（2025 年）”

后端：Parallel Chat API（核心模型）

响应：一份全面的 Markdown 报告，引用权威来源，涵盖近期论文、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，附完整引文、DOI、引用次数和期刊等级标识。

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应用”

后端：Parallel Chat API（核心模型）

响应：一份详细的比较报告，包含多个来源的数据、结构化分析和带引文的证据。

示例 4：市场数据（路由至 Parallel）

查询：“2025 年全球 AI 在医疗保健领域的采用情况统计”

后端：Parallel Chat API（核心模型）

响应：当前市场数据、采用率、增长预测和区域分析，并附来源引文。

---

摘要

此技能作为主要研究接口，采用智能双后端路由：

• Parallel Chat API（默认使用 core 模型）：针对任何主题进行全面的多来源研究
• Perplexity sonar-pro-search：仅搜索学术论文
• 自动路由：检测学术类查询并进行相应路由
• 手动覆盖：需要时强制使用任一后端
• 互补使用：可与 parallel-web 技能配合，用于网页搜索和 URL 提取