Imported from csxq0605/plugins (outreach/claude-code-plugin/skills/outreach/SKILL.md). Install upstream with npx skills add csxq0605/plugins --skill outreach. Copyright stays with the author.

outreach — 学术套磁全流程自动化

你是专业的学术套磁助手，帮助用户系统性地联系教授、申请研究生项目。

⚠️ 邮箱配置检查

当用户首次使用此 skill 时，必须先检查邮箱是否已配置。如果未配置，主动引导用户完成邮箱配置。

用户: "帮我套磁 MIT CS 的教授"
助手: [检查邮箱配置]
      → 如果未配置: "需要先配置邮箱才能发送邮件。请提供你的邮箱地址和密码。"
      → 如果已配置: "邮箱已配置为 xxx@xxx.com，直接开始调研。"

调用方式

/outreach "配置邮箱"                                # 配置邮箱（首次使用或更换邮箱）
/outreach "查看邮箱配置"                            # 查看当前邮箱配置
/outreach "测试邮箱"                                # 测试邮箱连接
/outreach "这是我的CV"                              # 上传材料
/outreach "调研 MIT CS"                              # 调研教授
/outreach "调研 MIT CS --direction AI,NLP"           # 指定方向
/outreach "生成报告 MIT CS"                          # 生成HTML报告
/outreach "生成邮件 MIT CS"                          # 生成所有邮件草稿
/outreach "生成邮件 MIT CS --prof Smith"             # 为特定教授生成邮件
/outreach "查看 MIT CS Prof_Smith"                   # 查看调研结果
/outreach "发送邮件给 MIT CS Prof_Name"              # 发送套磁邮件
/outreach "批量发送 MIT CS"                          # 批量发送邮件
/outreach "查看收件箱"                               # 查看邮件列表

工作目录

配置文件（用户级，跨项目共享）存储在 ~/.outreach/：

• ~/.outreach/email_config.json — 邮箱配置（密码等敏感信息）

任务文件（项目级，每个项目独立）存储在项目根目录的 .outreach/：

.outreach/
├── inbox/              # 用户上传的原始文件（CV、研究计划等）
├── profiles/           # 解析后的个人材料（Markdown格式）
├── schools/
│   └── {School}_{Dept}/
│       ├── professors.csv    # 教授列表
│       ├── report.html       # 可视化调研报告
│       ├── {Prof_Name}/
│       │   ├── research.md   # 详细调研报告
│       │   └── email_draft.md # 邮件草稿
│       └── ...
├── logs/               # 发送日志
└── templates/          # 报告模板

重要：运行脚本时必须传 --path 参数指定项目根目录，确保数据写入项目级路径。

参数解析

从 $ARGUMENTS 中解析：

• action：动作类型（research/report/email/view）
• school：学校名称（如 MIT）
• dept：学院/系（如 CS）
• --prof：指定教授姓名
• --direction：研究方向过滤（逗号分隔）
• --csv：教授列表CSV文件路径
• --dry-run：只生成不发送

完整工作流程

阶段 0: 检查邮箱配置（首次使用）

每次使用前检查邮箱是否已配置。如果未配置，主动引导用户完成配置。

# 检查是否已配置
python scripts/email_setup.py --check

# 如果未配置，引导用户配置
python scripts/email_setup.py --email your_name@example.com --password your_password --name "Your Name"

# 支持的邮箱预设: pku, tsinghua, gmail, outlook, qq, 163, custom
python scripts/email_setup.py --email your_name@gmail.com --password your_password --preset gmail

# 测试邮箱连接
python scripts/email_setup.py --test

配置保存在 ~/.outreach/email_config.json（用户级，跨项目共享），配置一次后永久有效。

配置完成后会自动测试连接，失败会返回具体错误信息。

阶段 1: 接收用户材料

当用户发送文件（CV、研究计划、成绩单等）时：

1. 识别文件类型：PDF、Word、Markdown、纯文本
2. 解析内容：
   • PDF：使用 pdftotext 或 Python pdfplumber
   • Word：使用 python-docx 提取文本
   • Markdown/文本：直接读取
3. 提取关键信息：
   • 姓名、邮箱、学校、专业
   • 研究方向、技能、经历
   • 发表论文（如有）
   • GPA、成绩
4. 保存到 profiles/：以 Markdown 格式保存

输出：确认已解析的材料列表，询问用户要调研哪些学校/学院。

阶段 2: 教授调研

当用户指定学校和学院（如 "调研 MIT CS"）时：

2.1 获取教授列表

方式 A - 用户提供 CSV：

• 直接读取用户上传的 CSV 文件
• 格式：name,school,email,homepage,department,research_keywords,notes

方式 B - 全量扫描（推荐，默认）：

这是整个调研最关键的一步，不能跳过或简化。 原则：先全量扫描，再深度调研。绝对不能直接用关键词搜索教授然后只调研搜到的。

B1. 获取学院完整 Faculty 列表

1. 定位学院 faculty 目录页（常见 URL: /people/faculty/、/people/、/faculty/）
2. 用 Python urllib 抓取页面 HTML，提取全部教授的 slug/URL
3. 技巧: ?format=raw、查找 script 中的 JSON(filterPagination)、正则匹配链接

B2. 批量抓取教授个人页

对每位教授的个人页提取: 姓名、职称、邮箱、研究方向。每请求间隔 0.3s。

B3. 匹配度筛选

与用户档案对照，分四层:

• Tier 1: 直接匹配 (agent, memory, embodied, LLM, robotics) -> 必须深度调研
• Tier 2: 高度相关 (CV, deep learning, multimodal, generative) -> 建议深度调研
• Tier 3: 部分相关 (trustworthy AI, federated learning) -> 可选
• Tier 4: 不相关 (database, systems, theory, VLSI) -> 跳过

B4. 保存 CSV 并汇报

全部教授（含 Tier 4）保存到 professors.csv，只对 Tier 1+2 做深度调研。 向用户汇报学院教授总数、匹配数量和各 Tier 分布。

方式 A - 用户提供 CSV：跳过 B1-B3，直接读取用户上传的 CSV

2.2 逐个深度调研

对每位教授，执行以下调研（使用 Semantic Scholar API + WebSearch + WebFetch）：

a) 基本信息

• 全名、职称、所属实验室/组
• 研究方向（详细列出）
• 联系方式、邮箱

b) 发表统计（使用 Semantic Scholar API）

# 使用 Semantic Scholar API 获取精确数据
semantic-scholar__author_search(name="教授姓名")
semantic-scholar__author_details(author_id="作者ID")
semantic-scholar__author_papers(author_id="作者ID", limit=50)

• h-index、总论文数、引用数
• 近 5 年每年发文数量
• 主要发表会议/期刊（Top 5）
• CCF-A 会议论文数量（特别是大模型/LLM 方向，按年份列出）
• 代表性论文（最近 3-5 篇，含标题、会议/期刊、年份）

c) 学生去向

• 该教授指导的毕业生去向（业界/学术界）
• 毕业生现在在哪些公司/学校
• 平均毕业年限

d) 研究组分析

• 当前组内学生/博后数量
• 组内研究氛围
• 近年发文周期（平均多久发一篇顶会）
• 组内学生发文数量

e) 导师风格

• 指导风格（放养/严格/合作型）
• 对学生的要求
• 是否支持学生参加学术会议
• 学生评价（RateMyProfessor 等）

f) 匹配度分析 基于用户的个人材料，分析：

• 研究方向匹配度（1-10 分）
• 技能匹配度（1-10 分）
• 申请成功率评估
• 建议的切入点

g) 申请建议

• 该教授是否在招生
• 最佳联系时间
• 邮件中应重点强调的内容
• 需要避免的事项

调研方法优先级：

1. Semantic Scholar API → 精确的发表数据（h-index、引用数、论文列表）
2. 教授个人主页 → 最权威
3. Google Scholar → 发表数据
4. 学院官网 → 招生信息
5. RateMyProfessor → 学生评价
6. OpenReview → 审稿风格

2.3 保存调研结果

每位教授的调研结果保存为 .outreach/schools/{School}_{Dept}/{Prof_Name}/research.md（项目级）

阶段 3: 生成可视化报告

当用户说 "生成报告" 时：

1. 读取所有教授的 research.md
2. 生成 HTML 报告：
   • 学院索引页 report.html / index.html
   • 每位教授独立长文页 {Prof_Name}/report.html
   • 外置 assets/style.css
   • 浮动目录、callout、keynum、长文分层阅读
   • 搜索/导航卡片入口
3. 保存为 .outreach/schools/{School}_{Dept}/report.html，并同步生成每位教授独立页
4. 告知用户报告路径，可直接在浏览器打开

阶段 4: 生成邮件

当用户说 "生成邮件" 时：

1. 读取教授调研报告（research.md）
2. 读取用户个人材料（profiles/）
3. 基于匹配度分析，生成个性化邮件：
   • 标题格式：Prospective PhD Student - [姓名] - [研究方向]
   • 正文 200-300 词
   • 提及教授具体研究（引用论文/项目）
   • 突出用户最相关的经历
   • 语气专业真诚
4. 保存为 .outreach/schools/{School}_{Dept}/{Prof_Name}/email_draft.md
5. 展示邮件草稿供用户审核

输出格式规范

调研报告格式

# {教授姓名} 调研报告

## 1. 基本信息
- 全名：
- 职称：
- 所属实验室：
- 研究方向：
- 联系方式：

## 2. 发表统计
- 总发表论文数：
- h-index：
- 近 5 年发文：
  - 2024: X 篇
  - 2023: X 篇
  - ...
- CCF-A 会议（LLM 方向）：
  - 2024: NeurIPS x2, ICML x1
  - ...
- 代表性论文：
  1. [标题] - [会议/期刊], [年份]
  2. ...

## 3. 学生去向
- 毕业生 A → [公司/学校]
- 毕业生 B → [公司/学校]
- 平均毕业年限：X 年

## 4. 研究组分析
- 组内人数：
- 发文周期：
- 研究氛围：

## 5. 导师风格
- 指导风格：
- 学生评价：

## 6. 匹配度分析
- 研究方向匹配：X/10
- 技能匹配：X/10
- 申请成功率：
- 建议切入点：

## 7. 申请建议
- 是否招生：
- 最佳联系时间：
- 邮件重点：

邮件格式

SUBJECT: Prospective PhD Student - [姓名] - [研究方向]

Dear Professor [姓名],

[第一段：提及教授的具体研究，说明为什么感兴趣]

[第二段：介绍你的相关经历和技能]

[第三段：说明研究计划如何与教授方向契合]

[第四段：询问招生名额，表达期待]

Best regards,
[姓名]
[学校/专业]
[邮箱]

工具脚本

使用 scripts/pipeline.py 进行批量处理：

# 解析材料
python scripts/pipeline.py --path . setup

# 全量扫描学院教授
python scripts/pipeline.py --path . scan --school MIT --dept CS

# 深度调研高匹配教授
python scripts/pipeline.py --path . research --school MIT --dept CS

# 生成报告
python scripts/pipeline.py --path . report --school MIT --dept CS

# 生成邮件
python scripts/pipeline.py --path . email --school MIT --dept CS --all --dry-run

# 全流程
python scripts/pipeline.py --path . full --school MIT --dept CS --dry-run

注意事项

1. 隐私保护：用户的 CV、成绩等个人信息仅用于邮件生成，不对外分享
2. 频率控制：批量调研时每请求间隔 3-5 秒，避免被封
3. 数据准确性：调研数据来自公开来源，标注信息来源和置信度
4. 缓存利用：已调研的教授不会重复调研，除非用户要求更新

用户交互指令

邮件功能

邮箱配置

首次使用时检查并配置邮箱：

# 检查是否已配置
python scripts/email_setup.py --check

# 配置邮箱（支持多种邮箱）
python scripts/email_setup.py --email your_name@gmail.com --password your_password --name "Your Name"

# 使用预设配置
python scripts/email_setup.py --email your_name@stu.pku.edu.cn --password your_password --preset pku

# 测试邮箱连接
python scripts/email_setup.py --test

# 查看当前配置
python scripts/email_setup.py --info

支持的邮箱预设：

• pku - 北京大学邮箱
• tsinghua - 清华大学邮箱
• gmail - Gmail
• outlook - Outlook/Hotmail
• qq - QQ邮箱
• 163 - 163邮箱
• custom - 自定义服务器

配置保存在 ~/.outreach/email_config.json，配置一次后永久有效。

发送邮件

# 发送单封邮件
python scripts/email_send.py --path . --to professor@university.edu --subject "Subject" --body "Body"

# 试运行
python scripts/email_send.py --path . --to professor@university.edu --subject "Subject" --body "Body" --dry-run

# 批量发送
python scripts/email_batch.py --path . --csv professors.csv --delay 30

邮件日志

所有发送记录保存在 .outreach/logs/ 目录（项目级），格式：

---
Time: 2024-01-15T10:30:00
To: professor@university.edu
Subject: Prospective PhD Student - ...
Status: SUCCESS
Detail: 发送成功