⚡

研究查找技能Skill research-lookup

这个技能是一个智能研究信息查找工具，通过自动后端路由（Parallel Chat API 和 Perplexity sonar-pro-search）提供实时研究信息、学术论文搜索、市场数据分析等功能。适用于查找论文、收集研究数据、验证科学信息、支持科学写作、获取技术文档和市场趋势。关键词：研究查找、学术论文搜索、AI研究工具、文献检索、市场数据分析、科学信息验证、实时研究数据。

文献检索 0 次安装 0 次浏览 更新于 3/22/2026

名称：研究查找 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。自动将查询路由到最佳后端。用于查找论文、收集研究数据、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

此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、多源研究报告，并附带内联引用。
  • Perplexity sonar-pro-search（通过 OpenRouter）：仅用于学术特定论文搜索，其中学术数据库访问至关重要。

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：收集科学写作的背景和支持证据
  • 引用来源：查找相关论文和研究以引用
  • 技术文档：查找规范、协议或方法论
  • 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效果

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。

如果您的文档不包含示意图或图表：

  • 使用 scientific-schematics 技能生成 AI 驱动的出版质量图表
  • 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

技能根据内容自动将查询路由到最佳后端：

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 进行学术重点搜索：

  • 论文查找：查找论文、查找文章、关于...的研究论文、已发表研究
  • 引用：引用、citation、doi、pubmed、pmid
  • 学术来源：同行评审、期刊文章、学术性、arxiv、预印本
  • 综述类型：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、高引用

其他所有内容（路由到 Parallel）

所有其他查询都转到 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，并附带引用。

查询示例：
- "2025 年 CRISPR 基因编辑的最新进展"
- "比较 mRNA 疫苗与传统疫苗在癌症治疗中的应用"
- "AI 在医疗行业采用的统计数据"
- "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的机制"

响应包括：

  • 全面的研究报告（markdown 格式）
  • 来自权威网络来源的内联引用
  • 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：
- "在 NeurIPS 2024 中查找关于 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：

  • 学术文献的关键发现摘要
  • 5-8 个高质量引用，包括作者、标题、期刊、年份、DOI
  • 引用计数和会议层级指标
  • 关键统计数据和方法论亮点
  • 研究空白和未来方向

3. 技术和方法论信息

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 年美国人口中糖尿病的患病率"
- "全球 AI 市场规模和增长预测"
- "按国家分的 COVID-19 疫苗接种率"

论文质量和流行度优先排序

关键：在搜索论文时，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 重要
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

会议质量层级

第 1 层 - 顶级会议（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

第 2 层 - 高影响力专业化（强烈偏好）：

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

第 3 层 - 受尊敬的专业化（相关时包含）：

  • 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 密钥"

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

API 规范

Parallel Chat API：

  • 端点：https://api.parallel.ai（OpenAI SDK 兼容）
  • 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：带有 URL、推理和置信水平的研究基础
  • 速率限制：300 次请求/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 Sources 文件夹

每次研究查找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_<简要主题>.md
Perplexity（学术） sources/papers_<主题>.md papers_YYYYMMDD_HHMMSS_<简要主题>.md
批量查询 sources/batch_<主题>.md batch_research_YYYYMMDD_HHMMSS_<简要主题>.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 DOI。 默认文本输出自动包括一个 Sources 部分（每个源有标题、日期、URL）和一个 Additional References 部分（从响应文本中提取的 DOI 和学术 URL）。为获得最大引用元数据，使用 --json。

# 一般研究 — 保存到 sources/（包括 Sources + Additional References 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 DOI 的论文引用）
python research_lookup.py "在 NeurIPS 2024 中查找关于 Transformer 注意力机制的论文" \
  -o sources/papers_20250217_143500_transformer_attention.md

# JSON 格式以获得最大引用元数据（带 URL、DOI、片段的完整引用对象）
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 监管环境" --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 疫苗有效性" "mRNA 疫苗安全性" \
  -o sources/batch_research_20250217_144500_mrna_vaccines.md

在保存文件中保留引用

每种输出格式以不同方式保留引用：

格式 包括的引用 何时使用
文本（默认） Sources (N): 部分，带 [标题] (日期) + URL + Additional References (N):，带 DOI 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 + Sources 列表（标题、URL）+ Additional References（DOI、学术 URL）。 对于 Perplexity 后端，保存的文件包括：学术摘要 + Sources 列表（标题、日期、URL、片段）+ Additional References（DOI、学术 URL）。

使用 --json 当您需要：

  • 以编程方式解析引用元数据
  • 为 BibTeX 生成保留完整的 DOI 和 URL 数据
  • 为交叉引用维护结构化的引用对象

为什么保存所有内容

  1. 可重复性：每个引用和声明都可以追溯到其原始研究源
  2. 上下文窗口恢复：如果上下文被压缩，可以重新读取保存的结果而无需重新查询
  3. 审计追踪：sources/ 文件夹记录了所有研究信息是如何收集的
  4. 跨部分重用：多个部分可以引用相同保存的研究而无需重复查询
  5. 成本效率：在进行新 API 调用前检查 sources/ 中的现有结果
  6. 同行评审支持：评审者可以验证每个引用背后的研究支持

在进行新查询前，先检查 Sources

在调用 research_lookup.py 之前，检查是否存在相关结果：

ls sources/  # 检查现有保存的结果

如果先前的查找覆盖相同主题，请重新读取保存的文件而不是进行新 API 调用。

日志

当保存研究结果时，始终记录：

[HH:MM:SS] 已保存：研究查找到 sources/research_20250217_143000_crispr_advances.md（3,800 字，8 个引用）
[HH:MM:SS] 已保存：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：

  1. 文献综述支持：收集引言和讨论的当前研究 — 保存到 sources/
  2. 方法验证：根据当前标准验证协议 — 保存到 sources/
  3. 结果情境化：与最近的类似研究比较发现 — 保存到 sources/
  4. 讨论增强：用最新证据支持论点 — 保存到 sources/
  5. 引用管理：提供正确格式的引用 — 保存到 sources/

补充工具

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）：复杂查询可能需要最多 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制的数据库

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，带有权威来源的引用，涵盖最近的论文、关键创新和性能基准。

示例 2：学术论文搜索（路由到 Perplexity）

查询：“查找关于 CRISPR 脱靶效应在临床试验中的论文”

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、DOI、引用计数和会议层级指标。

示例 3：比较分析（路由到 Parallel）

查询：“比较和对比 mRNA 疫苗与传统疫苗在癌症治疗中的应用”

后端：Parallel Chat API（core 模型）

响应：详细的比较报告，带有来自多个来源的数据、结构化分析和引用的证据。

示例 4：市场数据（路由到 Parallel）

查询：“2025 年全球 AI 在医疗行业采用的统计数据”

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）：任何主题的全面、多源研究
  • Perplexity sonar-pro-search：仅学术特定论文搜索
  • 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
  • 补充性：与 parallel-web 技能一起用于网络搜索和 URL 提取