Lambenthan /novelty
对一个研究想法或方法进行多源 novelty 验证。搜索 WebSearch、Semantic Scholar、 wiki 内已有工作和 arXiv 最新预印本，然后由 Review LLM 交叉验证，输出 novelty 评分（1-5）、 最相似已有工作、差异化要点和下一步建议。 可独立使用，也被 /ideate Phase 4 调用。
Inputs
target：以下之一：- idea 的自由文本描述（一段话或几句话）
- wiki 中 ideas/ 页面的 slug（如
sparse-lora-for-edge-devices） - 论文标题或 arXiv URL（检查该论文方法的 novelty）
--quick：快速模式，跳过 Review LLM cross-verify（Step 3），仅做搜索--verbose：输出完整搜索结果，不仅是摘要
Outputs
- Novelty Report（输出到终端，不写入 wiki）：
- Novelty Score（1-5）
- 最相似的已有工作列表（top 3-5）
- 与每个已有工作的差异化要点
- Review LLM 交叉验证意见（除非 --quick）
- 推荐行动：proceed / modify / abandon
- 该 skill 是只读查询，不修改 wiki 任何内容
Wiki Interaction
Reads
wiki/papers/*.md— 搜索已有论文中是否有类似方法wiki/concepts/*.md— 检查概念重叠wiki/ideas/*.md— 检查是否与已有 idea 重复（特别是 failed ideas 的 failure_reason）wiki/claims/*.md— 检查 idea 所依赖的 claims 当前状态wiki/graph/context_brief.md— 获取全局上下文辅助搜索
Writes
- 无。Novelty check 是纯查询操作，不修改 wiki。
Graph edges created
- 无。
Workflow
前置：确认工作目录为 wiki 项目根（包含 wiki/、raw/、tools/ 的目录）。
Step 1: 提取方法签名
- 若 target 是 slug：读取
wiki/ideas/{slug}.md，提取 title、Hypothesis、Approach sketch - 若 target 是自由文本：直接使用
- 若 target 是 arXiv URL：下载摘要，提取方法描述
- 从 target 中提取「方法签名」——方法的核心要素：
- What：做什么（任务/目标）
- How：用什么方法（技术路线）
- Why novel：声称的创新点
- 生成 3-5 个核心关键词用于后续搜索
Step 2: 多源搜索
并行执行以下搜索（使用 Agent tool 并发）：
Source A — Web Search（5+ 查询）：
- 直接查询：
"<method-name>" + "<task>"精确短语搜索 - 组件查询：
<component-1> + <component-2> + <domain>组件组合搜索 - Survey 查询：
"survey" OR "review" + <task-area> + 2024 2025 - 竞品查询：
<alternative-approach> + <same-task> - 最新查询：
<method-keywords> + arXiv + 2025 2026
Source B — Semantic Scholar + DeepXiv：
python3 tools/fetch_s2.py search "<method-keywords>" --limit 20
python3 tools/fetch_deepxiv.py search "<method-keywords>" --mode hybrid --limit 20
合并两个来源的结果（按 arxiv_id 去重）。DeepXiv 的混合语义搜索能发现 S2 关键词搜索遗漏的语义相似工作。
- 对 top 5 结果获取详情和 TLDR：
python3 tools/fetch_s2.py paper <s2_id>
python3 tools/fetch_deepxiv.py brief <arxiv_id>
使用 DeepXiv brief 的 TLDR 辅助快速判断方法相似度。 若 DeepXiv 不可用：仅使用 S2 搜索（回退到原有行为）。
Source C — Wiki 内部搜索：
- 扫描
wiki/papers/所有页面的 Key idea 和 Method 段落 - 扫描
wiki/concepts/的 Definition 和 Variants 段落 - 扫描
wiki/ideas/的全部内容，特别关注：- status = failed 的 ideas 及其 failure_reason（anti-repetition）
- status = proposed/in_progress 的 ideas（避免内部重复）
- 读取
wiki/graph/context_brief.md获取全局视角
Source D — arXiv 近期预印本：
- 使用 WebSearch 查询
site:arxiv.org <method-keywords> 2025 2026
Step 3: Review LLM 交叉验证
（若 --quick 则跳过此步）
将以下信息提交 Review LLM 进行独立判断：
mcp__llm-review__chat:
system: "You are a senior ML researcher assessing the novelty of a proposed method.
Be rigorous: if the method is essentially a recombination of known techniques
with minor changes, score it low. Only score 4-5 if there is a genuinely new
insight or formulation."
message: |
## Proposed Method
{method signature from Step 1}
## Existing Similar Work Found
{top 5 similar works from Step 2, with title + one-line summary}
## Questions
1. Is this method genuinely novel, or a minor variation of existing work?
2. What is the closest existing work and what's the real difference?
3. Novelty score 1-5 with justification.
4. If score <= 2, what modification could increase novelty?
Step 4: 生成 Novelty Report
综合 Step 2 搜索结果和 Step 3 Review LLM 意见，生成结构化报告：
# Novelty Report: {idea title}
## Score: {1-5}/5 — {label}
| Score | Label | 含义 |
|-------|-------|------|
| 1 | Published | 已有高度相似的发表工作 |
| 2 | Very Similar | 存在非常相似的方法，仅细节差异 |
| 3 | Incremental | 在已有工作基础上有明确的增量贡献 |
| 4 | Novel Combination | 创新性地组合已有技术，产生新 insight |
| 5 | Fundamentally New | 提出全新范式或 formulation |
## Closest Prior Work
1. **{title}** ({year}) — {一句话描述相似之处}
- 差异：{本方法与之的关键区别}
- Wiki 链接：[[slug]]（若存在）
2. ...
## Review LLM Assessment
{Review LLM 的独立判断摘要}
## Anti-repetition Check
- Wiki 中已有 failed ideas：{列出相关 failed ideas 及 failure_reason}
- Wiki 中已有 in_progress ideas：{列出可能重叠的 ideas}
## Recommendation
- **{proceed / modify / abandon}**
- 理由：{一段话}
- 若 modify：建议的差异化方向：{具体建议}
评分规则（综合判断）：
- Claude 搜索结果 和 Review LLM 意见取较低分（保守原则）
- 若 wiki 中存在 failed idea 且 failure_reason 与本 idea 相关 → 降 1 分
- 若 wiki 中存在 in_progress idea 高度重叠 → 标记为 abandon（内部重复）
Constraints
- 不修改 wiki：novelty check 是纯查询操作，所有结果仅输出到终端
- 保守评分：宁可低估 novelty 也不高估，避免在已有工作上浪费精力
- 必须检查 failed ideas：wiki/ideas/ 中 status=failed 的 ideas 是重要的 anti-repetition 信号
- 搜索覆盖面：至少 5 个不同的 WebSearch 查询 + Semantic Scholar + wiki 内部搜索
- Review LLM 独立性：提交给 Review LLM 时不包含 Claude 自己的 novelty 判断，让 Review LLM 独立评估
- 引用真实来源：报告中列出的所有 prior work 必须是真实存在的（WebSearch/S2 返回的），不得编造
Error Handling
- WebSearch 不可用：跳过 Source A 和 D，仅依赖 S2 + wiki 搜索，在报告中注明覆盖面不足
- Semantic Scholar API 不可用：跳过 S2 部分，依赖 DeepXiv + WebSearch 补偿
- DeepXiv API 不可用：跳过 DeepXiv 部分，依赖 S2 + WebSearch（回退到原有行为）
- Review LLM 不可用：跳过 Step 3，报告标注「Review LLM cross-verify unavailable, single-model assessment only」
- Wiki 为空：正常执行外部搜索，wiki 内部搜索部分标注「wiki empty」
- idea slug 不存在：提示用户检查 slug，列出 wiki/ideas/ 中的可用 slugs
Dependencies
Tools（via Bash）
python3 tools/fetch_s2.py search "<query>" --limit 20— Semantic Scholar 关键词搜索python3 tools/fetch_s2.py paper <s2_id>— 获取论文详情python3 tools/fetch_deepxiv.py search "<query>" --mode hybrid --limit 20— DeepXiv 语义搜索python3 tools/fetch_deepxiv.py brief <arxiv_id>— 获取论文 TLDR 辅助相似度判断
MCP Servers
mcp__llm-review__chat— Review LLM 交叉验证（Step 3）
Claude Code Native
WebSearch— 多查询 web 搜索（Step 2 Source A + D）Agenttool — 并行执行多源搜索（Step 2）
Shared References
.claude/skills/shared-references/cross-model-review.md（Phase 2 创建，Review LLM 独立性原则）