名称: research-lookup 描述: “使用Parallel Chat API（主要）或Perplexity sonar-pro-search（学术论文搜索）查找当前研究信息。自动路由查询到最佳后端。用于查找论文、收集研究数据和验证科学信息。” 允许工具: [读取, 写入, 编辑, Bash]

研究信息查找

概述

这个技能提供实时研究信息查找，具有智能后端路由：

Parallel Chat API (core 模型)：所有一般研究查询的默认后端。通过OpenAI兼容的Chat API在https://api.parallel.ai提供全面的、多源的研究报告，带有内联引用。
Perplexity sonar-pro-search (通过OpenRouter)：仅用于学术特定的论文搜索，其中学术数据库访问至关重要。

该技能自动检测查询类型并路由到最佳后端。

何时使用此技能

当您需要时使用此技能：

当前研究信息：最新研究、论文和发现
文献验证：根据当前研究检查事实、统计数据或声明
背景研究：为科学写作收集上下文和支持证据
引用来源：查找相关论文和研究以引用
技术文档：查找规范、协议或方法学
市场/行业数据：当前统计数据、趋势、竞争情报
最新发展：新兴趋势、突破、公告

通过科学示意图增强视觉传达

使用此技能创建文档时，始终考虑添加科学图表和示意图以增强视觉传达。

如果您的文档尚未包含示意图或图表：

使用科学示意图技能生成AI驱动的出版物质量图表
只需用自然语言描述您想要的图表

python scripts/generate_schematic.py "您的图表描述" -o figures/output.png

自动后端选择

该技能根据内容自动路由查询到最佳后端：

路由逻辑

查询到达
    |
    +-- 包含学术关键词？(论文、DOI、期刊、同行评审等)
    |       是 --> Perplexity sonar-pro-search (学术搜索模式)
    |
    +-- 其他所有内容 (一般研究、市场数据、技术信息、分析)
            --> Parallel Chat API (core模型)

学术关键词 (路由到Perplexity)

包含这些术语的查询被路由到Perplexity进行学术聚焦搜索：

论文查找：查找论文、查找文章、关于...的研究论文、已发表的研究
引用：引用、citation、doi、pubmed、pmid
学术来源：同行评审、期刊文章、学术的、arxiv、预印本
评论类型：系统综述、荟萃分析、文献搜索
论文质量：基础论文、开创性论文、里程碑论文、高被引

其他所有内容 (路由到Parallel)

所有其他查询转到Parallel Chat API (core模型)，包括：

一般研究问题
市场和行业分析
技术信息和文档
当前事件和最新发展
比较分析
统计数据检索
复杂分析查询

手动覆盖

您可以强制使用特定后端：

# 强制Parallel深度研究
python research_lookup.py "您的查询" --force-backend parallel

# 强制Perplexity学术搜索
python research_lookup.py "您的查询" --force-backend perplexity

核心能力

1. 一般研究查询 (Parallel Chat API)

默认后端。 通过Chat API (core模型)提供全面的、多源研究，带有引用。

查询示例：
- "2025年CRISPR基因编辑的最新进展"
- "比较mRNA疫苗与传统疫苗用于癌症治疗"
- "医疗保健行业AI采用统计数据"
- "全球可再生能源市场趋势和预测"
- "解释肠道微生物组与抑郁症的机制"

响应包括：

全面的研究报告，以markdown格式
来自权威网络源的内联引用
带有关键发现的结构化部分
多个视角和数据点
用于验证的源URL

2. 学术论文搜索 (Perplexity sonar-pro-search)

用于学术特定查询。 优先考虑学术数据库和同行评审来源。

查询示例：
- "查找NeurIPS 2024中关于Transformer注意力机制的论文"
- "量子纠错的基础论文"
- "非小细胞肺癌免疫疗法的系统综述"
- "引用原始BERT论文及其最有影响力的后续工作"
- "已发表的关于CRISPR脱靶效应在临床试验中的研究"

响应包括：

学术文献关键发现的摘要
5-8个高质量引用，包括作者、标题、期刊、年份、DOIs
引用次数和场所层级指示器
关键统计和方法学亮点
研究差距和未来方向

3. 技术和方法学信息

查询示例：
- "蛋白质检测的Western blot协议"
- "临床试验的统计功效分析"
- "机器学习模型评估指标比较"

4. 统计和市场数据

查询示例：
- "2025年美国人口糖尿病患病率"
- "全球AI市场规模和增长预测"
- "按国家划分的COVID-19疫苗接种率"

论文质量和流行度优先

关键：当搜索论文时，始终优先考虑高质量、有影响力的论文。

基于引用的排名

论文年龄	引用阈值	分类
0-3年	20+ 引用	值得注意
0-3年	100+ 引用	高度有影响力
3-7年	100+ 引用	显著
3-7年	500+ 引用	里程碑论文
7+年	500+ 引用	开创性工作
7+年	1000+ 引用	基础性

场所质量层级

层级 1 - 首要场所 (始终优先)：

一般科学：Nature、Science、Cell、PNAS
医学：NEJM、Lancet、JAMA、BMJ
领域特定：Nature Medicine、Nature Biotechnology、Nature Methods
顶级CS/AI：NeurIPS、ICML、ICLR、ACL、CVPR

层级 2 - 高影响力专业化 (强烈优先)：

影响因子 > 10 的期刊
子领域顶级会议 (EMNLP、NAACL、ECCV、MICCAI)

层级 3 - 受尊敬的专业化 (相关时包括)：

影响因子 5-10 的期刊

技术集成

环境变量

# 主要后端 (Parallel Chat API) - 必需
export PARALLEL_API_KEY="您的parallel_api_key"

# 学术搜索后端 (Perplexity) - 学术查询必需
export OPENROUTER_API_KEY="您的openrouter_api_key"

API规范

Parallel Chat API：

端点：https://api.parallel.ai (兼容OpenAI SDK)
模型：core (60秒-5分钟延迟，复杂多源合成)
输出：带有内联引用的Markdown文本
引用：研究基础，带有URL、推理和置信水平
速率限制：300 请求/分钟
Python包：openai

Perplexity sonar-pro-search：

模型：perplexity/sonar-pro-search (通过OpenRouter)
搜索模式：学术 (优先考虑同行评审来源)
搜索上下文：高 (全面研究)
响应时间：5-15秒

命令行使用

# 自动路由研究 (推荐) — 始终保存到sources/
python research_lookup.py "您的查询" -o sources/research_YYYYMMDD_HHMMSS_<主题>.md

# 强制特定后端 — 始终保存到sources/
python research_lookup.py "您的查询" --force-backend parallel -o sources/research_<主题>.md
python research_lookup.py "您的查询" --force-backend perplexity -o sources/papers_<主题>.md

# JSON输出 — 始终保存到sources/
python research_lookup.py "您的查询" --json -o sources/research_<主题>.json

# 批量查询 — 始终保存到sources/
python research_lookup.py --batch "查询1" "查询2" "查询3" -o sources/batch_research_<主题>.md

强制：将所有结果保存到源文件夹

每个research-lookup结果必须保存到项目的sources/文件夹。

这是不可协商的。研究结果获取成本高，对可重复性至关重要。

保存规则

后端	`-o` 标志目标	文件名模式
Parallel深度研究	`sources/research_<主题>.md`	`research_YYYYMMDD_HHMMSS_<简短主题>.md`
Perplexity (学术)	`sources/papers_<主题>.md`	`papers_YYYYMMDD_HHMMSS_<简短主题>.md`
批量查询	`sources/batch_<主题>.md`	`batch_research_YYYYMMDD_HHMMSS_<简短主题>.md`

如何保存

关键：每次调用research_lookup.py必须包括指向sources/文件夹的-o标志。

关键：保存的文件必须保留所有引用、源URL和DOIs。 默认文本输出自动包括来源部分 (每个源有标题、日期、URL) 和附加参考部分 (从响应文本中提取的DOIs和学术URL)。对于最大引用元数据，使用--json。

# 一般研究 — 保存到sources/ (包括来源 + 附加参考部分)
python research_lookup.py "2025年CRISPR基因编辑的最新进展" \
  -o sources/research_20250217_143000_crispr_advances.md

# 学术论文搜索 — 保存到sources/ (包括带有DOIs的论文引用)
python research_lookup.py "查找NeurIPS 2024中关于Transformer注意力机制的论文" \
  -o sources/papers_20250217_143500_transformer_attention.md

# JSON格式用于最大引用元数据 (完整引用对象，带有URL、DOIs、片段)
python research_lookup.py "CRISPR临床试验" --json \
  -o sources/research_20250217_143000_crispr_trials.json

# 强制后端 — 保存到sources/
python research_lookup.py "AI监管格局" --force-backend parallel \
  -o sources/research_20250217_144000_ai_regulation.md

# 批量查询 — 保存到sources/
python research_lookup.py --batch "mRNA疫苗效力" "mRNA疫苗安全性" \
  -o sources/batch_research_20250217_144500_mrna_vaccines.md

保存文件中的引用保留

每种输出格式以不同方式保留引用：

格式	包含的引用	何时使用
文本 (默认)	`来源 (N):` 部分，带有`[标题] (日期) + URL` + `附加参考 (N):` 带有DOIs和学术URL	标准使用 — 人类可读，带有所有引用
JSON (`--json`)	完整引用对象：`url`、`title`、`date`、`snippet`、`doi`、`type`	当您需要最大引用元数据时

对于Parallel后端，保存的文件包括：研究报告 + 来源列表 (标题、URL) + 附加参考 (DOIs、学术URL)。 对于Perplexity后端，保存的文件包括：学术摘要 + 来源列表 (标题、日期、URL、片段) + 附加参考 (DOIs、学术URL)。

使用--json当您需要时：

以编程方式解析引用元数据
保留完整DOI和URL数据用于BibTeX生成
维护结构化引用对象用于交叉引用

为什么保存一切

可重复性：每个引用和声明可以追溯到其原始研究源
上下文窗口恢复：如果上下文被压缩，保存的结果可以重新读取而无需重新查询
审计跟踪：sources/文件夹记录所有研究信息是如何收集的
跨部分重用：多个部分可以引用相同的保存研究，而无需重复查询
成本效率：在做出新的API调用之前检查sources/以获取现有结果
同行评审支持：审稿人可以验证每个引用的研究支持

在做出新查询之前，首先检查源

在调用research_lookup.py之前，检查是否已存在相关结果：

ls sources/  # 检查现有保存结果

如果先前的查找覆盖了相同主题，重新读取保存的文件而不是进行新的API调用。

日志记录

保存研究结果时，始终记录：

[HH:MM:SS] 保存：研究查找到sources/research_20250217_143000_crispr_advances.md (3,800字，8引用)
[HH:MM:SS] 保存：论文搜索到sources/papers_20250217_143500_transformer_attention.md (找到6篇论文)

与科学写作集成

此技能通过提供以下内容增强科学写作：

文献综述支持：为引言和讨论收集当前研究 — 保存到sources/
方法验证：根据当前标准验证协议 — 保存到sources/
结果语境化：将发现与近期类似研究比较 — 保存到sources/
讨论增强：用最新证据支持论点 — 保存到sources/
引用管理：提供正确格式的引用 — 保存到sources/

互补工具

任务	工具
一般网络搜索	`parallel-web` 技能 (`parallel_web.py search`)
引用验证	`parallel-web` 技能 (`parallel_web.py extract`)
深度研究 (任何主题)	`research-lookup` 或 `parallel-web` 技能
学术论文搜索	`research-lookup` (自动路由到Perplexity)
Google Scholar搜索	`citation-management` 技能
PubMed搜索	`citation-management` 技能
DOI到BibTeX	`citation-management` 技能
元数据验证	`parallel-web` 技能 (`parallel_web.py search` 或 `extract`)

错误处理和限制

已知限制：

Parallel Chat API (core模型)：复杂查询可能需要长达5分钟
Perplexity：信息截止，可能无法访问付费墙后的全文
两者：无法访问专有或受限数据库

回退行为：

如果所选后端的API密钥缺失，尝试其他后端
如果两个后端都失败，返回结构化错误响应
如果初始响应不足，重新表述查询以获得更好结果

使用示例

示例1：一般研究 (路由到Parallel)

查询：“2025年Transformer注意力机制的最新进展”

后端：Parallel Chat API (core模型)

响应：全面的markdown报告，带有来自权威源的引用，涵盖近期论文、关键创新和性能基准。

示例2：学术论文搜索 (路由到Perplexity)

查询：“查找临床试验中CRISPR脱靶效应的论文”

后端：Perplexity sonar-pro-search (学术模式)

响应：精选的5-8篇高影响力论文列表，带有完整引用、DOIs、引用次数和场所层级指示器。

示例3：比较分析 (路由到Parallel)

查询：“比较和对比mRNA疫苗与传统疫苗用于癌症治疗”

后端：Parallel Chat API (core模型)

响应：详细比较报告，带有来自多个源的数据、结构化分析和引用证据。

示例4：市场数据 (路由到Parallel)

查询：“2025年全球医疗保健AI采用统计数据”

后端：Parallel Chat API (core模型)

响应：当前市场数据、采用率、增长预测和区域分析，带有源引用。

总结

此技能作为主要研究接口，具有智能双后端路由：

Parallel Chat API (默认，core模型)：全面的、多源研究，适用于任何主题
Perplexity sonar-pro-search：仅用于学术特定论文搜索
自动路由：检测学术查询并适当路由
手动覆盖：需要时强制任何后端
互补：与parallel-web技能一起工作，用于网络搜索和URL提取