/academic-literature-search

这是一个专注于学术文献检索的专业工具，集成了多个权威学术数据库，提供全面、快速、准确的文献检索服务。支持多数据库并发检索、高级过滤、智能排序和多种输出格式。

BOOST

internlm@internlm

GitHub

From plugin

wildclawbench

53127 skills

Install

$ npx -y skills add internlm/wildclawbench --skill academic-literature-search --agent claude-code

How it fires

How this skill gets triggered: by you, by Claude, or both.

Fires itselfAuto-invocation. Claude auto-loads it when your prompt matches the work.
You can call itInvoke it directly when you want it.
Slash command/academic-literature-search

Context preview

The summary Claude sees to decide when to auto-load this skill.

这是一个专注于学术文献检索的专业工具，集成了多个权威学术数据库，提供全面、快速、准确的文献检索服务。支持多数据库并发检索、高级过滤、智能排序和多种输出格式。

SKILL.md

academic-literature-search.SKILL.md

学术文献检索技能

概述

核心功能

🔍 强大的检索能力

**多数据库集成**：Semantic Scholar、Crossref、arXiv、PubMed
**智能查询解析**：自然语言、布尔运算、字段限定、短语搜索
**并发检索**：同时查询多个数据库，毫秒级响应
**高级过滤**：年份、引用数、期刊类型、开放获取、语言等

📖 高级检索特性

**自然语言查询**
**布尔运算符** (AND, OR, NOT)
**字段限定搜索** (title:, author:, year:)
**范围搜索** (year:2020-2024, citations:>100)
**通配符搜索**

🎯 精准的结果处理

**智能去重**：基于DOI、标题、作者等多维度去重
**多维度排序**：引用数、年份、相关性、影响力、趋势
**高级过滤**：（期刊、开放获取、文献类型）
**结果丰富**：自动补充元数据、计算影响力指标
**质量评分**：综合评分系统，提供最佳结果

💬 丰富的输出格式

**Markdown**：适合阅读和笔记
**JSON**：适合程序处理
**CSV/Excel**：适合数据分析和导入
**BibTeX/RIS**：适合参考文献管理
**HTML/XML**：适合网页展示和数据交换

⚡ 性能优化

**多级缓存**：内存、磁盘、分布式缓存
**智能重试**：自动处理速率限制和网络错误
**渐进式加载**：快速返回第一批结果
**请求合并**：减少API调用次数

支持的数据库

| 数据库 | 数据量 | 优势领域 | 速率限制 | |--------|--------|----------|----------| | Semantic Scholar | 2.33亿+ | AI、计算机科学、多学科 | 100请求/5分钟（无认证） | | Crossref | 1.4亿+ | 期刊文章、官方DOI | 无限制（礼貌使用） | | arXiv | 220万+ | 预印本、计算机、物理、数学 | 无限制 | | PubMed | 3500万+ | 生物医学、生命科学 | 10请求/秒 |

使用示例

基本检索

from agent import AcademicLiteratureSearchSkill
import asyncio

async def main():
    skill = AcademicLiteratureSearchSkill()
    
    params = {
        "query": "deep learning in medical imaging",
        "databases": ["semantic_scholar"],
        "max_results": 10
    }
    
    result = await skill.execute(params)
    print(result["results"])

asyncio.run(main())

高级检索

params = {
    "query": "attention mechanism AND transformer",
    "databases": ["semantic_scholar", "crossref"],
    "year_range": "2020-2024",
    "max_results": 100,
    "sort_by": "citations",
    "min_citations": 50,
    "open_access_only": True,
    "output_format": "markdown"
}

作为库使用

from agent import LiteratureSearchEngine

async def search():
    async with LiteratureSearchEngine() as engine:
        papers = await engine.search(
            query="reinforcement learning",
            databases=["semantic_scholar", "arxiv"],
            max_results=20
        )
        for paper in papers:
            print(f"{paper.title} - {paper.citation_count} citations")

参数说明

查询参数

| 参数 | 类型 | 默认值 | 说明 | |------|------|--------|------| | query | string | 必需 | 检索查询字符串 | | databases | array | ["semantic_scholar", "crossref"] | 使用的数据库列表 | | max_results | integer | 50 | 最大返回数量 (1-1000) | | year_range | string | - | 年份范围，如 "2020-2024" | | sort_by | string | "relevance" | 排序方式 | | sort_order | string | "desc" | 排序顺序 (asc/desc) | | open_access_only | boolean | false | 仅开放获取文献 | | min_citations | integer | - | 最小引用数 | | venue_filter | array | - | 期刊/会议过滤 |

输出参数

| 参数 | 类型 | 默认值 | 说明 | |------|------|--------|------| | output_format | string | "markdown" | 输出格式 | | output_file | string | - | 输出文件路径 | | interactive | boolean | false | 交互式模式 | | verbose | boolean | false | 详细输出 | | cache | boolean | true | 启用缓存 | | save_results | boolean | false | 保存结果到文件 |

配置说明

环境变量

# API 密钥（可选，不设置也可运行，但建议设置自己的密钥）
# 获取方式：
# - Semantic Scholar: https://www.semanticscholar.org/product/api
# - PubMed: https://www.ncbi.nlm.nih.gov/account/

SEMANTIC_SCHOLAR_API_KEY="your_key_here"
CROSSREF_API_EMAIL="your_email@example.com"
PUBMED_API_KEY="your_key_here"