skill-find-papers

技能：查找论文

发现 5 篇近期高质量论文和 1 篇经典论文，根据用户反馈持续学习，并将选定的深度阅读内容归档到飞书。

必需工具

• 使用已配置的 scholar_mcp MCP 服务进行文献发现、元数据查询、引用查询、PDF 获取和论文分析。
• 使用 lark-cli 管理飞书文件夹和文档。
• 使用 scripts/paper_state.py 保存偏好和推荐历史。
• 执行任何飞书操作前，先运行 lark-cli doctor。选择飞书标志前，先使用与版本匹配的内置技能：lark-cli skills read lark-shared、lark-cli skills read lark-drive 和 lark-cli skills read lark-doc。

每次运行都从这里开始

1. 运行：

   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. 检查 init 中的 needs_initial_interests。首次使用时，停止后续发现流程，并请用户设置初始研究兴趣。默认值为 transformers、LLM 和 agent。

   • 如果用户接受默认值，运行 paper_state.py interests --confirm。
   • 如果用户提供了主题，运行 paper_state.py interests --replace "<topic1,topic2>"。

3. 完成初始设置后，以保存的偏好和反馈为准。

4. 如果用户直接更改兴趣，立即使用 interests --add、--remove 或 --replace 应用更改，然后确认更新后的列表。

本地论文收件箱

将用户发送的任何论文 PDF、DOI、出版商/arXiv 链接或明确的论文投稿视为收件箱投稿。

1. 立即使用 paper_state.py inbox-add 添加。对于本地 PDF，传入 --file；对于远程论文，传入 --url 或 --doi。省略不可用的元数据。
2. 脚本会将本地 PDF 复制到受管理的收件箱 $HOME/.codex/skill-data/skill-find-papers/inbox/files。之后通过 Scholar MCP 导入时，使用此受管理路径。
3. 将每篇收件箱投稿标记为 特别感兴趣（用户主动发送）。投稿即表示明确同意分析该论文并将其纳入下一份深度阅读文档；不要再让用户重新选择。
4. 每周运行开始时，先处理所有待处理的收件箱论文，再进行常规发现：
   • 优先使用受管理的本地 PDF，并传入 Scholar MCP 的 local_pdf_path；
   • 否则解析 DOI 或 URL，获取法律允许范围内最完整的来源；
   • 按照完整的深度阅读要求进行分析，深度应超过普通推荐论文；
   • 从完整论文中推断具体主题，而不只是宽泛的上级类别；
   • 成功完成分析并纳入文档后，运行 paper_state.py inbox-process --paper-id "<id>" --topics "<topic1,topic2>" --document-url "<url>"。
5. 成功处理收件箱论文后，对每个推断出的主题应用一次 +3 偏好信号。重新处理或重新提交同一篇论文时，不得再次应用该信号。
6. 用户提交的论文作为补充，不占用常规配额的 5 篇近期论文和 1 篇经典论文。它们不受出版场所质量门槛限制，但应如实报告已核实的出版场所和质量状态。
7. 在飞书文档中，将收件箱论文置于常规精选论文之前，并添加醒目的 特别感兴趣（用户主动发送） 提示框。
8. 如果没有待处理的收件箱论文，则按原有每周发现和反馈工作流执行，不作改动。

每周发现

1. 处理完待处理收件箱论文后，先搜索最近 3 个月的论文。若数量不足，则将范围扩展至 12 个月，再扩展至 24 个月。最近论文中绝不静默地超出 24 个月范围。
2. 查询主题组合，而不只是孤立关键词。加入 LLM、基础模型、语义通信、无线/网络优化、多 Agent、工具使用、规划和 Agentic AI 等同义词。
3. 收集多于所需数量的候选论文，依次按 DOI、规范 URL、arXiv ID，再按规范化标题去重。
4. 排除已推荐的论文，除非符合条件且未推荐过的论文少于五篇。若重用某篇论文，须明确标注并解释原因。
5. 尽可能准确选出五篇近期论文，并平衡相关性、质量、新颖性和主题多样性。
6. 另行推荐恰好一篇经典论文精读。选择一篇与当前偏好相关、具有开创性并塑造了领域的论文。优先选择尚未推荐过的经典论文；经典论文不受 24 个月时间范围限制。

质量门槛

对于每篇近期论文，至少核实以下一项：

• 期刊当前属于 JCR Q1；
• 期刊当前属于中国科学院一区；
• 会议属于 CCF-A。

使用当前权威排名数据，并说明符合条件的依据。无法核实时，不要凭记忆声称其排名。将未经核实的发表 venue 排除在五篇论文列表之外。预印本只有在其已被核实录用至符合门槛的 venue 时才符合条件。

经典论文则需要有力证据证明其开创性影响，例如长期高引用、奠基性方法或全领域广泛采用。请说明证据。

分析与展示

每篇推荐论文都需提供：

• 标题、作者、发表 venue、发表日期、DOI/arXiv 和论文直达链接；
• 质量依据和搜索时间范围标签；
• 对摘要、主要创新与贡献、方法和结论的中文概述；
• 一条简短的相关性说明，并联系已保存的兴趣；
• 来自 paper_state.py paper-id 的稳定论文 ID。

首条每周消息应简洁到足以比较六篇论文。收到反馈前不要创建 Feishu 文档。

针对每篇论文，结尾提供以下回复选项：

• 精读 - 感兴趣；加入 Feishu 文档。
• 已读 - 感兴趣；更新偏好，但不加入文档。
• 不感兴趣 - 排除并降低相关主题权重。
• 跳过 - 中立；不更改偏好。

还需说明，用户可以直接说 增加方向：...、减少方向：... 或 替换方向：...。

使用 paper_state.py record 记录全部六篇推荐论文。

处理反馈

1. 将反馈映射为 selected、read、not-interested 或 skipped。
2. 对每个明确选择运行 paper_state.py feedback。
3. 将 selected 和 read 都视为正向兴趣信号。绝不将 read 论文放入文档。
4. 如果没有论文标记为 selected，则更新偏好并结束，不创建空文档。
5. 对有歧义的编号或标题，应根据最近一次运行结果进行确认后再处理。

创建飞书深度阅读文档

对于每篇 selected 论文，通过 Scholar MCP 获取最完整的可用来源。区分论文陈述的事实与您的解读。

还需纳入所有已成功分析的待处理收件箱论文，并将其排在普通的 selected 论文之前，标注为 特别感兴趣（用户主动发送）。

调用 ingest_paper_fulltext 时，在轮询 get_ingestion_status 和调用 extract_granular_paper_details 期间，保持同一个 Scholar MCP 服务进程和客户端连接处于活动状态。摄取任务限定于进程范围内；重新连接可能会导致有效的任务 ID 返回 JobNotFoundError。

将所有 selected 论文整理到一份文档中。每篇论文都必须包含：

• 书目信息、论文直达链接，以及经过核实的官方代码库链接；
• 完整的英文摘要，以及完整的中文翻译（来源为用户提供、公有领域或明确授权转载时）；否则提供全面的摘要转述，涵盖所有实质性信息点，明确标注为转述，并链接到原始摘要；
• 尽可能完整地介绍创新点和贡献，保留论文的贡献结构、范围、证据和定量结论，不要将其简化成几个泛泛的要点；
• 详细的方法部分，涵盖问题定义、假设、输入／输出、架构或算法阶段、目标函数／损失函数、训练或优化流程、数据集／测试平台、基线、指标，以及适用时的推理／部署流程；
• 相关论文图示（仅在许可证或用户提供状态允许转载时），并注明图号、意译图注、来源链接和许可证／署名信息；否则，基于有依据的事实创建原创解释性图示，并标注为 原创方法示意图（非论文原图）；
• 中英文结论；
• 局限性和建议阅读重点；
• 与用户兴趣匹配的原因。

使用 references/output-contract.md 中的结构。

来源与插图工作流

1. 优先使用出版方页面、DOI 记录、作者手稿、arXiv/OpenReview 页面、官方项目页面，以及论文或作者链接的代码仓库。
2. 验证每个代码链接。优先选择作者或组织的代码仓库，且该仓库应注明论文名称、与作者或项目页面一致，或由论文链接。切勿根据标题相似性推断代码仓库。如果没有经过验证的代码，请写 未发现可验证的官方代码仓库。
3. 从全文中提取摘要、贡献列表、方法章节、实验、结论、图注和图示引用。笔记应注明对应的章节名称或页码／图号。
4. 选择能够实质性说明架构、工作流、系统模型、算法或主要结果的图。不要插入装饰性图片。
5. 对可重复使用的图片，下载质量最高的源文件，保持纵横比，并使用 lark-cli docs +media-insert 或 URL 图片块，将图片插入相关的方法／结果小节附近。图注应注明论文标题、图号、来源 URL 和许可证。
6. 如果不明确允许直接重用图片，则创建原创 Mermaid/SVG 图表来说明方法，不得照搬论文的构图或美术设计。注明这是对方法的解读。
7. 创建文档后，获取大纲和关键词部分，并验证每篇入选论文都包含摘要、贡献、方法、结论、链接，以及至少一张有用的示意图（前提是来源证据允许）。

首次创建文档时：

1. 如果状态中没有 Feishu 文件夹令牌，则使用 lark-cli drive +create-folder --as user 创建一个名为 论文推荐 的根文件夹。
2. 使用 paper_state.py folder 保存其令牌和 URL。
3. 之后重复使用该文件夹；不要创建重复文件夹。

将每篇文档命名为 论文精读_YYYY-MM-DD。使用 lark-cli docs +create --api-version v2 --as user --parent-token ... 在已保存的文件夹下创建文档。使用相对于当前工作目录的内容文件或标准输入，绝不要使用绝对路径的 @file。向用户返回文档 URL，并使用 paper_state.py run 记录该 URL。

可靠性规则

• 绝不捏造摘要、结论、排名、录用状态、引文、DOI 值或链接。
• 标明无法获取的全文，并且只总结有依据的内容。
• 除非已对照一手来源核实，否则不要声称摘要是逐字引用或完整内容。
• 不得悄悄复制受版权保护的摘要或图片。遵循上述复制和图片规则。
• 不要将非官方实现标注为官方代码。
• 优先采用论文原始页面、DOI 记录、出版方页面和官方排名来源。
• 保留先前状态；正常运行时绝不重置历史记录。
• 如果 Scholar MCP 或 Feishu 不可用，请说明确切失败环节，并保留已记录的反馈。