智能研究查找技能（research-lookup）：自动路由学术与通用研究的实时信息查找技能
核心结论速览
- 一个技能、两条后端：research-lookup 内置 Parallel Chat API（
core模型）与 Perplexity sonar-pro-search 两条检索链路，按查询内容自动路由，一般研究走前者，学术论文检索走后者。 - 不用手动选工具：技能会检测「论文、DOI、期刊、同行评审、预印本、系统综述」等学术关键词，命中即切换学术搜索模式，未命中则走综合研究报告。
- 结果强制留痕：所有研究结果必须写入项目的
sources/目录，保留来源 URL、DOI 与引用元数据，可复查、可复用、可审计。 - 面向科研与技术写作：支持文献验证、背景研究、引用来源收集、市场与行业数据检索，并可配合科学示意图技能生成出版物级图表。
- 门槛在密钥与脚本：需要配置 Parallel 与 OpenRouter 的 API 密钥，通过 Python 脚本命令行调用，具体安装入口与资费以官方说明为准。
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
- 中文名：智能研究查找技能（智能研究查找）
- 英文名：research-lookup
- 技能 ID：13054
它解决什么问题？
做研究最耗时的往往不是「写」，而是「找」和「核对」：找最新论文要翻好几个数据库，核对一个数据要开十几个网页，写文献综述时引用格式还对不上。research-lookup 把这件事收敛成一个命令行动作——你提一个自然语言问题，它自动判断该去学术库还是综合网络，返回带来源引用（URL、DOI、日期）的 Markdown 研究报告，并强制把结果存进项目 sources/ 文件夹。下次写文档需要同一份证据时，直接读文件，不必重复花钱调 API。
「一键安装」的思路与步骤
AI 技能的一键安装，本质是「技能市场装包 + 本地配密钥 + 跑一条命令验证」三步。具体命令与入口以官方说明为准，以下为通用流程：
- 准备前提环境：具备可用的 Python 运行环境（脚本名为
research_lookup.py），并已配置 Python 包openai（Parallel Chat API 兼容 OpenAI SDK）。 - 安装技能本体：在技能市场或技能库中按技能 ID 13054 或英文名 research-lookup 检索并安装；若你的平台支持命令行安装，按其官方给出的安装指令执行，以官方说明为准。
- 配置后端密钥（这是能不能跑通的关键）：
# 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，经 OpenRouter）—— 学术查询必需 export OPENROUTER_API_KEY="您的 openrouter_api_key" - 跑一条验证查询：执行一次带
-o输出参数的查询，确认脚本能返回内容并落盘：python research_lookup.py "2025年CRISPR基因编辑的最新进展" \ -o sources/research_20250217_143000_crispr_advances.md - 确认生效：执行
ls sources/能看到刚生成的文件，且文件内包含「来源」列表（标题、日期、URL）与「附加参考」（DOI、学术链接），即说明安装与密钥配置均正常。
一个常被忽略的细节：技能文档明确要求，每次调用 research_lookup.py 都必须带上指向 sources/ 的 -o 参数。这不是可选优化，而是硬性规范——研究结果的获取成本高，落盘才能保证可重复性。
2. 该技能的主要功能和特点
- 智能双后端自动路由：查询进来后先做关键词判定。命中「查找论文、引用、citation、doi、pubmed、pmid、同行评审、期刊文章、arxiv、预印本、系统综述、荟萃分析、基础论文、开创性论文、高被引」等学术词，走 Perplexity sonar-pro-search 的学术搜索模式；其余全部（一般研究、市场行业分析、技术文档、时事、对比分析、统计数据）走 Parallel Chat API 的
core模型。 - 两种输出风格的实质差异：Parallel 返回的是带内联引用的综合研究报告，结构化分节、多视角数据点、附来源 URL，适合写报告和做背景调研；Perplexity 返回的是 5–8 篇高质量文献的精选清单，含作者、标题、期刊、年份、DOI、引用次数与场所层级，适合做文献综述和引用管理。
- 手动覆盖能力：自动路由判断不合适时，可用
--force-backend parallel或--force-backend perplexity强制指定后端，兼顾自动化与可控性。 - 论文质量优先机制：检索论文时按引用阈值与发表场所分层排序，0–3 年 20+ 引用算「值得注意」、100+ 算「高度有影响力」，3–7 年 100+ 算「显著」、500+ 算「里程碑」，7 年以上 500+ 为「开创性」、1000+ 为「基础性」；场所上优先 Nature、Science、Cell、PNAS、NEJM、Lancet、JAMA、BMJ 以及 NeurIPS、ICML、ICLR、ACL、CVPR 等顶级会议。
- 强制结果归档：不同后端对应不同命名规范——通用研究存
sources/research_<主题>.md，学术检索存sources/papers_<主题>.md，批量查询存sources/batch_research_<主题>.md，文件名带YYYYMMDD_HHMMSS时间戳。 - 三种输出形态：默认文本含「来源」与「附加参考」两段引用信息；
--json输出完整引用对象（url、title、date、snippet、doi、type），便于程序化解析与生成 BibTeX；--batch支持一次提交多条查询。 - 与其他技能互补：一般网页搜索交给
parallel-web技能，Google Scholar 与 PubMed 检索、DOI 转 BibTeX 交给citation-management技能，research-lookup 专注「深度研究 + 学术论文检索」这一段。 - 可选的视觉增强：文档缺少图表时，可调用科学示意图技能生成出版物级图示，命令形如
python scripts/generate_schematic.py "您的图表描述" -o figures/output.png。 - 失败有回退：所选后端密钥缺失时自动尝试另一后端；两个后端都失败则返回结构化错误响应；首轮结果不理想时可改写查询重试。
和普通搜索工具比强在哪？ 普通搜索给你一堆链接，你需要自己开页面、读内容、辨真伪、抄引用；research-lookup 直接给你一份已整合、已标注来源的研究文本，并把引用元数据完整留在项目目录里。对需要「可追溯证据链」的科研与技术写作场景，这是本质差别。
3. 如何使用该技能？
第 1 步：明确查询类型，让路由替你工作
不需要手动指定后端，把问题问清楚即可。学术型问法会自然命中关键词表：
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
一般研究型问法则路由到综合研究报告：
python research_lookup.py "2025年全球医疗保健AI采用统计数据" \
-o sources/research_20250217_144000_healthcare_ai.md
第 2 步：需要精确控制时手动指定后端
# 强制综合深度研究
python research_lookup.py "AI监管格局" --force-backend parallel \
-o sources/research_20250217_144000_ai_regulation.md
# 强制学术论文搜索
python research_lookup.py "非小细胞肺癌免疫疗法的系统综述" --force-backend perplexity \
-o sources/papers_20250217_144500_nsclc_immunotherapy.md
第 3 步：需要引用元数据时切 JSON 输出
python research_lookup.py "CRISPR临床试验" --json \
-o sources/research_20250217_143000_crispr_trials.json
适用情形：要以编程方式解析引用、要为生成 BibTeX 保留完整 DOI 与 URL、要做结构化交叉引用。
第 4 步：批量处理一组子问题
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
第 5 步：先查 sources/，再决定是否发起新查询
ls sources/
如果已有同主题结果，直接重读文件而不是再次调用 API。这既是成本控制手段，也是上下文被压缩后的恢复路径。
第 6 步：记录日志
技能文档要求保存结果时同步记录，例如：
[14:30:00] 保存：研究查找到sources/research_20250217_143000_crispr_advances.md (3,800字，8引用)
[14:35:00] 保存：论文搜索到sources/papers_20250217_143500_transformer_attention.md (找到6篇论文)
输入输出示例对照
| 输入查询 | 路由后端 | 输出特征 |
|---|---|---|
| 「2025年Transformer注意力机制的最新进展」 | Parallel（core 模型） | 带权威来源引用的综合报告，覆盖近期论文、关键创新与性能基准 |
| 「查找临床试验中CRISPR脱靶效应的论文」 | Perplexity 学术模式 | 5–8 篇高影响力论文精选，含完整引用、DOI、引用次数与场所层级 |
| 「比较mRNA疫苗与传统疫苗用于癌症治疗」 | Parallel | 多来源数据的对比分析报告，附引用证据 |
| 「2025年全球医疗保健AI采用统计数据」 | Parallel | 市场数据、采用率、增长预测与区域分析，附来源引用 |
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 |
|---|---|---|---|---|---|
| research-lookup（本技能） | 双后端自动路由的研究检索技能 | 综合研究报告 + 学术论文检索、自动路由、强制归档、JSON 引用元数据 | 需 Python 环境与两套 API 密钥；命令行调用 | 文献综述、事实核验、市场数据、技术文档调研 | 优势：路由自动化、引用可追溯、结果落盘可复用；不足：复杂查询最长约 5 分钟，密钥缺失需回退，具体资费以官方说明为准 |
| parallel-web 技能 | 通用网页搜索与内容抽取 | 网页搜索（parallel_web.py search）、URL 内容抽取（parallel_web.py extract）、元数据验证 |
与 Parallel 同一套密钥体系 | 快速事实核对、抽取指定网页正文、验证元数据 | 优势：轻量、响应快；不足：不做学术数据库优先检索，深度研究报告能力弱于 research-lookup |
| citation-management 技能 | 引文与文献库管理 | Google Scholar 搜索、PubMed 搜索、DOI 转 BibTeX、引文格式管理 | 需按官方说明配置 | 论文写作后的引用格式化、批量文献整理 | 优势：引用格式专业、可直接产出 BibTeX；不足：不负责生成研究报告，检索范围偏学术库 |
| 通用大模型联网搜索 | 通用对话式检索 | 联网问答、网页摘要 | 门槛最低，网页端即可用 | 日常查资料、快速了解概念 | 优势：零配置、上手快；不足：引用常不完整、来源不可追溯、无法保证高质量论文优先，也不便落地成项目文件 |
如何取舍：只查一个网页事实，用通用联网搜索或 parallel-web 最快；要写综述、要交付可审计的证据链，用 research-lookup；拿到文献后要排引用格式，再交给 citation-management。三者是流水线关系，而不是互相替代。
5. 该技能的典型应用场景与实际体验情况
场景一：科研人员的文献综述准备
角色是高校课题组的研究生或博后，痛点是开题阶段要在几十篇论文里筛出真正有影响力的工作。使用方式是直接用学术问法提问，例如「量子纠错的基础论文」，让技能路由到 Perplexity 学术模式，拿到 5–8 篇带 DOI 与引用次数的精选文献，再用 --json 保存完整元数据，为后续生成参考文献条目做准备。实际体验：能快速建立领域文献脉络，引用字段齐全省去反复核对；注意信息存在截止时间，付费墙后的全文无法直接访问。
场景二：技术作者的协议与方法学核查
角色是写实验方法章节的科研写作者。痛点是要确认某项方法当前的标准表述，例如「蛋白质检测的Western blot协议」「临床试验的统计功效分析」。这类问题不含学术检索关键词，会被自动路由到 Parallel，返回多来源交叉的综合报告。实际体验：多视角对照能有效减少单一来源偏差；建议把每次结论都落到 sources/，后文多个章节可直接复用同一份证据，避免重复调用。
场景三：市场与行业数据调研 角色是行研分析师或技术选型负责人。痛点是统计口径混乱、数据年份不明。用「全球AI市场规模和增长预测」「2025年美国人口糖尿病患病率」这类查询，走 Parallel 后端拿到带来源 URL 的数据与预测。实际体验：报告结构清晰、有内联引用便于回查；但复杂多源合成查询可能需要几十秒到数分钟，建议一次提交多个子问题走批量模式，用时间换吞吐。
场景四：科学写作与图表配套
角色是准备投稿的研究者。流程是先做背景研究，把文献证据存入 sources/，再对图表缺失的文档调用科学示意图技能生成出版物级图示。实际体验：两个技能的衔接是自然语言描述即可驱动，门槛低；但图表描述越具体、生成质量越稳定，建议先说清坐标轴、分组与标注。
整体上手评价：安装配置阶段（密钥与输出路径）是最容易出错的环节，跑通第一条带 -o 的查询后就基本顺畅；效果层面，学术检索的结构化程度明显高于通用搜索；注意事项集中在三处——必须带 -o 保存、先查 sources/ 再发起新查询、不要在查询里混用学术与非学术意图。
6. 该技能能为用户带来的价值
效率层面：把「开十几个标签页 → 读 → 抄 → 核引用」压缩为一条命令，文献检索的往返次数从数十次降到个位数。批量模式让多个子问题一次提交，学术后端 5–15 秒响应，综合研究报告虽然可能需要 60 秒到 5 分钟，但换来的是已整合、已标注来源的成稿级文本。
门槛层面：使用者不再需要掌握各学术数据库的检索语法，也不必判断该用哪个搜索源——学术关键词检测与自动路由把这个判断内建进技能。对非信息专业的研究者，这是实实在在的能力补齐。
质量层面：引用阈值分层与场所层级排序，把「找到论文」升级为「找到值得引用的论文」；来源 URL 与 DOI 完整保留，让每一条结论都可回查。
长期价值：sources/ 目录沉淀的是项目级研究资产。它同时承担四重角色——可重复性的证据库、上下文被压缩后的恢复入口、研究过程的审计轨迹、以及同行评审时的可验证材料。配合「先查 sources 再查 API」的习惯，长期可显著降低重复检索的调用成本。
协作层面：标准的文件命名规范（后端类型 + 时间戳 + 主题）让多人协作时能一眼识别研究来源与时间先后，减少沟通摩擦。
7. 常见问题 FAQ
Q1：这个技能怎么安装？装完怎么确认能用？
按技能 ID 13054 或英文名 research-lookup 在技能市场检索安装（具体入口与命令以官方说明为准），然后配置 PARALLEL_API_KEY 与 OPENROUTER_API_KEY 两个环境变量，并确保 Python 环境已安装 openai 包。验证方式是跑一条带 -o 参数的查询，用 ls sources/ 确认文件已生成且内含「来源」与「附加参考」两部分。
Q2：用这个技能收费吗？
技能本身是检索调度层，实际检索由 Parallel Chat API 与 Perplexity（经 OpenRouter）承担，费用取决于这两个后端服务的计费规则，具体价格与额度以官方说明为准。降低成本的实用做法有两个：学术问题不要用批量模式硬刷，以及在发起新查询前先用 ls sources/ 检查是否已有同主题结果。
Q3：它和直接问大模型有什么区别？
区别在三点：一是分源——学术问题优先学术数据库与同行评审来源，不被通用网页内容稀释；二是可追溯——输出保留 URL、DOI、日期与引用对象，能回查；三是可沉淀——结果强制落地到项目 sources/ 目录，成为可复用的研究资产，而对话式搜索的答案通常停留在聊天窗口里。
Q4：为什么我保存的文件里没有引用？
请检查是否漏了 -o 参数。默认文本输出本身包含「来源（标题、日期、URL）」与「附加参考（DOI、学术 URL）」两部分；若需要字段级最全的引用元数据（url、title、date、snippet、doi、type），改用 --json 输出。
Q5：适合谁用？和 parallel-web、citation-management 怎么搭配？ 适合科研人员、技术写作者、行研分析师以及任何需要「带出处的研究结论」的开发者。搭配方式是流水线：研究检索与深度研究用 research-lookup，零散的网页搜索与 URL 抽取用 parallel-web，Google Scholar、PubMed 检索和 DOI 转 BibTeX 用 citation-management。三者各管一段，不重叠。
Q6：查询很慢或者返回结果不理想怎么办？
慢多半是走了 Parallel 的 core 模型做复杂多源合成，官方说明复杂查询可能需要长达 5 分钟，属正常范围。结果不理想时，技能文档建议的处理方式是重新表述查询；也可以先用 --force-backend 强制切换后端验证是路由问题还是查询表述问题。若两个后端都失败，会返回结构化错误响应，可据此排查密钥与网络。