findscripter 何时使用
在研究与写作全过程中系统化管理引文时使用，典型场景：
- 在 Google Scholar / PubMed 检索特定主题或高被引论文
- 把 DOI、PMID、arXiv ID 或 URL 转换为规范 BibTeX
- 提取完整元数据（作者、标题、期刊、年份、卷期页码、DOI 等）
- 校验既有引文的准确性与完整性、检测重复条目
- 清洗、排序、统一格式化 .bib 文件
- 为论文、学位论文构建可复现的参考文献库
不该用的边界：
- 仅做正文叙事写作、文章结构编排（属写作类技能，本技能只管引文层）
- 非学术文档的普通参考链接整理、网页书签管理
- 需要绕过出版商付费墙获取全文（本技能只处理元数据，不抓全文）
- 输入标识符（DOI/PMID 等）、API 权限或成功标准缺失时，应先停下确认而非臆造
步骤
引文管理遵循五阶段流程：
- 检索发现：用 Google Scholar（跨学科覆盖最广）或 PubMed（生物医学，3500 万+ 条目）按主题、作者、年份、刊物检索，导出 JSON/BibTeX。
- 元数据提取：把论文标识符转为完整准确元数据。优先用 DOI（最可靠），经 CrossRef / PubMed E-utilities / arXiv / DataCite 等 API 拉取。
- BibTeX 格式化：生成干净、字段顺序统一、标题大小写用
{}保护、页码用--的条目。 - 引文校验：核验 DOI 可解析、必填字段齐全、数据一致（年份 4 位、卷期为数字、页码格式正确）、无重复、语法合规。
- 写作集成：合并、去重、排序、校验后导出最终 .bib，在 LaTeX 中
\bibliography{final_references}引用。
指令
检索（Google Scholar / PubMed）：
# 主题检索 + 年份过滤
python scripts/search_google_scholar.py "machine learning protein folding" \
--year-start 2020 --year-end 2024 --limit 100 --output ml.json
# 按被引量排序找奠基性论文
python scripts/search_google_scholar.py "AlphaFold protein structure" \
--sort-by citations --limit 20 --output seminal.json
# PubMed 用 MeSH 词 + 文献类型过滤
python scripts/search_pubmed.py \
--query '"Alzheimer Disease"[MeSH] AND "Drug Therapy"[MeSH]' \
--date-start 2020 --date-end 2024 \
--publication-types "Clinical Trial,Review" --output trials.json
元数据提取与 DOI 转换：
# 通用提取：支持 --doi / --pmid / --arxiv / --url
python scripts/extract_metadata.py --doi 10.1038/s41586-021-03819-2
python scripts/extract_metadata.py --pmid 34265844
python scripts/extract_metadata.py --arxiv 2103.14030
# 批量（文件混合标识符，每行一个）
python scripts/extract_metadata.py --input ids.txt --output citations.bib
# 快速 DOI 转 BibTeX
python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib
格式化与校验：
# 去重 + 按年份倒序排序
python scripts/format_bibtex.py refs.bib \
--deduplicate --sort year --descending --output sorted.bib
# 校验并自动修复，输出报告
python scripts/validate_citations.py refs.bib \
--auto-fix --report validation.json --output final_references.bib
Google Scholar 高级算符："exact phrase"、author:lastname、intitle:keyword、source:Nature、-exclude、OR、2020..2024。
PubMed 字段标签：[Title]、[Title/Abstract]、[Author]、[Journal]、[Publication Date]、[Publication Type]、[MeSH]。
BibTeX 常见条目类型：@article（期刊）、@book、@inproceedings（会议）、@incollection（书章）、@phdthesis、@misc（预印本/软件/数据集）。期刊条目必填示例：
@article{Author2024keyword,
author = {Last1, First1 and Last2, First2},
title = {Article Title},
journal = {Journal Name},
year = {2024},
volume = {10}, number = {3}, pages = {123--145},
doi = {10.1234/example}
}
示例
为一篇论文构建参考文献库的端到端流程：
# 1. 检索主题论文
python scripts/search_pubmed.py \
'"CRISPR-Cas Systems"[MeSH] AND "Gene Editing"[MeSH]' \
--date-start 2020 --limit 200 --output crispr.json
# 2. 从结果提取元数据为 BibTeX
python scripts/extract_metadata.py --input crispr.json --output crispr_refs.bib
# 3. 追加已知关键论文
python scripts/doi_to_bibtex.py 10.1038/nature12345 >> crispr_refs.bib
# 4. 去重 + 排序
python scripts/format_bibtex.py crispr_refs.bib \
--deduplicate --sort year --descending --output references.bib
# 5. 校验 + 自动修复
python scripts/validate_citations.py references.bib \
--auto-fix --report validation.json --output final_references.bib
# 6. 审阅报告并在 LaTeX 中引用 \bibliography{final_references}
校验报告（JSON）会按 errors（如缺字段 missing_field、无效 DOI invalid_doi）与 warnings（如疑似重复 possible_duplicate）分级输出，便于定位修复。
注意事项
- 高被引判断参考阈值：0-3 年 20+ 引用值得关注、100+ 高影响；7+ 年 500+ 为奠基、1000+ 为基础性工作。优先 Tier-1 刊物（Nature、Science、Cell、NEJM、Lancet、JAMA、PNAS）与顶会（NeurIPS、ICML、ICLR）。
- 不要盲信提取的元数据：关键论文需抽查作者名、刊名、年份、卷期页码是否与原文一致。
- 优先用 DOI 作为标识符；预印本已正式发表时改引期刊版本，避免引用过期预印本。
- 提交前务必跑一次完整校验；手动改过 .bib 后需重新校验。
- 永远用脚本从元数据源生成条目，不要手敲 BibTeX。
- 标题大小写用
{}保护，页码用--，特殊字符正确转义以免 LaTeX 编译失败。 - 多库交叉检索（Scholar + PubMed + arXiv）避免单一来源偏倚。
- 本技能输出不能替代环境内的实际验证、测试或专家评审；仅在任务明确落在上述范围内时使用。
互见
- 文献综述类技能：负责多库系统检索与主题化综合，本技能为其提供元数据提取与校验的技术底座（先检索综合，再用本技能校验最终文献库）。
- 科学写作类技能：导出经校验的 BibTeX 供 LaTeX 稿件使用，按期刊要求格式化参考文献。
- 投稿模板类技能：不同会议/期刊要求不同引文样式，配合本技能生成符合投稿要求的参考文献。
- 科学示意图类技能：可为引文工作流、检索方法学等生成出版级示意图。
采编自 sickn33/antigravity-awesome-skills（MIT License），原作者 K-Dense Inc.。