Citation Management

引用管理

概述

在研究和写作过程中系统化管理文献引用。本技能提供工具和策略，用于搜索学术数据库（Google Scholar、PubMed），从多个来源（CrossRef、PubMed、arXiv）提取准确的元数据，验证引用信息，并生成格式规范的 BibTeX 条目。

对于维护引用准确性、避免参考文献错误以及确保可复现研究至关重要。与 literature-review 技能无缝集成，支持完整的研究工作流程。

何时使用本技能

在以下情况下使用本技能：

• 在 Google Scholar 或 PubMed 上搜索特定论文
• 将 DOI、PMID 或 arXiv ID 转换为格式规范的 BibTeX
• 提取完整的引用元数据（作者、标题、期刊、年份等）
• 验证现有引用的准确性
• 清理和格式化 BibTeX 文件
• 查找特定领域的高被引论文
• 验证引用信息与实际出版物是否匹配
• 为稿件或论文构建参考文献
• 检查重复引用
• 确保引用格式一致性

使用科学示意图增强视觉效果

使用本技能创建文档时，始终考虑添加科学图表和示意图以增强视觉传达效果。

如果您的文档尚未包含示意图或图表：

• 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您想要的图表
• Nano Banana Pro 将自动生成、审查和优化示意图

对于新文档： 默认应生成科学示意图，以可视化呈现文本中描述的关键概念、工作流程、架构或关系。

如何生成示意图：

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

AI 将自动：

• 创建具有正确格式的出版级图像
• 通过多次迭代进行审查和优化
• 确保无障碍性（色盲友好、高对比度）
• 将输出保存到 figures/ 目录

何时添加示意图：

• 引用工作流程图
• 文献搜索方法流程图
• 参考文献管理系统架构
• 引用格式决策树
• 数据库集成图
• 任何受益于可视化的复杂概念

有关创建示意图的详细指导，请参阅 scientific-schematics 技能文档。

核心工作流程

引用管理遵循系统化流程：

阶段 1：论文发现与搜索

目标：使用学术搜索引擎查找相关论文。

Google Scholar 搜索

Google Scholar 提供跨学科最全面的覆盖。

基本搜索：

# 搜索某个主题的论文
python scripts/search_google_scholar.py "CRISPR gene editing" \
  --limit 50 \
  --output results.json

# 带年份过滤的搜索
python scripts/search_google_scholar.py "machine learning protein folding" \
  --year-start 2020 \
  --year-end 2024 \
  --limit 100 \
  --output ml_proteins.json

高级搜索策略（参见 references/google_scholar_search.md）：

• 使用引号搜索精确短语："deep learning"
• 按作者搜索：author:LeCun
• 在标题中搜索：intitle:"neural networks"
• 排除词汇：machine learning -survey
• 使用排序选项查找高被引论文
• 按日期范围过滤以获取最新工作

最佳实践：

• 使用具体、有针对性的搜索词
• 包含关键技术术语和缩写
• 对快速发展的领域按近年过滤
• 查看"Cited by"以查找开创性论文
• 导出热门结果以供进一步分析

PubMed 搜索

PubMed 专注于生物医学和生命科学文献（3500 万+ 引用）。

基本搜索：

# 搜索 PubMed
python scripts/search_pubmed.py "Alzheimer's disease treatment" \
  --limit 100 \
  --output alzheimers.json

# 使用 MeSH 术语和过滤器搜索
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 alzheimers_trials.json

高级 PubMed 查询（参见 references/pubmed_search.md）：

• 使用 MeSH 术语："Diabetes Mellitus"[MeSH]
• 字段标签："cancer"[Title]、"Smith J"[Author]
• 布尔运算符：AND、OR、NOT
• 日期过滤器：2020:2024[Publication Date]
• 出版物类型："Review"[Publication Type]
• 结合 E-utilities API 进行自动化

最佳实践：

• 使用 MeSH Browser 查找正确的受控词汇
• 先在 PubMed 高级搜索构建器中构建复杂查询
• 使用 OR 包含多个同义词
• 检索 PMID 以便轻松提取元数据
• 导出为 JSON 或直接导出为 BibTeX

阶段 2：元数据提取

目标：将论文标识符（DOI、PMID、arXiv ID）转换为完整、准确的元数据。

快速 DOI 转 BibTeX

对于单个 DOI，使用快速转换工具：

# 转换单个 DOI
python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2

# 从文件转换多个 DOI
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

# 不同输出格式
python scripts/doi_to_bibtex.py 10.1038/nature12345 --format json

全面元数据提取

对于 DOI、PMID、arXiv ID 或 URL：

# 从 DOI 提取
python scripts/extract_metadata.py --doi 10.1038/s41586-021-03819-2

# 从 PMID 提取
python scripts/extract_metadata.py --pmid 34265844

# 从 arXiv ID 提取
python scripts/extract_metadata.py --arxiv 2103.14030

# 从 URL 提取
python scripts/extract_metadata.py --url "https://www.nature.com/articles/s41586-021-03819-2"

# 从文件批量提取（混合标识符）
python scripts/extract_metadata.py --input identifiers.txt --output citations.bib

元数据来源（参见 references/metadata_extraction.md）：

1. CrossRef API：DOI 的主要来源

   • 期刊文章的综合元数据
   • 出版商提供的信息
   • 包含作者、标题、期刊、卷、页码、日期
   • 免费，无需 API 密钥

2. PubMed E-utilities：生物医学文献

   • 官方 NCBI 元数据
   • 包含 MeSH 术语、摘要
   • PMID 和 PMCID 标识符
   • 免费，大量使用建议使用 API 密钥

3. arXiv API：物理、数学、计算机科学、定量生物学的预印本

   • 预印本的完整元数据
   • 版本跟踪
   • 作者机构
   • 免费，开放获取

4. DataCite API：研究数据集、软件和其他资源

   • 非传统学术产出的元数据
   • 数据集和代码的 DOI
   • 免费访问

提取内容：

• 必填字段：author、title、year
• 期刊文章：journal、volume、number、pages、DOI
• 书籍：publisher、ISBN、edition
• 会议论文：booktitle、conference location、pages
• 预印本：repository（arXiv、bioRxiv）、preprint ID
• 附加信息：abstract、keywords、URL

阶段 3：BibTeX 格式化

目标：生成干净、格式规范的 BibTeX 条目。

理解 BibTeX 条目类型

完整指南请参见 references/bibtex_formatting.md。

常见条目类型：

• @article：期刊文章（最常见）
• @book：书籍
• @inproceedings：会议论文
• @incollection：书籍章节
• @phdthesis：学位论文
• @misc：预印本、软件、数据集

按类型的必填字段：

@article{citationkey,
  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}
}

@inproceedings{citationkey,
  author    = {Last, First},
  title     = {Paper Title},
  booktitle = {Conference Name},
  year      = {2024},
  pages     = {1--10}
}

@book{citationkey,
  author    = {Last, First},
  title     = {Book Title},
  publisher = {Publisher Name},
  year      = {2024}
}

格式化与清理

使用格式化工具标准化 BibTeX 文件：

# 格式化和清理 BibTeX 文件
python scripts/format_bibtex.py references.bib \
  --output formatted_references.bib

# 按引用键排序
python scripts/format_bibtex.py references.bib \
  --sort key \
  --output sorted_references.bib

# 按年份排序（最新优先）
python scripts/format_bibtex.py references.bib \
  --sort year \
  --descending \
  --output sorted_references.bib

# 删除重复项
python scripts/format_bibtex.py references.bib \
  --deduplicate \
  --output clean_references.bib

# 验证并报告问题
python scripts/format_bibtex.py references.bib \
  --validate \
  --report validation_report.txt

格式化操作：

• 标准化字段顺序
• 统一缩进和间距
• 标题中正确的大写（用 {} 保护）
• 标准化的作者姓名格式
• 统一的引用键格式
• 删除不必要的字段
• 修复常见错误（缺少逗号、大括号）

阶段 4：引用验证

目标：验证所有引用准确且完整。

全面验证

# 验证 BibTeX 文件
python scripts/validate_citations.py references.bib

# 验证并修复常见问题
python scripts/validate_citations.py references.bib \
  --auto-fix \
  --output validated_references.bib

# 生成详细验证报告
python scripts/validate_citations.py references.bib \
  --report validation_report.json \
  --verbose

验证检查（参见 references/citation_validation.md）：

1. DOI 验证：

   • DOI 通过 doi.org 正确解析
   • BibTeX 与 CrossRef 之间的元数据匹配
   • 无损坏或无效的 DOI

2. 必填字段：

   • 条目类型的所有必填字段都存在
   • 无空缺或缺失的关键信息
   • 作者姓名格式正确

3. 数据一致性：

   • 年份有效（4 位数字，合理范围）
   • 卷/号为数字
   • 页码格式正确（如 123--145）
   • URL 可访问

4. 重复检测：

   • 同一 DOI 被多次使用
   • 相似标题（可能是重复项）
   • 相同的作者/年份/标题组合

5. 格式合规性：

   • 有效的 BibTeX 语法
   • 正确的大括号和引号
   • 引用键唯一
   • 特殊字符处理正确

验证输出：

{
  "total_entries": 150,
  "valid_entries": 145,
  "errors": [
    {
      "citation_key": "Smith2023",
      "error_type": "missing_field",
      "field": "journal",
      "severity": "high"
    },
    {
      "citation_key": "Jones2022",
      "error_type": "invalid_doi",
      "doi": "10.1234/broken",
      "severity": "high"
    }
  ],
  "warnings": [
    {
      "citation_key": "Brown2021",
      "warning_type": "possible_duplicate",
      "duplicate_of": "Brown2021a",
      "severity": "medium"
    }
  ]
}

阶段 5：与写作工作流程集成

为稿件构建参考文献

创建参考文献的完整工作流程：

# 1. 搜索您主题的论文
python scripts/search_pubmed.py \
  '"CRISPR-Cas Systems"[MeSH] AND "Gene Editing"[MeSH]' \
  --date-start 2020 \
  --limit 200 \
  --output crispr_papers.json

# 2. 从搜索结果中提取 DOI 并转换为 BibTeX
python scripts/extract_metadata.py \
  --input crispr_papers.json \
  --output crispr_refs.bib

# 3. 通过 DOI 添加特定论文
python scripts/doi_to_bibtex.py 10.1038/nature12345 >> crispr_refs.bib
python scripts/doi_to_bibtex.py 10.1126/science.abcd1234 >> crispr_refs.bib

# 4. 格式化和清理 BibTeX 文件
python scripts/format_bibtex.py crispr_refs.bib \
  --deduplicate \
  --sort year \
  --descending \
  --output references.bib

# 5. 验证所有引用
python scripts/validate_citations.py references.bib \
  --auto-fix \
  --report validation.json \
  --output final_references.bib

# 6. 查看验证报告并修复任何剩余问题
cat validation.json

# 7. 在您的 LaTeX 文档中使用
# \bibliography{final_references}

与文献综述技能集成

本技能与 literature-review 技能互补：

文献综述技能 → 系统化搜索和综合 引用管理技能 → 技术性引用处理

组合工作流程：

1. 使用 literature-review 进行全面的多数据库搜索
2. 使用 citation-management 提取和验证所有引用
3. 使用 literature-review 按主题综合发现
4. 使用 citation-management 验证最终参考文献的准确性

# 完成文献综述后
# 验证综述文档中的所有引用
python scripts/validate_citations.py my_review_references.bib --report review_validation.json

# 如需要，按特定引用格式格式化
python scripts/format_bibtex.py my_review_references.bib \
  --style nature \
  --output formatted_refs.bib

搜索策略

Google Scholar 最佳实践

查找开创性和高影响力论文（关键）：

始终根据引用次数、期刊质量和作者声誉对论文进行优先级排序：

引用次数阈值：

期刊质量层级：

• 第一梯队（优先）： Nature、Science、Cell、NEJM、Lancet、JAMA、PNAS
• 第二梯队（高优先级）： 影响因子 >10，顶级会议（NeurIPS、ICML、ICLR）
• 第三梯队（良好）： 专业期刊（IF 5-10）
• 第四梯队（谨慎使用）： 影响力较低的同行评审期刊

作者声誉指标：

• h-index >40 的资深研究者
• 在第一梯队期刊发表多篇论文
• 知名机构的领导职位
• 奖项和编委职位

高影响力论文搜索策略：

• 按引用次数排序（最多引用优先）
• 查看第一梯队期刊的综述文章以获取概述
• 查看"Cited by"进行影响力评估和追踪最新后续工作
• 使用引用提醒跟踪关键论文的新引用
• 使用 source:Nature 或 source:Science 按顶级期刊过滤
• 使用 author:LastName 按已知领域领袖搜索论文

高级运算符（完整列表见 references/google_scholar_search.md）：

"exact phrase"           # 精确短语匹配
author:lastname          # 按作者搜索
intitle:keyword          # 仅在标题中搜索
source:journal           # 搜索特定期刊
-exclude                 # 排除词汇
OR                       # 替代词汇
2020..2024              # 年份范围

搜索示例：

# 查找某主题的最新综述
"CRISPR" intitle:review 2023..2024

# 查找特定作者在某主题的论文
author:Church "synthetic biology"

# 查找高被引基础性工作
"deep learning" 2012..2015 sort:citations

# 排除调查并专注于方法
"protein folding" -survey -review intitle:method

PubMed 最佳实践

使用 MeSH 术语： MeSH（医学主题词）提供受控词汇以实现精确搜索。

1. 在 https://meshb.nlm.nih.gov/search 查找 MeSH 术语
2. 在查询中使用："Diabetes Mellitus, Type 2"[MeSH]
3. 与关键词结合以实现全面覆盖

字段标签：

[Title]              # 仅在标题中搜索
[Title/Abstract]     # 在标题或摘要中搜索
[Author]             # 按作者姓名搜索
[Journal]            # 搜索特定期刊
[Publication Date]   # 日期范围
[Publication Type]   # 文章类型
[MeSH]              # MeSH 术语

构建复杂查询：

# 最近发表的糖尿病治疗临床试验
"Diabetes Mellitus, Type 2"[MeSH] AND "Drug Therapy"[MeSH] 
AND "Clinical Trial"[Publication Type] AND 2020:2024[Publication Date]

# 特定期刊中关于 CRISPR 的综述
"CRISPR-Cas Systems"[MeSH] AND "Nature"[Journal] AND "Review"[Publication Type]

# 特定作者的近期工作
"Smith AB"[Author] AND cancer[Title/Abstract] AND 2022:2024[Publication Date]

E-utilities 自动化： 脚本使用 NCBI E-utilities API 进行程序化访问：

• ESearch：搜索并检索 PMID
• EFetch：检索完整元数据
• ESummary：获取摘要信息
• ELink：查找相关文章

完整 API 文档请参见 references/pubmed_search.md。

工具与脚本

search_google_scholar.py

搜索 Google Scholar 并导出结果。

功能：

• 带速率限制的自动搜索
• 分页支持
• 年份范围过滤
• 导出为 JSON 或 BibTeX
• 引用次数信息

用法：

# 基本搜索
python scripts/search_google_scholar.py "quantum computing"

# 带过滤器的高级搜索
python scripts/search_google_scholar.py "quantum computing" \
  --year-start 2020 \
  --year-end 2024 \
  --limit 100 \
  --sort-by citations \
  --output quantum_papers.json

# 直接导出为 BibTeX
python scripts/search_google_scholar.py "machine learning" \
  --limit 50 \
  --format bibtex \
  --output ml_papers.bib

search_pubmed.py

使用 E-utilities API 搜索 PubMed。

功能：

• 支持复杂查询（MeSH、字段标签、布尔）
• 日期范围过滤
• 出版物类型过滤
• 批量检索元数据
• 导出为 JSON 或 BibTeX

用法：

# 简单关键词搜索
python scripts/search_pubmed.py "CRISPR gene editing"

# 带过滤器的复杂查询
python scripts/search_pubmed.py \
  --query '"CRISPR-Cas Systems"[MeSH] AND "therapeutic"[Title/Abstract]' \
  --date-start 2020-01-01 \
  --date-end 2024-12-31 \
  --publication-types "Clinical Trial,Review" \
  --limit 200 \
  --output crispr_therapeutic.json

# 导出为 BibTeX
python scripts/search_pubmed.py "Alzheimer's disease" \
  --limit 100 \
  --format bibtex \
  --output alzheimers.bib

extract_metadata.py

从论文标识符提取完整元数据。

功能：

• 支持 DOI、PMID、arXiv ID、URL
• 查询 CrossRef、PubMed、arXiv API
• 处理多种标识符类型
• 批量处理
• 多种输出格式

用法：

# 单个 DOI
python scripts/extract_metadata.py --doi 10.1038/s41586-021-03819-2

# 单个 PMID
python scripts/extract_metadata.py --pmid 34265844

# 单个 arXiv ID
python scripts/extract_metadata.py --arxiv 2103.14030

# 从 URL
python scripts/extract_metadata.py \
  --url "https://www.nature.com/articles/s41586-021-03819-2"

# 批量处理（文件中每行一个标识符）
python scripts/extract_metadata.py \
  --input paper_ids.txt \
  --output references.bib

# 不同输出格式
python scripts/extract_metadata.py \
  --doi 10.1038/nature12345 \
  --format json  # 或 bibtex、yaml

validate_citations.py

验证 BibTeX 条目的准确性和完整性。

功能：

• 通过 doi.org 和 CrossRef 验证 DOI
• 必填字段检查
• 重复检测
• 格式验证
• 自动修复常见问题
• 详细报告

用法：

# 基本验证
python scripts/validate_citations.py references.bib

# 带自动修复
python scripts/validate_citations.py references.bib \
  --auto-fix \
  --output fixed_references.bib

# 详细验证报告
python scripts/validate_citations.py references.bib \
  --report validation_report.json \
  --verbose

# 仅检查 DOI
python scripts/validate_citations.py references.bib \
  --check-dois-only

format_bibtex.py

格式化和清理 BibTeX 文件。

功能：

• 标准化格式
• 排序条目（按键、年份、作者）
• 删除重复项
• 验证语法
• 修复常见错误
• 强制引用键约定

用法：

# 基本格式化
python scripts/format_bibtex.py references.bib

# 按年份排序（最新优先）
python scripts/format_bibtex.py references.bib \
  --sort year \
  --descending \
  --output sorted_refs.bib

# 删除重复项
python scripts/format_bibtex.py references.bib \
  --deduplicate \
  --output clean_refs.bib

# 完整清理
python scripts/format_bibtex.py references.bib \
  --deduplicate \
  --sort year \
  --validate \
  --auto-fix \
  --output final_refs.bib

doi_to_bibtex.py

快速 DOI 转 BibTeX。

功能：

• 快速单个 DOI 转换
• 批量处理
• 多种输出格式
• 剪贴板支持

用法：

# 单个 DOI
python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2

# 多个 DOI
python scripts/doi_to_bibtex.py \
  10.1038/nature12345 \
  10.1126/science.abc1234 \
  10.1016/j.cell.2023.01.001

# 从文件（每行一个 DOI）
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

# 复制到剪贴板
python scripts/doi_to_bibtex.py 10.1038/nature12345 --clipboard

最佳实践

搜索策略

1. 先广后窄：

   • 从通用术语开始以了解领域
   • 用特定关键词和过滤器细化
   • 使用同义词和相关术语

2. 使用多个来源：

   • Google Scholar 用于全面覆盖
   • PubMed 用于生物医学重点
   • arXiv 用于预印本
   • 合并结果以实现完整性

3. 利用引用：

   • 查看"Cited by"查找开创性论文
   • 查看关键论文的参考文献
   • 使用引用网络发现相关工作

4. 记录您的搜索：

   • 保存搜索查询和日期
   • 记录结果数量
   • 注明应用的任何过滤器或限制

元数据提取

1. 有 DOI 时始终使用 DOI：

   • 最可靠的标识符
   • 出版物的永久链接
   • 通过 CrossRef 获取最佳元数据来源

2. 验证提取的元数据：

   • 检查作者姓名是否正确
   • 验证期刊/会议名称
   • 确认出版年份
   • 验证页码和卷号

3. 处理边缘情况：

   • 预印本：包含存储库和 ID
   • 后来发表的预印本：使用发表版本
   • 会议论文：包含会议名称和地点
   • 书籍章节：包含书名和编辑

4. 保持一致性：

   • 使用一致的作者姓名格式
   • 标准化期刊缩写
   • 使用相同的 DOI 格式（首选 URL）

BibTeX 质量

1. 遵循约定：

   • 使用有意义的引用键（FirstAuthor2024keyword）
   • 用 {} 保护标题中的大写
   • 页码范围使用 --（而非单个短横线）
   • 所有现代出版物包含 DOI 字段

2. 保持整洁：

   • 删除不必要的字段
   • 无冗余信息
   • 格式一致
   • 定期验证语法

3. 系统化组织：

   • 按年份或主题排序
   • 分组相关论文
   • 不同项目使用单独文件
   • 谨慎合并以避免重复

验证

1. 尽早且经常验证：

   • 添加引用时检查
   • 提交前验证完整参考文献
   • 任何手动编辑后重新验证

2. 及时修复问题：

   • 损坏的 DOI：查找正确标识符
   • 缺失字段：从原始来源提取
   • 重复项：选择最佳版本，删除其他
   • 格式错误：安全时使用自动修复

3. 对关键引用进行手动审查：

   • 验证关键论文引用正确
   • 检查作者姓名与出版物匹配
   • 确认页码和卷号
   • 确保 URL 是最新的

常见陷阱及避免方法

1. 单一来源偏见：仅使用 Google Scholar 或 PubMed

   • 解决方案：搜索多个数据库以实现全面覆盖

2. 盲目接受元数据：不验证提取的信息

   • 解决方案：抽查提取的元数据与原始来源

3. 忽略 DOI 错误：参考文献中的损坏或错误 DOI

   • 解决方案：最终提交前运行验证

4. 格式不一致：混合引用键样式、格式

   • 解决方案：使用 format_bibtex.py 标准化

5. 重复条目：同一论文以不同键被多次引用

   • 解决方案：在验证中使用重复检测

6. 缺失必填字段：不完整的 BibTeX 条目

   • 解决方案：验证并确保所有必填字段存在

7. 过时的预印本：当存在发表版本时引用预印本

   • 解决方案：检查预印本是否已发表，更新为期刊版本

8. 特殊字符问题：因字符导致 LaTeX 编译失败

   • 解决方案：在 BibTeX 中使用正确的转义或 Unicode

9. 提交前无验证：带引用错误提交

   • 解决方案：始终运行验证作为最终检查

10. 手动 BibTeX 条目：手工输入条目

    • 解决方案：始终使用脚本从元数据来源提取

示例工作流程

示例 1：为论文构建参考文献

# 步骤 1：查找您主题的关键论文
python scripts/search_google_scholar.py "transformer neural networks" \
  --year-start 2017 \
  --limit 50 \
  --output transformers_gs.json

python scripts/search_pubmed.py "deep learning medical imaging" \
  --date-start 2020 \
  --limit 50 \
  --output medical_dl_pm.json

# 步骤 2：从搜索结果提取元数据
python scripts/extract_metadata.py \
  --input transformers_gs.json \
  --output transformers.bib

python scripts/extract_metadata.py \
  --input medical_dl_pm.json \
  --output medical.bib

# 步骤 3：添加您已知道的特定论文
python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2 >> specific.bib
python scripts/doi_to_bibtex.py 10.1126/science.aam9317 >> specific.bib

# 步骤 4：合并所有 BibTeX 文件
cat transformers.bib medical.bib specific.bib > combined.bib

# 步骤 5：格式化和去重
python scripts/format_bibtex.py combined.bib \
  --deduplicate \
  --sort year \
  --descending \
  --output formatted.bib

# 步骤 6：验证
python scripts/validate_citations.py formatted.bib \
  --auto-fix \
  --report validation.json \
  --output final_references.bib

# 步骤 7：查看任何问题
cat validation.json | grep -A 3 '"errors"'

# 步骤 8：在 LaTeX 中使用
# \bibliography{final_references}

示例 2：转换 DOI 列表

# 您有一个包含 DOI 的文本文件（每行一个）
# dois.txt 包含：
# 10.1038/s41586-021-03819-2
# 10.1126/science.aam9317
# 10.1016/j.cell.2023.01.001

# 全部转换为 BibTeX
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

# 验证结果
python scripts/validate_citations.py references.bib --verbose

示例 3：清理现有 BibTeX 文件

# 您有一个来自各种来源的混乱 BibTeX 文件
# 系统化清理

# 步骤 1：格式化和标准化
python scripts/format_bibtex.py messy_references.bib \
  --output step1_formatted.bib

# 步骤 2：删除重复项
python scripts/format_bibtex.py step1_formatted.bib \
  --deduplicate \
  --output step2_deduplicated.bib

# 步骤 3：验证和自动修复
python scripts/validate_citations.py step2_deduplicated.bib \
  --auto-fix \
  --output step3_validated.bib

# 步骤 4：按年份排序
python scripts/format_bibtex.py step3_validated.bib \
  --sort year \
  --descending \
  --output clean_references.bib

# 步骤 5：最终验证报告
python scripts/validate_citations.py clean_references.bib \
  --report final_validation.json \
  --verbose

# 查看报告
cat final_validation.json

示例 4：查找和引用开创性论文

# 查找某主题的高被引论文
python scripts/search_google_scholar.py "AlphaFold protein structure" \
  --year-start 2020 \
  --year-end 2024 \
  --sort-by citations \
  --limit 20 \
  --output alphafold_seminal.json

# 按引用次数提取前 10 篇
# （脚本将在 JSON 中包含引用次数）

# 转换为 BibTeX
python scripts/extract_metadata.py \
  --input alphafold_seminal.json \
  --output alphafold_refs.bib

# BibTeX 文件现在包含最具影响力的论文

与其他技能集成

文献综述技能

引用管理为文献综述提供技术基础设施：

• 文献综述：多数据库系统化搜索和综合
• 引用管理：元数据提取和验证

组合工作流程：

1. 使用 literature-review 进行系统化搜索方法论
2. 使用 citation-management 提取和验证引用
3. 使用 literature-review 综合发现
4. 使用 citation-management 确保参考文献准确性

科学写作技能

引用管理为科学写作确保准确的参考文献：

• 为 LaTeX 稿件导出验证过的 BibTeX
• 验证引用符合出版标准
• 按期刊要求格式化参考文献

期刊模板技能

引用管理与期刊模板配合生成可提交的稿件：

• 不同期刊需要不同的引用格式
• 生成格式正确的参考文献
• 验证引用符合期刊要求

资源

内置资源

参考文档（位于 references/）：

• google_scholar_search.md：完整 Google Scholar 搜索指南
• pubmed_search.md：PubMed 和 E-utilities API 文档
• metadata_extraction.md：元数据来源和字段要求
• citation_validation.md：验证标准和质量检查
• bibtex_formatting.md：BibTeX 条目类型和格式化规则

脚本（位于 scripts/）：

• search_google_scholar.py：Google Scholar 搜索自动化
• search_pubmed.py：PubMed E-utilities API 客户端
• extract_metadata.py：通用元数据提取器
• validate_citations.py：引用验证和核实
• format_bibtex.py：BibTeX 格式化和清理
• doi_to_bibtex.py：快速 DOI 转 BibTeX 转换器

资产（位于 assets/）：

• bibtex_template.bib：所有类型的示例 BibTeX 条目
• citation_checklist.md：质量保证检查清单

外部资源

搜索引擎：

• Google Scholar: https://scholar.google.com/
• PubMed: https://pubmed.ncbi.nlm.nih.gov/
• PubMed Advanced Search: https://pubmed.ncbi.nlm.nih.gov/advanced/

元数据 API：

• CrossRef API: https://api.crossref.org/
• PubMed E-utilities: https://www.ncbi.nlm.nih.gov/books/NBK25501/
• arXiv API: https://arxiv.org/help/api/
• DataCite API: https://api.datacite.org/

工具和验证器：

• MeSH Browser: https://meshb.nlm.nih.gov/search
• DOI Resolver: https://doi.org/
• BibTeX Format: http://www.bibtex.org/Format/

引用格式：

• BibTeX 文档: http://www.bibtex.org/
• LaTeX 参考文献管理: https://www.overleaf.com/learn/latex/Bibliography_management

依赖

必需的 Python 包

# 核心依赖
pip install requests  # 用于 API 的 HTTP 请求
pip install bibtexparser  # BibTeX 解析和格式化
pip install biopython  # PubMed E-utilities 访问

# 可选（用于 Google Scholar）
pip install scholarly  # Google Scholar API 包装器
# 或
pip install selenium  # 用于更稳健的 Scholar 抓取

可选工具

# 用于高级验证
pip install crossref-commons  # 增强的 CrossRef API 访问
pip install pylatexenc  # LaTeX 特殊字符处理

总结

citation-management 技能提供：

1. 全面的搜索能力，支持 Google Scholar 和 PubMed
2. 自动化元数据提取，支持 DOI、PMID、arXiv ID、URL
3. 引用验证，包含 DOI 核实和完整性检查
4. BibTeX 格式化，提供标准化和清理工具
5. 质量保证，通过验证和报告实现
6. 集成，支持科学写作工作流程
7. 可复现性，通过文档化的搜索和提取方法实现

使用本技能在整个研究过程中维护准确、完整的引用，并确保参考文献达到出版就绪状态。

局限性

• 仅当任务明显符合上述描述的范围时使用本技能。
• 不要将输出视为环境特定验证、测试或专家审查的替代品。
• 如果缺少必需的输入、权限、安全边界或成功标准，请停止并请求澄清。