技能使用指南

research-lookup（研究查找Skill）Skill 是什么？双后端自动路由的研究检索利器

研究查找Skill（research-lookup）能自动判断查询类型，一般研究走 Parallel 多源综合、学术论文走 Perplexity 学术搜索，输出带 DOI 的引用并强制归档到 sources/ 文件夹。本文详解安装前提、命令行用法、竞品对比与真实应用场景，帮你一次搭好可复现的研究工作流。

研究查找Skillresearch-lookup
8 个章节 约 19 分钟阅读 AI 智能生成

研究查找Skill：用一个入口自动路由到最合适的研究后端，让论文检索与资料调研一次到位

核心结论速览

  • 研究查找Skill（research-lookup，技能ID：13027） 是一个具备「智能后端路由」能力的实时研究信息查找技能，一般研究问题走 Parallel Chat API，学术论文类查询自动切到 Perplexity sonar-pro-search。
  • 它解决的核心痛点是：不同类型的资料需要不同的检索引擎——找论文要学术库，查市场数据要全网多源综合，过去只能靠人工在多个工具间来回切换。
  • 技能会根据关键词自动判断查询类型并路由，也支持用 --force-backend 手动指定后端，兼顾自动化与可控性。
  • 每一次查询结果都要求保存到项目的 sources/ 文件夹，保留引用、来源 URL 与 DOI，形成可追溯、可复用的研究审计链。
  • 它更像是「研究工作流的基础设施」：与科学写作、示意图生成、引用管理等技能配合，构成从检索到成稿的闭环。

1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？

基本信息

项目 内容
中文名 研究查找Skill
英文名 research-lookup
技能ID 13027
技能形态 面向智能体（Agent）的技能包，包含指令文档与命令行脚本 research_lookup.py
可用工具权限 读取、写入、编辑、Bash

它解决什么问题

传统研究资料查找有三个典型摩擦点：第一，工具割裂——查论文去学术搜索引擎，查行业数据去通用搜索，查技术协议又换一个地方；第二，质量不可控——搜出来的论文良莠不齐，缺乏对引用量和发表场所质量的分级判断；第三，结果不可追溯——查完就散落在聊天记录里，写报告时找不到原始出处，也无法复现。

研究查找Skill 把这三件事收进一个技能：自动选后端、按影响力优先筛论文、强制落地到 sources/ 文件夹。

一键安装的思路与步骤

技能详情中未给出具体的安装命令与技能市场入口，因此以下流程为通用思路，具体命令与入口请以官方说明为准：

  1. 确认安装前提：本技能依赖命令行脚本调用外部 API，需要具备可执行 Bash 的运行环境，并准备好两个密钥——PARALLEL_API_KEY（主后端必需）与 OPENROUTER_API_KEY（学术搜索必需）。
  2. 通过技能管理入口安装：在所用 AI 工具的技能市场或技能管理面板中，按技能名称「研究查找Skill」或技能ID「13027」检索并安装（具体安装命令以官方说明为准）。
  3. 配置环境变量：安装完成后，在运行环境中导出密钥，例如 export PARALLEL_API_KEY="你的密钥"、export OPENROUTER_API_KEY="你的密钥"；若主后端使用 OpenAI 兼容的 Chat API，还需确保 Python 环境已安装 openai 包。
  4. 验证是否生效：最直接的验证方式是跑一条测试查询并强制输出到 sources/，例如 python research_lookup.py "测试查询" -o sources/research_test.md，若能在终端看到研究报告并确认 sources/research_test.md 已生成，说明链路打通。也可以直接在对话中提出一个研究类问题，观察智能体是否自动调用该技能。

这种「一键安装」的价值在于：把后端选择、提示词工程、引用整理、文件归档这些重复劳动一次性封装掉，开发者与研究者只需要关心问什么，而不用关心怎么问、问哪个引擎。

2. 该技能的主要功能和特点

  • 智能后端自动路由：技能会检测查询中是否包含学术关键词（如 papers、DOI、journal、peer-reviewed、arxiv、systematic review、foundational papers 等），命中则路由到 Perplexity sonar-pro-search 的学术模式；其余一切查询（一般研究、市场数据、技术信息、比较分析、统计检索）走 Parallel Chat API 的 core 模型。
  • Parallel Chat API 多源综合研究：端点 https://api.parallel.ai，与 OpenAI SDK 兼容，输出带内联引用的 Markdown 研究报告，包含结构化章节、多个视角与数据点、可验证的来源 URL，速率限制为 300 次请求/分钟。
  • Perplexity 学术论文检索：通过 OpenRouter 调用 perplexity/sonar-pro-search，优先同行评审来源，输出 5–8 条高质量引用（含作者、标题、期刊、年份、DOI）、引用计数与场所层级指示。
  • 手动覆盖后端：支持 --force-backend parallel 与 --force-backend perplexity，在自动路由判断不符合预期时可强制指定。
  • 批量查询能力：支持 --batch 一次性提交多条查询，适合做对比研究或多子问题调研。
  • 结构化 JSON 输出：--json 输出完整引用对象（url、title、date、snippet、doi、type），便于后续程序化解析或生成 BibTeX。
  • 强制归档到 sources/：每次调用都必须带指向 sources/ 的 -o 参数，文件名遵循 research_YYYYMMDD_HHMMSS_<主题>.md、papers_...、batch_research_... 等模式，默认文本输出已包含 Sources 与 Additional References 两个引用区块。
  • 论文质量与场所分级：内置按「论文年限 + 引用量」的影响力分级（如 0–3 年 100+ 引用视为高度有影响力，7 年以上 1000+ 引用视为基础性工作）与场所质量三层梯队（Nature/Science/Cell/PNAS、NEJM/Lancet/JAMA/BMJ、NeurIPS/ICML/ICLR/ACL/CVPR 等为第一梯队）。
  • 与其他技能互补：一般网页搜索用 parallel-web 技能，DOI 转 BibTeX 与 Google Scholar、PubMed 检索用 citation-management 技能，本技能专注「深度研究与学术检索」这一层。

和普通工具的差别：普通搜索工具是「你问什么它搜什么」，而本技能是「你问什么，它先判断该由谁回答，再按学术质量标准筛选结果，最后把证据归档」。

3. 如何使用该技能？

步骤一：准备环境变量

export PARALLEL_API_KEY="你的 Parallel 密钥"
export OPENROUTER_API_KEY="你的 OpenRouter 密钥"

主后端（Parallel）为一般研究查询所必需，学术后端（Perplexity）为学术查询所必需。若某个后端的密钥缺失，技能会尝试另一个后端兜底。

步骤二：发起一次自动路由查询（推荐方式）

python research_lookup.py "Recent advances in CRISPR gene editing 2025" \
  -o sources/research_20250217_143000_crispr_advances.md

输入是一句自然语言研究问题，输出是一份带内联引用的 Markdown 研究报告，同时文件已落盘到 sources/。

步骤三：区分查询写法，让路由更准确

  • 想要学术论文：把学术意图写清楚，例如 Find papers on transformer attention mechanisms in NeurIPS 2024、Systematic review of immunotherapy in non-small cell lung cancer、Cite the original BERT paper and its most influential follow-ups。
  • 想要综合研究或市场数据：正常提问即可，例如 Compare mRNA vaccines vs traditional vaccines for cancer treatment、Global AI adoption in healthcare statistics 2025。

步骤四：需要时强制指定后端

python research_lookup.py "你的查询" --force-backend parallel -o sources/research_<主题>.md
python research_lookup.py "你的查询" --force-backend perplexity -o sources/papers_<主题>.md

步骤五：批量调研与结构化输出

python research_lookup.py --batch "mRNA vaccines efficacy" "mRNA vaccines safety" \
  -o sources/batch_research_20250217_144500_mrna_vaccines.md

python research_lookup.py "CRISPR clinical trials" --json \
  -o sources/research_20250217_143000_crispr_trials.json

需要程序化解析引用、生成 BibTeX 或做交叉引用时，优先使用 --json。

步骤六：查询前先查已有结果，避免重复花钱

ls sources/

如果先前的查询已覆盖同一主题，直接重读已保存文件，而不是再发一次 API 调用。

步骤七：补充可视化（可选）

技能详情明确建议：创建文档时若缺少图表，可用 scientific-schematics 技能生成出版级示意图，例如 python scripts/generate_schematic.py "你的示意图描述" -o figures/output.png。

输出说明：文本格式默认包含 Sources (N)（标题、日期、URL）与 Additional References (N)（DOI 与学术 URL）；每次保存建议记录一行日志，如 [14:30:00] SAVED: Research lookup to sources/... (3,800 words, 8 citations)。

4. 同类型竞品对比分析

方案名称 定位 核心功能 安装/使用门槛 适用场景 优势与不足
研究查找Skill（research-lookup） 智能体内的双后端研究检索技能 自动路由、多源综合报告、学术论文检索、批量查询、JSON 引用输出、强制归档 sources/ 需配置两个 API 密钥与可执行 Bash 的环境；安装入口以官方说明为准 文献综述、事实核验、技术文档调研、市场数据收集 优势：一个入口覆盖两类检索，引用与 DOI 可追溯，结果强制落盘可复现；不足：Parallel 复杂查询可能长达 5 分钟，无法访问付费墙全文与专有数据库
Perplexity（网页端/原生使用） 通用 AI 搜索产品 联网问答、来源引用 无需配置密钥，注册即用 快速事实查询、日常资料浏览 优势：上手零门槛；不足：无学术/一般查询的自动分流，不产出结构化引用对象，结果不自动归档到项目目录
Google Scholar / PubMed 手动检索 传统学术检索库 关键词检索、引用计数、筛选 免费使用，但需人工构造检索式与筛选 严谨的文献检索、系统综述 优势：学术权威性强、可精确控制检索式；不足：需人工阅读与整理引用，无法生成综合研究报告，跨领域非学术数据覆盖弱
通用大模型内置联网搜索 对话式联网搜索 网页搜索摘要 随对话即用 轻量信息补充 优势：零成本零配置；不足：学术关键词与一般问题无差异化后端，引用质量与 DOI 完整性不稳定，缺乏归档与审计能力

从对比可以看出，研究查找Skill 的差异化不在「能不能搜」，而在路由策略、质量分级和证据归档这三层工程化能力上。

5. 该技能的典型应用场景与实际体验情况

场景一：科研人员撰写文献综述

角色为高校研究者或研究生，痛点是开题阶段要在几十篇论文中筛出真正有影响力的工作。使用方式是直接用学术化表述提问，如 Foundational papers on quantum error correction，技能路由到 Perplexity 学术模式，返回 5–8 条带 DOI、引用计数与场所层级的高质量引用。实际体验：上手难度低，只要把「找论文」的意图写清楚就能命中路由；效果上引用元数据完整，可直接粘进参考文献；注意事项是学术后端响应约 5–15 秒较快，但仍可能拿不到付费墙后的全文。

场景二：技术团队调研技术方案与协议

角色为算法工程师或技术文档撰写者，痛点是要确认某个方法的当前最佳实践与协议细节。提问如 Western blot protocol for protein detection 或 Machine learning model evaluation metrics comparison，走 Parallel 后端获得多源综合报告。实际体验：报告结构清晰、带内联引用，可直接转成内部技术文档；注意事项是复杂多源合成可能耗时 1–5 分钟，建议用批量模式一次性提交多个子问题，避免来回等待。

场景三：市场与行业数据收集

角色为产品经理、投资分析或战略岗，痛点是需要带来源的统计数据和趋势判断，而不是拍脑袋结论。提问如 Global renewable energy market trends and projections、AI adoption in healthcare industry statistics，返回当前统计、采用率与区域分析并附来源 URL。实际体验：来源可点开核验这点非常关键，显著降低了「AI 编数据」的风险；注意事项是数据类问题对时效敏感，应在问题中显式写明年份。

场景四：科学写作与引用管理闭环

角色为论文作者，痛点是从检索到成稿之间引用要反复搬运。使用方式是把每次查询结果保存到 sources/，写作时引用同一份文件，需要 BibTeX 时用 --json 保留完整 DOI 与 URL，缺图时用 scientific-schematics 补示意图。实际体验：sources/ 强制归档是整个技能最被低估的设计，上下文被压缩后可重读文件而无需重新查询，既省成本又保可复现；注意事项是必须遵守 -o 参数与文件命名规范，否则归档链会断。

6. 该技能能为用户带来的价值

效率层面：把「选择引擎—构造检索—筛选论文—整理引用—归档文件」五个步骤压缩为一条命令。批量查询 --batch 支持一次提交多条问题，配合 sources/ 的「先查后搜」原则，可以显著减少重复 API 调用。

质量层面：内置的引用量分级与场所质量梯队，让「找论文」从关键词匹配升级为影响力优先排序，避免把低影响力来源当成权威依据。

门槛层面：使用者不需要了解 Parallel 与 Perplexity 各自的 API 差异、请求格式与参数，只需用自然语言提问；需要精细控制时再用 --force-backend 介入，形成「默认智能、随时可控」的体验。

可量化收益：单次查询可产出数条至 8 条带 DOI 的引用；保存文件同时保留 Sources 与 Additional References 两个引用区块；300 次/分钟的速率上限足以支撑中等规模的批量调研。

长期价值：sources/ 文件夹本身就是一份研究审计跟踪记录——每个主张都能回溯到原始来源，同行评审、团队交接、项目复盘时都可验证。对于需要长期维护的知识型项目，这种「研究资产化」的价值远高于单次检索的速度提升。

7. 常见问题 FAQ

Q1：这个技能怎么安装？有没有确切的一键安装命令？

技能详情中未提供具体安装命令与入口，请以官方说明为准。通用路径是：在所用 AI 工具的技能市场中按名称「研究查找Skill」或技能ID「13027」检索安装，然后配置 PARALLEL_API_KEY 与 OPENROUTER_API_KEY 两个环境变量，最后用一条测试查询验证 sources/ 下是否生成文件。

Q2：使用它需要付费吗？

技能本身封装的是两个第三方 API 后端：Parallel Chat API 与通过 OpenRouter 调用的 Perplexity sonar-pro-search。是否产生费用取决于这两个服务的计费政策，具体价格以官方说明为准。建议先用小规模查询验证效果，再决定是否批量使用。

Q3：两个后端必须都配置吗？只配一个能用吗？

不是必须全配。主后端 Parallel 用于所有一般研究查询，学术后端 Perplexity 用于学术论文检索。技能具备兜底行为：若选定后端的密钥缺失，会尝试另一个后端。但如果你经常做文献检索，建议两个都配置，否则学术查询会退化为通用检索，失去同行评审来源优先的优势。

Q4：这个技能适合谁用？

最适合三类人：需要做文献综述与事实核验的科研人员和研究生；需要调研技术协议、方法论与规格的工程师与技术写作者；需要带来源的行业数据与竞争情报的分析岗。如果只是偶尔查一条常识性信息，用普通联网搜索更划算。

Q5：它和直接用 Perplexity、Google Scholar 有什么区别，该怎么选？

如果你需要精确控制检索式、只信学术库结果，Google Scholar 与 PubMed 仍然不可替代；如果你想快速问答、不想配置任何密钥，直接用 Perplexity 更方便。而当你需要「一次提问自动选对引擎 + 按影响力筛论文 + 输出带 DOI 的结构化引用 + 自动归档可复现」时，选研究查找Skill。三者并不冲突——技能详情本身也建议把 citation-management、parallel-web 等技能作为补充工具搭配使用。