literature-reviewer-skill

Imported from Chano363/MultiAgent (.codebuddy/skills/literature-reviewer-skill/AGENTS.md). Install upstream with npx skills add Chano363/MultiAgent --skill literature-reviewer-skill. Copyright stays with the author.

AGENTS.md - Literature Reviewer Skill

项目概述

本项目是一个 Kimi CLI Skill（技能插件），名为 literature-reviewer-skill，用于帮助用户进行系统性的学术文献回顾（Literature Survey）。

版本: 3.0.0
最后更新: 2024-03

核心特性

• 8阶段工作流：完整的文献调研流程
• 浏览器自动化：无需API配置，直接访问数据库
• 多数据库支持：CNKI、Web of Science、ScienceDirect、PubMed
• 结构化输出：GB/T 7714-2015引文 + 标题 + 摘要的Markdown文档
• 综述生成：自动生成结构化的文献综述

技术栈

• 语言: Python 3.8+
• 架构: 顺序执行工作流
• 数据库访问: 浏览器自动化（Playwright）
• 外部依赖:
  • Kimi CLI 的 browser skill
  • Kimi CLI 的 docx skill（可选）

项目结构

literature-reviewer-skill/
├── SKILL.md                          # Skill 定义文件（主入口）
├── AGENTS.md                         # 本文件
├── README.md                         # 项目说明文档
│
├── agents/                           # Agent 模板目录
│   ├── explore-agent.md              # 搜索 Agent 模板
│   ├── verify-agent.md               # 验证 Agent 模板
│   ├── synthesize-agent.md           # 综述 Agent 模板
│   └── orchestrator.md               # 协调器 Agent 模板
│
├── references/                       # 参考资料文档
│   ├── cnki-guide.md                 # CNKI 检索详细指南
│   ├── database-access.md            # 各数据库访问指南
│   └── gb-t-7714-2015.md             # GB/T 7714-2015 引用格式规范
│
└── assets/                           # 资源目录（预留）

8阶段工作流

Phase 0: Session Log      → 创建会话目录
Phase 1: Query Analysis   → AI生成关键词和检索策略
Phase 2: Parallel Search  → 浏览器自动化检索
Phase 3: Deduplication    → 去重筛选
Phase 4: Verification     → 元数据验证
Phase 5: Data Export      → 导出文献信息
Phase 6: Paper Analysis   → 单篇文献深度分析
Phase 7: Citation Format  → GB/T 7714-2015格式化
Phase 8: Synthesis        → 生成综述（大纲→撰写→审查→润色）

Phase 0: Session Log（会话管理）

目标：创建会话目录，记录工作进度，支持中断续传

目录结构：

sessions/{YYYYMMDD}_{topic_short}/
├── session_log.md              # 工作日志
├── metadata.json               # 会话元数据
├── papers_raw.json             # 原始检索结果
├── papers_deduplicated.json    # 去重后文献
├── papers_analysis.json        # 文献分析结果
└── output/
    ├── references.md           # 文献清单（含摘要）
    ├── papers_analysis.md      # 单篇文献深度分析
    └── literature_review.md    # 最终综述（含摘要、关键词）

输出:

• sessions/{session_id}/session_log.md
• sessions/{session_id}/metadata.json

Phase 1: Query Analysis（查询分析）

目标：AI 智能分析研究主题，自动提取核心概念并扩展相关关键词

分析维度：

1. 核心概念识别

   • 识别研究主题的核心技术/方法
   • 识别应用领域和场景
   • 识别研究对象和目标

2. 关键词智能扩展

   扩展类型	说明	示例
   同义词	相同含义的不同表述	深度学习 ↔ 神经网络
   近义词	含义相近的术语	诊断 ↔ 检测 ↔ 识别
   上位词	更广泛的范畴	CT → 医学影像 → 医学图像
   下位词	更具体的细分	医学图像 → CT/MRI/X光
   相关概念	相关领域术语	诊断 → 预后/分割/病灶检测
   领域术语	学科专业词汇	CNN、迁移学习、fine-tuning

3. AI 分析示例

   输入：基于深度学习的医学图像诊断研究

   AI 输出：

   核心概念:
     技术方法: [深度学习, 神经网络, 机器学习, 人工智能]
     研究对象: [医学图像, 医学影像, CT, MRI, X光, 超声]
     研究目标: [诊断, 检测, 识别, 分类, 筛查]
     
   中文扩展词:
     深度学习: [深度神经网络, DNN, CNN, 卷积神经网络, 迁移学习]
     医学图像: [医学影像, 生物医学图像, 放射影像, 病理图像]
     诊断: [辅助诊断, 智能诊断, 疾病识别, 病灶检测]
     
   英文扩展词:
     deep_learning: [neural network, machine learning, AI]
     medical_image: [medical imaging, radiology, pathology]
     diagnosis: [detection, recognition, classification, CAD]

4. 生成检索表达式

   数据库	检索式
   CNKI	SU=('深度学习'+'神经网络')('医学图像'+'影像')('诊断'+'检测') AND CSSCI=1
   WOS	TS=(("deep learning" OR "neural network") AND ("medical imaging") AND ("diagnosis" OR "detection"))

Phase 2: Parallel Search（并行检索）

目标：通过浏览器自动化在多个数据库执行检索

核心数据库（无需API）：

检索执行（使用Playwright）：

1. 使用 browser_navigate 访问数据库检索页面
2. 填充检索式，执行搜索
3. 提取前50条结果
4. 保存到 papers_raw.json

数据模型：

{
  "source_db": "cnki",
  "title": "文献标题",
  "authors": ["作者1", "作者2"],
  "journal": "期刊名称",
  "year": 2023,
  "volume": "46",
  "issue": "5",
  "pages": "1023-1035",
  "doi": "10.xxxx",
  "abstract": "摘要内容...",
  "keywords": ["关键词1", "关键词2"],
  "url": "原文链接"
}

Phase 3: Deduplication（去重筛选）

目标：合并多源结果，去除重复

简化去重策略：

1. DOI精确匹配 - 相同DOI视为重复
2. 标题相似度 - Levenshtein距离 > 0.85 视为重复
3. 保留规则 - 保留信息更完整的记录

筛选条件：

• 时间范围：近10年优先
• 来源质量：优先核心期刊
• 最终数量：中英文各15-25篇，总计30-50篇

Phase 4: Verification（基础验证）

目标：确保元数据完整性，过滤明显错误

验证内容：

1. 元数据完整性 - 确保标题、作者、期刊、年份存在
2. DOI格式校验 - 检查DOI格式有效性
3. 错误过滤 - 排除标题为"无"或作者缺失的记录

验证状态：

• VERIFIED: 元数据完整
• INCOMPLETE: 部分缺失
• EXCLUDED: 已过滤

Phase 5: Data Export（数据导出）

目标：导出文献信息到Markdown文件

输出文件：output/references.md

Phase 6: Paper Analysis（单篇文献分析）

目标：对每篇文献进行深度分析

AI任务：

1. 识别主要研究问题和目标
2. 描述理论框架或模型
3. 总结研究方法
4. 提取关键发现和结论
5. 指出创新点和局限性
6. 分析与其他研究的关系
7. 识别争议点和未解决问题
8. 指出研究趋势和新兴方向

输出文件：output/papers_analysis.md

Phase 7: Citation Format（引用格式化）

目标：生成GB/T 7714-2015格式引文

输出：格式化的引文列表

Phase 8: Synthesis（综述生成）

目标：通过四步迭代法生成高质量结构化文献综述

综述生成是文献回顾的核心环节，拆分为4个精细化的 sub phases：

Phase 8.1: Outline（生成综述大纲）

输入：研究主题、文献清单和分析、目标语言
输出：outline.md - 完整的综述大纲

关键任务：

• 分析所有文献，识别3-5个主题
• 构建逻辑清晰的章节结构
• 将文献合理分配到各章节
• 规划每章节的篇幅和要点

Phase 8.2: Writing（撰写综述初稿）

输入：大纲、文献清单、单篇文献分析
输出：draft.md - 完整的综述初稿（3000-5000字）

关键任务：

• 扩展每个章节为详细内容
• 建立文献间的逻辑联系（综合而非罗列）
• 进行深度批判性分析
• 确保每个论点都有文献支持

Phase 8.3: Review（质量审查与评估）

输入：综述初稿、原始文献清单
输出：review_report.md - 详细的审查报告（含评分）

审查维度（加权评分）：

输出要求：

• 总体质量评分（满分100）
• 主要优点（3-5条）
• 关键问题（必须修复）
• 具体改进建议

Phase 8.4: Final（最终润色与定稿）

输入：初稿、审查报告
输出：literature_review.md - 最终定稿

关键任务：

• 修复审查中发现的所有问题
• 撰写摘要（200-300字）
• 选择关键词（5-8个）
• 生成GB/T 7714-2015格式参考文献
• 最终校对和润色

最终文档结构：

1. 标题
2. 摘要（200-300字）
3. 关键词（5-8个）
4. 引言
5. 理论基础与方法
6. 国内研究现状
7. 国外研究现状
8. 讨论
9. 结论
10. 参考文献（GB/T 7714-2015格式）

Phase 8 输出文件汇总

迭代机制

根据审查评分决定是否需要迭代：

数据库访问指南

CNKI

访问地址：https://kns.cnki.net/kns8/AdvSearch

字段代码：

来源筛选：CSSCI、北大核心、CSCD

Web of Science

访问地址：https://www.webofscience.com/wos/woscc/advanced-search

常用字段：

• TS=Topic
• TI=Title
• AB=Abstract

ScienceDirect

访问地址：https://www.sciencedirect.com/search

输出文件说明

代码规范

命名规范

• 类名: PascalCase
• 函数/变量: snake_case
• 常量: UPPER_CASE

文献编号

• 中文文献: 以 C 开头（C1, C2, C3...）
• 英文文献: 以 E 开头（E1, E2, E3...）

注释语言

• 中文注释

使用示例

用户请求：帮我做一个关于"深度学习在肺癌早期诊断中的应用"的文献回顾

执行流程：

1. Phase 1: 生成检索策略

   • CNKI: SU=('深度学习'+'神经网络')('肺癌'+'肺结节')('诊断')
   • WOS: ("deep learning") AND ("lung cancer") AND ("diagnosis")

2. Phase 2: 并行检索

   • 访问CNKI高级检索页面，提取50条结果
   • 访问WOS检索页面，提取50条结果
   • 访问ScienceDirect，提取50条结果

3. Phase 3: 去重筛选

   • 合并结果，按标题相似度去重
   • 保留中英文各20篇

4. Phase 4: 基础验证

   • 检查元数据完整性
   • 过滤错误记录

5. Phase 5: 导出数据

   • 生成 references.md

6. Phase 6: 格式化引文

   • 生成GB/T 7714-2015格式

7. Phase 7: 生成综述

   • 生成 literature_review.md

依赖 Skills

• browser - 数据库检索自动化
• docx - 生成Word格式综述（可选）
• web_search - 辅助获取文献信息

修改历史

v3.0.0 (2024-03)

• 移除API配置要求
• 改用浏览器自动化访问数据库
• 简化去重/验证流程
• 输出改为Markdown格式（含摘要）
• 保留8阶段工作流框架

v2.0.0 (2024-01)

• 重构为8阶段工作流
• 引入Agent Swarm架构
• 新增引用验证机制
• 新增多数据库API支持

v1.0.0 (2023)

• 初始版本