MiniMax AI literature-search：多源文献检索路由器
目的
把用户的检索问题路由到最合适的文献数据源（provider），执行检索， 多源结果去重后统一为 PaperDocument JSON 落盘，供 literature-survey 等下游 技能直接使用。
核心原则：诚实路由、失败留痕——哪个源失败了、为什么失败，必须结构化记录 在 manifest 中，不得静默缺失；也不得把失败伪装成「该源没有结果」。
前置检查
- paper-search 技能与其脚本
scripts/search_papers.py存在；python可用。 - 网络可用；离线时直接说明无法检索并终止。
- 检索问题足够具体：若用户输入过于宽泛（如「人工智能」），先与用户收敛到 一个可检索的问题或关键词组再执行。
- 计算 slug：检索问题规范化（Unicode NFKC 规范化、转小写、去首尾空白、 连续空白折叠为单个空格）后取 sha1 十六进制摘要前 8 位。
操作规程
1. 路由：按问题类型选 provider
| 问题类型 | 首选 provider | 当前版本说明 |
|---|---|---|
| 综合主题检索 / 引文网络 / 领域全景 | OpenAlex | 脚本直连，覆盖广、元数据丰富 |
| 精确元数据 / DOI 解析 / 题录补全 | Crossref | 脚本直连，DOI 注册数据权威 |
| 生物医学 / 临床 / 生命科学 | PubMed | 当前版本脚本未直连；以 OpenAlex 兜底（其收录 PubMed 源文献），并在 manifest 记 warn |
| 预印本 / 最新进展 | arXiv（数理信息类）/ bioRxiv（生物类） | arXiv 脚本直连；bioRxiv 经 Crossref / OpenAlex 检索其 DOI，manifest 记 warn |
| 中文文献 | CNKI / 万方 | 转交本插件的 cn-literature 技能（CNKI 导出题录解析 + 万方 API），不在本技能内重复实现 |
路由决策与理由写入 manifest；用户也可直接指定 provider 跳过路由。
2. 执行检索
- 按 paper-search 技能的规程构建 query 并执行：
python scripts/search_papers.py --query "..." --provider <p> --limit <n> --format json。 - 同一问题可路由到多个 provider；逐源串行执行、逐源记录结果。
3. 失败结构化记录
任一 provider 返回 {"error": {...}} 或执行异常时：
- 在 manifest 的
errors数组记录：provider、type（network/rate_limited/parse）、message； - 回复中如实告知「X 源本次检索失败及原因」；
rate_limited→ 按指数退避稍后重试一次；仍失败则留痕， 不得当作「该源结果为 0」。
4. 多源去重与统一
- 合并各源返回的 PaperDocument 数组。
- 去重优先级：① DOI（统一小写、去掉
https://doi.org/前缀后比较）； ② 标题模糊匹配（小写、去标点、折叠空白后比较；判定重复时保留元数据 更全的一条）。 - 重复条目的
source记录为来源列表（如["openalex", "crossref"]）。 - 输出统一 PaperDocument：
{id, title, authors, year, venue, doi, url, abstract, source, retrieved_at}（source为字符串数组）。
5. 落盘
目录 output/literature-search/<slug>/latest/：
papers.json：去重后的 PaperDocument 数组；manifest.json：query、路由决策、各源命中数、errors、执行时间、去重统计。
6. 路由决策示例
- 「帮我找 Transformer 相关的代表性工作」→ 综合主题 → OpenAlex；
- 「查 10.1145/xxxx 这篇的完整题录」→ 精确元数据 → Crossref；
- 「最近半年扩散模型有哪些预印本」→ 最新进展 → arXiv；
- 「肺癌筛查影像 AI 的临床研究」→ 生物医学 → OpenAlex 兜底并记 warn；
- 「查中文核心期刊上关于乡村振兴的研究」→ 中文文献 → 转交 cn-literature 技能处理（CNKI 导出题录解析 + 万方 API）。
7. 合并顺序与字段取舍
- 多源执行顺序按路由表优先级：OpenAlex → Crossref → arXiv；
- 同一论文多源命中时按字段择优：DOI 以 Crossref 为准；abstract 以 OpenAlex / arXiv 为准（Crossref 常缺摘要）；venue 以正式发表信息为准， 预印本 venue 只在无正式版时保留；
- PubMed / bioRxiv 走兜底源时，manifest 记 warn：「该源经 OpenAlex / Crossref 间接覆盖，结果可能不完整」；
- 去重后被舍弃的条目不清空，在 manifest 记录其 id 以便追溯。
输出模板
papers.json
[
{
"id": "https://openalex.org/W0123456789",
"title": "Attention Is All You Need",
"authors": ["Ashish Vaswani", "Noam Shazeer"],
"year": 2017,
"venue": "Advances in Neural Information Processing Systems",
"doi": "10.48550/arXiv.1706.03762",
"url": "https://arxiv.org/abs/1706.03762",
"abstract": "The dominant sequence transduction models ...",
"source": ["openalex", "arxiv"],
"retrieved_at": "2026-08-18T00:00:00+00:00"
}
]
manifest.json
{
"query": "large language model agents",
"slug": "1a2b3c4d",
"routing": [{"provider": "openalex", "reason": "综合主题检索"}],
"hits": {"openalex": 20},
"errors": [{"provider": "arxiv", "type": "rate_limited", "message": "HTTP 429"}],
"dedup": {"before": 22, "after": 20},
"executed_at": "2026-08-18T00:00:00+00:00"
}
本技能不做什么
- 不获取付费墙全文；abstract 之外的正文不可得时如实标注。
- 不评价论文质量、不筛选「重要」文献（排序建议由 paper-search 给出， 质量判断留给 literature-survey 与用户）。
- 不在本技能内检索中文文献：CNKI / 万方需求转交 cn-literature 技能处理。
- 不把 provider 失败伪装成「检索结果为 0」。
- 不做综述分析与成文（交给 literature-survey / review-writing）。
收尾与下一步
- 汇总：各源命中数、去重后数量、失败源及原因，5 行内说明。
- 指向
output/literature-search/<slug>/latest/papers.json。 - 建议下一步：运行 literature-survey 做证据提取与全局分析； 或调整 query 重新检索（换关键词、换 provider、调 limit）。
- 若全部 provider 均失败，明确告知「本次检索整体失败」， 不产出空 papers.json 冒充成功。