research-lookup（研究查找技能）Skill 能做什么？

研究查找技能Skill：自动路由双后端的实时研究与论文检索助手

一句话价值主张：把「查文献、找数据、验事实」这类高成本研究动作，封装成一条可以保存、可以追溯、可以复用的命令行调用。

核心结论速览：

双后端智能路由：一般研究问题自动走 Parallel Chat API（core 模型），学术论文类查询自动走 Perplexity sonar-pro-search，不需要人工判断该用哪个搜索源。
结果强制落盘：每一次查询结果都必须保存到项目的 sources/ 文件夹，保留来源 URL、DOI 与引用片段，保证可重复性与审计追踪。
引用质量有标准：内置按论文年龄与引用量划分的质量分层，以及顶级会议/期刊的优先级排序，避免召回一堆低影响力文献。
可自动化、可批处理：支持 --batch 批量查询、--json 结构化输出，方便接入写作、报告生成与引用管理流程。
需要自备密钥：使用前需配置对应平台的 API Key，具体申请方式与计费以官方说明为准。

该技能叫什么？如何一键安装 AI 技能提升开发效率？

技能中文名：研究查找技能Skill 技能英文名：research-lookup 技能ID：13081

它要解决的核心问题是「研究信息的获取成本」。在没有这类技能时，用户通常要在搜索引擎、学术数据库、通用大模型对话之间来回切换：用通用模型问市场数据，回答可能没有来源；用学术数据库找论文，又难以快速拿到结构化摘要与引用计数。研究查找技能Skill 把这些路径收敛成一个入口——用一条自然语言查询，由技能内部判断该走哪个后端，并输出带内联引用的 Markdown 研究报告或论文清单。

一键安装的思路与步骤

「一键安装」的价值不在于省下敲几条命令的时间，而在于把一整套研究能力（后端路由、引用保留、结果落盘规范）一次性装进你的工作环境，后续所有查询都自动遵循同一套规范。

确认安装前提：你的 AI 客户端或技能运行环境需要支持技能（Skill）机制，并具备 读取、写入、编辑、Bash 四类工具权限——这是本技能声明的允许工具范围，缺少 Bash 权限将无法执行 research_lookup.py 脚本。
在技能入口中安装：在技能市场/技能管理界面中，以技能 ID 13081 或英文名 research-lookup 定位该技能并安装。具体的搜索路径、安装按钮位置与命令，请以官方说明为准。

配置后端密钥：这是最关键的一步，两条后端各自需要独立密钥：

# 主要后端（Parallel Chat API）
export PARALLEL_API_KEY="你的 Parallel API 密钥"

# 学术搜索后端（Perplexity，经 OpenRouter）
export OPENROUTER_API_KEY="你的 OpenRouter API 密钥"

密钥的申请方式、额度与计费规则以各平台官方说明为准。

验证是否生效：执行一条最简单的查询，观察是否返回带引用的研究报告，并且是否成功写入 sources/：
```
python research_lookup.py "2025 年人工智能在医疗行业的采用趋势" \
  -o sources/research_20250101_000000_ai_healthcare.md
```
如果终端出现「已保存：研究查找到 sources/…」这类日志，且文件内包含 Sources 与 Additional References 段落，说明安装与配置均已生效；若提示密钥缺失，说明环境变量未正确注入当前会话。

该技能的主要功能和特点

智能后端路由（自动）：技能会检测查询中是否包含学术关键词——如「论文」「DOI」「期刊」「同行评审」「arxiv」「预印本」「系统综述」「荟萃分析」「高引用」等。命中则路由到 Perplexity sonar-pro-search 的学术搜索模式；其余所有查询（一般研究、市场分析、技术信息、统计数据、比较分析）默认路由到 Parallel Chat API 的 core 模型。
手动后端覆盖：当自动判断不符合预期时，可用 --force-backend parallel 或 --force-backend perplexity 强制指定，避免「路由错了只能重写问题」的窘境。
两类差异化的输出形态：Parallel 后端产出的是带内联引用、分章节的完整研究报告；Perplexity 后端产出的是 5-8 篇高质量文献清单，含作者、标题、期刊、年份、DOI、引用计数与会议层级指标，并附研究空白与未来方向。
强制结果落盘与引用保留：每次调用都必须带 -o 指向 sources/ 目录，文件名遵循 research_YYYYMMDD_HHMMSS_主题.md / papers_… / batch_research_… 等模式。文本输出自带 Sources 与 Additional References 两段，--json 则输出包含 url、title、date、snippet、doi、type 的完整引用对象。
批量与结构化输出：--batch 支持一次提交多条查询，--json 便于程序化解析、生成 BibTeX 或做交叉引用。
论文质量优先级标准：内置按「论文年龄 × 引用量」的排名表（例如 0-3 年 20+ 引用为「值得注意」、7 年以上 500+ 引用为「开创性工作」），以及三级会议/期刊质量层级（Nature/Science/Cell/PNAS、NEJM/Lancet/JAMA/BMJ、NeurIPS/ICML/ICLR/ACL/CVPR 为第一层）。
成本控制机制：查询前先 ls sources/ 检查是否已有同主题结果，命中则直接复用，避免重复调用付费 API。
优雅回退：所选后端密钥缺失时自动尝试另一后端；两者均失败则返回结构化错误响应，而不是静默失败。
与可视化技能联动：文档缺少图表时，可调用 scientific-schematics 技能生成出版级示意图，例如 python scripts/generate_schematic.py "你的图表描述" -o figures/output.png。

和普通搜索工具相比，它强在「不是给你一堆链接，而是给你一份已经按引用质量筛过、附来源、能存下来的研究材料」。

如何使用该技能？

第 1 步：准备环境变量。 按上一节配置 PARALLEL_API_KEY 与 OPENROUTER_API_KEY，并确认当前终端会话能读到。学术查询若缺少 OpenRouter 密钥，会影响论文检索质量。

第 2 步：先查已有结果，避免重复花钱。

ls sources/

第 3 步：发起一次自动路由查询。 这是最常用的调用方式，不需要你判断后端：

python research_lookup.py "全球可再生能源市场趋势和预测" \
  -o sources/research_20250217_143000_renewable_energy.md

因为查询里不含学术关键词，会走 Parallel 后端，返回一份带来源引用的多源研究报告。

第 4 步：发起学术论文查询。 关键词触发路由：

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

命中「论文」等关键词，走 Perplexity 学术模式，返回带 DOI 与引用计数的文献清单。

第 5 步：需要时手动指定后端。

python research_lookup.py "AI 监管环境" --force-backend parallel \
  -o sources/research_20250217_144000_ai_regulation.md

第 6 步：需要结构化引用元数据时输出 JSON。

python research_lookup.py "CRISPR 临床试验" --json \
  -o sources/research_20250217_143000_crispr_trials.json

适用于后续要自动生成参考文献列表、做 DOI 校验的场景。

第 7 步：批量查询多个相关子问题。

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

第 8 步：按规范记录日志。 保存后应留下类似记录：

[14:30:00] 已保存：研究查找到 sources/research_20250217_143000_renewable_energy.md（3,800 字，8 个引用）
[14:35:00] 已保存：论文搜索到 sources/papers_20250217_143500_transformer_attention.md（找到 6 篇论文）

输入输出说明：输入是自然语言问题（中文即可），输出是 Markdown 报告或 JSON。Parallel 的 core 模型对复杂多源综合查询可能需要 60 秒到 5 分钟；Perplexity 通常在 5-15 秒返回。

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
研究查找技能Skill（research-lookup）	带智能路由的研究信息中枢	双后端自动路由、强制覆盖、批量查询、JSON 引用对象、结果强制落盘 `sources/`	需技能环境 + Bash 权限 + 两套 API 密钥	文献综述、事实核验、市场数据、技术协议检索	优势：路由自动化、引用可追溯、结果可复用；不足：依赖第三方 API 额度，复杂查询延迟可达数分钟
通用大模型对话（自带联网搜索）	日常问答型检索	自然语言问答、简单联网摘要	门槛最低，开箱即用	快速了解概念、初步摸底	优势：上手零成本；不足：引用常不完整、无落盘规范、学术文献召回质量不稳定、无批量与结构化输出
学术数据库/学术搜索引擎（如 PubMed、Google Scholar 手动检索）	权威文献检索	精确检索式、引文网络、筛选器	需掌握检索语法与数据库使用经验	严谨的系统综述、需要精确定位某篇论文	优势：权威性与可检索性强；不足：不产出综述性总结，跨库整合与格式整理仍需人工，效率低
同族 parallel-web 技能	补充型网络检索与抽取工具	通用网络搜索、URL 内容抽取、元数据校验	同样需 Parallel 密钥	网页搜索、引用验证、元数据核对	优势：抽取精准、适合校验；不足：不负责学术论文定向检索与引用结构化，深度研究需与 research-lookup 配合

一句话选型建议：要「一份能存下来、能被审阅的研究材料」选 research-lookup；要「快速问一句」用通用对话；要「精确定位某篇论文」仍要回到学术数据库；要「核验某个链接或元数据」交给 parallel-web。

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起步。 痛点是方向刚定、不知道该读哪些论文，手动检索容易捡了低影响力文章。使用方式是用「关于…的系统综述」「某领域的开创性论文」这类含学术关键词的查询，让技能路由到 Perplexity 学术模式。实际体验：返回 5-8 篇带 DOI 与引用计数的文献，配合内置的引用分层表，能较快区分「值得一读」和「里程碑级」。注意：付费墙后的全文无法访问，仍需通过机构订阅获取原文。

场景二：技术团队查协议与规范。 痛点是技术文档分散、版本混乱，通用模型容易给出过时结论。使用方式是「蛋白质检测的 Western blot 协议」「临床试验的统计功效分析」这类技术方法论查询，走 Parallel 后端。实际体验：输出的报告带内联来源 URL，可以直接点回原文核对；由于结果被强制保存到 sources/，团队内多人都能复用同一份材料而不必各自重查。

场景三：行业研究与市场数据摸底。 痛点是统计数据时效性强，需要最新口径。使用方式是「2025 年全球 AI 市场规模和增长预测」这类查询，并加 --batch 一次跑多个子问题（如按地区、按细分行业）。实际体验：批量查询显著减少重复操作，但需要注意复杂综合查询可能需要几分钟，建议不要在紧急会议前临时发起。

场景四：科学写作与引用管理。 痛点是要为论点找证据、还要保证格式正确。使用方式是先研究查找，再以 --json 输出结构化引用对象，交给引用管理环节生成 BibTeX。实际体验：JSON 里保留 doi、url、snippet，追溯性强；遇到初始结果不理想时，重写查询比换后端更有效。

整体上手难度：中等偏低。真正的门槛不在技能本身，而在密钥配置与「坚持把结果存到 sources/」的纪律性——一旦跳过这一步，可重复性与成本控制的价值就大打折扣。

该技能能为用户带来的价值

效率上：把「判断用哪个搜索引擎 → 检索 → 筛选 → 整理引用」的四段式人工流程压缩为一条命令。原本需要半小时到一小时的多源检索与整理，通常可以缩短到几分钟到十几分钟（取决于后端与查询复杂度）。

门槛上：用户不需要掌握各学术数据库的检索语法，也不需要了解哪个模型擅长哪类信息——技能用关键词规则替你做了路由判断；同时提供了 --force-backend 兜底，让不确定的人也能低成本试错。

质量上：内置的引用阈值与会议层级标准，让「优先读高影响力文献」从个人经验变成可复用的规则，减少低质量文献的干扰。

长期价值：sources/ 目录实际上沉淀为团队的研究资产库——可重复性、审计追踪、上下文恢复、跨章节复用、成本节省、同行评审支持，这六点价值都会随着使用次数增加而累积；写得越多，这个目录越值钱。

常见问题 FAQ

Q1：怎么安装这个技能？需要准备什么？ 在技能管理入口中按技能 ID 13081 或英文名 research-lookup 定位并安装，具体入口与命令以官方说明为准。安装前请确认运行环境具备读取、写入、编辑、Bash 四类工具权限，并准备好 PARALLEL_API_KEY 与 OPENROUTER_API_KEY 两个密钥。

Q2：这个技能收费吗？ 技能本身是调用第三方研究 API 的封装，实际费用来自 Parallel 与 OpenRouter 两个平台的接口调用，具体价格、免费额度与计费方式以各平台官方说明为准。想控制成本的话，可以在查询前先 ls sources/ 复用已有结果，或用 --batch 合并同类问题。

Q3：为什么我的学术查询没有走到 Perplexity？ 路由是按关键词触发的。如果查询里没有「论文」「DOI」「期刊」「同行评审」「arxiv」「预印本」「系统综述」这类学术关键词，就会被判为一般研究并走 Parallel。可以改写查询加入这些词，或直接用 --force-backend perplexity 强制指定。

Q4：它和直接用通用大模型或学术搜索引擎有什么区别？ 通用对话胜在快、门槛低，但引用完整性和落盘规范较弱；学术搜索引擎权威但需要人工整理。本技能的差异点在于：自动路由、按质量分层筛选文献、强制保存到 sources/ 并保留 URL 与 DOI。三者是互补关系，不是替代关系。

Q5：适合谁用？有什么已知限制？ 适合科研人员、需要写综述或报告的作者、做技术选型与行业研究的从业者。已知限制包括：Parallel 复杂查询最长可能耗时约 5 分钟；Perplexity 存在信息截止时间，且无法访问付费墙后的全文；两者都无法访问专有或受限制的数据库。若两个后端都失败，技能会返回结构化错误响应，此时建议重写查询再试。