Topic Research

开始前: 先跟用户打个招呼 🐕，确认日期（如"今天是5月19日"）。

主题调研（LLM 生成关键词版）

根据用户描述的主题，Claude 自动理解意图并生成多样化检索关键词，然后跑完多源抓取 → 规范化去重 → 相关性筛选 → 点评 → 更新 summary.md 候选列表。

本 skill 是轻量调研入口：不调用 paper-reader，不精读论文，不生成中英双语深度笔记。

不要写临时全量抓取脚本直接刷新 summary。 必须走 multi_source_fetch.py 生成候选和诊断文件，再由 Claude 做相关性筛选后只把前 50 篇 core/adjacent 候选写入 _meta/topic_papers.json 和 summary.md。

Step 0: 读取共享配置

读取 ../_shared/user-config.json（和 user-config.local.json 如果存在）。配置同时兼容新格式 vault/folders/daily/fields/zotero 和旧格式 paths/daily_papers/research_fields。

显式生成以下变量：

• VAULT_PATH — Obsidian 输出根目录
• RESEARCH_FIELDS_PATH — 研究方向目录 {VAULT_PATH}/{research_fields_folder}，默认 {VAULT_PATH}/Research_Fields
• SAVE_MODE = "research_field"（表示保存到领域目录）

Step 1: 解析用户意图

从用户消息中提取：

• 研究主题：从用户描述中提取核心主题（如"具身智能"、"扩散模型"、"蛋白质设计"）
• 时间范围：默认 7 天（"最近"），如果用户指定了具体天数则用用户值

Step 2: LLM 生成多样化关键词

用 LLM 生成 8-15 个关键词（中英文混合），要求：

1. 覆盖主题的多个子方向（不能全是同义词）
2. 英文为主（arXiv 检索主要用英文）
3. 包含中文（覆盖中文论文）
4. 包含变体和缩写（如 sim-to-real, sim2real）
5. 包含上/下游相关方向

生成示例（用于参考）：

主题"具身智能" → embodied AI, robot manipulation, robotic grasping, sim-to-real, sim2real transfer, reinforcement learning robot, vision-language-action, VLA model, robot navigation, mobile manipulation, dextrous manipulation, 具身智能, 机器人操作, 强化学习机器人, 仿真到现实迁移

主题"扩散模型" → diffusion model, score-based model, DDPM, DDIM, latent diffusion, text-to-image, image generation, generative model, flow matching, consistency model, diffusion transformer, 扩散模型, 扩散生成, 文生图, 潜在扩散

输出格式：将生成的关键词以逗号分隔列出（不带引号）。

Step 3: 保存关键词到 user-config.json

将关键词写入配置的研究方向字段。如果使用新格式，更新 fields["{主题}"]；如果使用旧格式，更新 research_fields["{主题}"]。如果该主题已存在则覆盖。

读取现有配置，尽量只更新对应主题的关键词，不要重写用户的其它配置项。

Step 4: 创建研究方向目录并多源抓取论文

FIELD_DIR="{VAULT_PATH}/Research_Fields/{主题}"
PAPERS_DIR="{FIELD_DIR}/papers"
META_DIR="{FIELD_DIR}/_meta"
mkdir -p "$PAPERS_DIR" "$META_DIR"
python3 ~/.claude/skills/daily-papers/multi_source_fetch.py \
  --topic "{主题}" \
  --queries-json '["{关键词1}", "{关键词2}", "{关键词3}"]' \
  --since-year {年份下限} \
  --max-results 100 \
  --sources auto \
  --output "$META_DIR/candidates.json"

读取 $META_DIR/candidates.json，获取规范化、去重、排序后的候选论文。检查 $META_DIR/source_diagnostics.json 和 $META_DIR/dedup_stats.json，把来源失败和去重情况写入调研记录。

禁止用 ad hoc for 365 days、单独 arXiv/HF 循环脚本直接生成 summary.md。这些脚本会绕过 ScholarFlow 的去重、筛选、summary 增量更新和候选上限，容易产生几百行噪声候选。

调研方向时不要创建 Dailypaper/{YYYY-MM-DD} 或其 _meta 目录；调研相关中间产物只放在 {FIELD_DIR}/_meta/。

Step 5: Claude 筛选与点评（风格：毒舌但精准）

读取所有候选论文后，Claude 逐一判断相关性并生成锐评。

点评人设：毒舌但眼光极准的 AI 论文审稿人，像 senior researcher，对灌水零容忍。

判断标准：

• 论文是否与该主题有实质性关联
• 方法是否针对该领域的问题
• 即使标题含关键词，如果核心方法不相关也应排除

筛选标签：

• core：直接解决主题或核心子任务，进入主推荐
• adjacent：相关但偏背景、工具、综述或旁支，可补充
• exclude：不相关、标题蹭词、领域偏移或证据不足

把完整筛选记录保存到 $META_DIR/screening.json，每篇包含： title、label、score、reason、matched_terms、negative_hits。

筛选后只允许把最多 50 篇 core/adjacent 论文进入 Research_Fields summary；完整候选和排除记录保留在 _meta 诊断文件里，不把原始候选全量塞进 summary。

锐评要求：

1. 核心方法：2-3 句话讲清楚方法怎么工作
2. 关键贡献：相比前人有什么新意
3. 锐评：方法有没有硬伤？claim 和 evidence 匹配吗？
4. emoji 判决：🔥=强推，👀=值得关注，⚠️=有硬伤但方向对，💀=灌水，🤡=标题党，💤=无聊

Step 6: 保存候选索引并更新 Research_Fields

6a. 保存候选索引

把筛选后排名最高的最多 50 篇 core 和 adjacent 相关论文写入：

{FIELD_DIR}/_meta/topic_papers.json

每条记录包含：

{
  "title": "论文标题",
  "method_name": "方法名或短标题",
  "date": "YYYY-MM-DD",
  "year": 2026,
  "url": "https://arxiv.org/abs/xxxx",
  "pdf_url": "https://arxiv.org/pdf/xxxx",
  "code_url": "https://github.com/...",
  "label": "core",
  "reason": "一句话相关性理由",
  "source": "arxiv",
  "note_status": "pending"
}

如果同一论文已经有笔记，note_status 可保持 pending；summary.md 生成器会根据本地笔记目录自动显示为已精读。

code_url 只做快速抽取：优先使用候选源已有的 github/code_url/repository/project_url/homepage 字段；如果为空，再从标题、摘要、comment 等元数据中抽取 GitHub 或项目页链接。不要为了补代码链接逐篇联网深搜。

标准候选索引路径是 {FIELD_DIR}/_meta/topic_papers.json。不要把新的候选索引写到 {FIELD_DIR}/topic_papers.json；根目录旧文件只作为兼容输入。

调研阶段只创建目录和候选索引，不在 papers/ 下创建论文笔记目录。

6b. 更新研究方向 summary

路径：{FIELD_DIR}/summary.md（增量更新，禁止整文件覆写）

重要：summary.md 可能包含用户手写的研究判断、备注和额外章节。更新时只能维护 ScholarFlow 自动论文列表区块，必须保留自动区块之外的全部内容。

自动维护区块边界：

<!-- scholarflow:paper-list:start -->
...
<!-- scholarflow:paper-list:end -->

更新规则：

• 如果 summary 已有上述标记，只替换标记之间的论文计数和论文列表
• 如果 summary 没有标记但已有 ## 论文列表，兼容旧格式：替换该章节并加上标记，保留前后用户内容
• 如果 summary 没有 ## 论文列表，在文件末尾追加自动维护区块
• 用户手写备注应放在自动维护区块之外；自动区块内内容可由 ScholarFlow 重建

格式：

---
tags: [MOC, auto-generated, research-field]
generated_by: dailypaper-skills
---

# {主题}

<!-- scholarflow:paper-list:start -->
该研究方向下共有 **{N}** 篇论文。

## 论文列表

| 发布时间 | 论文 | 笔记 | 代码 | 来源 | 备注 |
|----------|------|------|------|------|------|
| 2026.05.02 | [MethodName](arXiv链接) | 待精读 | [GitHub](代码链接) | [arXiv](来源链接) |  |
<!-- scholarflow:paper-list:end -->

表格规则：

• 所有 core/adjacent 相关论文进入同一张表
• summary 最多显示 50 篇论文，作为人工阅读入口，不做全量候选仓库
• 未精读论文：论文名链接到 arXiv/来源，笔记列显示 待精读
• 已精读论文：论文名优先链接本地 PDF，笔记列显示 EN/ZH Obsidian 链接
• 备注列永远留空，由用户人工填写；label、reason、hf_upvotes 等机器字段只保存在 JSON/诊断文件，不写入 summary 表格

同时保留 _meta/ 中间产物：

{FIELD_DIR}/_meta/
├── plan.json
├── candidates.json
├── source_diagnostics.json
├── dedup_stats.json
└── screening.json

papers/ 目录下每篇论文的结构：

{papers_dir}/{论文名}/
├── pngs/
├── {论文名}_en.md
├── {论文名}_zh.md
└── {论文名}.pdf

Step 7: 完成后告知用户

告知用户：

• 抓取到多少篇候选，筛选出多少篇 core/adjacent
• 候选索引保存在：Research_Fields/{主题}/_meta/topic_papers.json
• 抓取、去重、筛选诊断文件保存在：Research_Fields/{主题}/_meta/
• summary 已更新，未精读论文显示为 待精读
• summary 备注列已留空，供用户人工填写
• 运行下一步：读一下 {论文标题} 或 精读 {论文标题} 可以精读指定论文

重要约束

• 不要先要求用户确认关键词，LLM 生成的就是要用的
• 不要只生成关键词就停下，继续跑到候选索引和 summary 更新完成
• 调研阶段不调用 paper-reader，不精读论文，不下载 PDF，不抽图
• 调研阶段不要创建 Dailypaper/{YYYY-MM-DD} 文件夹；中间产物统一放到研究方向 _meta/ 下
• 不要把临时脚本结果直接写入 summary.md；必须走 _meta/topic_papers.json + summary 生成器
• 不要自动写 summary 备注列；备注由用户人工维护
• 主题模糊时，关键词应偏宽泛而非狭窄
• 只有用户明确说 读一下 {论文标题}、精读 {论文标题} 或 生成笔记 {论文标题} 时，才进入 paper-reader 深读流程