技能使用指南

citation-management（引用管理）Skill 是什么？

引用管理Skill 打通论文搜索、元数据提取与 BibTeX 校验全流程：支持 Google Scholar 与 PubMed 检索、DOI/PMID/arXiv ID 批量转换、缺失字段富化、引用验证与去重格式化，帮助科研人员快速构建准确、可投稿的参考文献。想提升学术写作效率？先了解它。

引用管理Skillcitation-management
8 个章节 约 16 分钟阅读 AI 智能生成

引用管理Skill：把论文搜索、元数据抓取到 BibTeX 校验串成一条流水线

  • 一个技能覆盖引用全流程：从 Google Scholar / PubMed 搜索论文，到 DOI、PMID、arXiv ID 转 BibTeX，再到批量校验、去重与格式化，全部用脚本完成。
  • 元数据不靠手敲：通过 CrossRef、PubMed E-utilities、arXiv、DataCite 等公开 API 抓取作者、期刊、卷、期、页、DOI，减少手写引用带来的错误。
  • 强制"补齐缺失字段"环节：对缺卷、缺页、缺 DOI 的 @article 条目要求先做网络搜索富化，再进入格式化和校验，避免交付不完整参考文献。
  • 可与文献综述、科学写作、科学示意图等技能串联：搜索归搜索、综述归综述、引用技术处理归本技能，形成可重复的研究工作流。
  • 适合谁用：需要写论文、投稿、做系统综述的研究生与科研人员，以及要维护 .bib 文件的工程与写作团队。

该技能叫什么？如何一键安装 AI 技能提升开发效率？

这个技能的中文名是引用管理Skill，英文名是 citation-management，技能 ID 为 13100。它要解决的问题非常具体：学术写作中引用信息容易错、容易缺、格式容易乱。手动从网页上抄作者名、卷号、页码，既慢又容易出错；同一篇论文在多个数据库里字段还不一致；投稿前临时发现 DOI 失效或者参考文献重复，更是常见事故。引用管理Skill 把这些动作交给脚本和公开元数据 API 去完成。

它适用的时机包括：在 Google Scholar 或 PubMed 上检索特定论文、把 DOI/PMID/arXiv ID 转成规范 BibTeX、从已有引用中提取完整元数据、验证现有引用是否准确、清理与格式化 BibTeX 文件、查找某领域的高被引论文、为手稿或学位论文构建参考文献、检查重复引用、统一引用格式。

「一键安装」的思路：AI 技能的价值在于把可复用的方法论 + 脚本 + 参考资料打包，安装一次后，在对话中直接调用即可，不必每次重新描述流程。具体到这个技能，它的安装与启用通常包含三个前提：

  1. 运行环境：需要一个可执行 Python 脚本的环境，技能自带 scripts/ 目录下的多个脚本（如 search_google_scholar.py、search_pubmed.py、extract_metadata.py、validate_citations.py、format_bibtex.py、doi_to_bibtex.py）。
  2. 依赖包：核心依赖为 requests、bibtexparser、biopython；如需更强的 Google Scholar 支持，可选装 scholarly 或 selenium；高级校验可选装 crossref-commons、pylatexenc。
  3. 网络可达：需要能访问 Google Scholar、PubMed、CrossRef、arXiv 等数据库与 API。

具体安装命令、技能市场入口和版本号，以官方说明为准（技能详情中未给出具体安装指令，请勿照抄猜测命令）。安装完成后，可以用一条最小命令验证是否生效：运行 python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2，若终端直接输出一条包含 author、title、journal、year、volume、pages、doi 的 BibTeX 条目，说明环境、依赖与网络均已打通。若报错，优先检查依赖包是否安装完整、网络是否被拦截。

该技能的主要功能和特点

  • 双库学术检索：同时支持 Google Scholar（跨学科覆盖最广）与 PubMed（生物医学与生命科学，3500 万+ 引用），并支持年份范围、被引排序、结果条数限制、导出 JSON 或 BibTeX。
  • 高级检索语法支持：Google Scholar 侧支持精确短语、author:、intitle:、source:、排除词、年份区间、按被引排序；PubMed 侧支持 MeSH 主题词、字段标签（标题、作者、期刊、出版日期、出版物类型）、布尔运算与 E-utilities API。
  • 多源元数据提取：从 CrossRef（DOI 主源）、PubMed E-utilities、arXiv、DataCite 抓取元数据，统一输出为 BibTeX、JSON 或 YAML。
  • 多样标识符入口：单个或批量支持 DOI、PMID、arXiv ID、论文 URL，混合标识符可放在一个文件里一次处理。
  • 元数据富化流程：针对缺失 volume、pages、doi 的条目，提供按标题+作者搜索、从 DOI 落地页提取、直连 CrossRef、回落 Google Scholar 四条补全路径，并记录每条修复日志。
  • 引用校验与自动修复：检查 DOI 是否可解析、必填字段是否齐全、年份/卷/页格式是否合理、URL 是否可访问、是否存在重复条目，并输出结构化 JSON 报告，支持 --auto-fix。
  • BibTeX 规范化和去重：统一字段顺序、缩进、作者姓名格式、引用键风格，支持按键/年份/作者排序，去除重复项，修复缺失逗号与大括号等常见错误。

和普通工具相比，它的差异在于把「检索—提取—富化—格式化—校验」当成一个有先后顺序的流水线，每一步都有对应脚本和检查标准，而不是让用户在多个网站之间手工搬运字段。

如何使用该技能？

下面按真实工作流给出分步操作，命令均来自技能自带的脚本接口。

第 1 步：明确检索目标，选择数据库。 跨学科选题优先 Google Scholar，生物医学选题优先 PubMed。例如查找 Transformer 相关论文：

python scripts/search_google_scholar.py "transformer神经网络" \
  --year-start 2017 \
  --limit 50 \
  --output transformers_gs.json

PubMed 侧使用 MeSH 与字段标签，可读性与精确度更高：

python scripts/search_pubmed.py \
  --query '"CRISPR-Cas Systems"[MeSH] AND "therapeutic"[标题/摘要]' \
  --date-start 2020-01-01 \
  --publication-types "临床试验,综述" \
  --limit 200 \
  --output crispr_therapeutic.json

输出说明：JSON 结果中包含标题、作者、期刊、年份、被引次数等字段，可直接作为下一步输入。

第 2 步：把结果或标识符转成元数据。 批量转换搜索结果，或直接喂一个 DOI 清单：

python scripts/extract_metadata.py --input transformers_gs.json --output transformers.bib
python scripts/doi_to_bibtex.py --input dois.txt --output references.bib

输出说明：生成 .bib 文件，条目类型自动判断（@article、@inproceedings、@book、@misc 等）。单条快速转换也可以加 --format json 查看原始字段。

第 3 步：补齐缺失字段。 扫描到 @article 条目缺卷、缺页或缺 DOI 时，用网络搜索补全，例如按标题+作者搜索，或直接从 DOI 落地页提取：

python scripts/parallel_web.py extract \
  "https://doi.org/10.XXXX/YYYY" \
  --objective "提取完整引用元数据：卷、期、页、出版日期"

确实无法补全的（例如仅在线发表、年代久远的会议论文），在条目中加 note 字段说明原因，并记录例外日志。

第 4 步：格式化、去重、排序。

python scripts/format_bibtex.py combined.bib \
  --deduplicate \
  --sort year \
  --descending \
  --output formatted.bib

第 5 步：校验并生成报告。

python scripts/validate_citations.py formatted.bib \
  --auto-fix \
  --report validation.json \
  --output final_references.bib

输出说明：validation.json 会给出总条目数、有效条目数、错误列表（缺失字段、无效 DOI 等，带 severity 等级）与警告列表（疑似重复）。审查报告后，剩下的高风险条目建议人工核对原始出版物。

第 6 步：接入写作。 在 LaTeX 中通过 \bibliography{final_references} 引用；若目标期刊有特定样式要求，可再用 --style 参数按样式输出。

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
引用管理Skill（citation-management） 面向 AI 工作流的引用技术流水线 多库检索、多源元数据提取、字段富化、BibTeX 格式化、DOI 校验、去重、报告输出 需 Python 环境与依赖包，命令行为主，学习成本中等 批量构建参考文献、投稿前校验、系统综述的引用治理 优势：流程化、可批量、可自动修复、报告结构化；不足：无图形界面，需熟悉命令行，依赖网络与 API 可用性
Zotero 文献管理桌面软件 浏览器抓取、文献库管理、Word/LaTeX 插件、同步 图形化安装，门槛低 个人长期文献库管理、日常阅读与标注 优势：免费开源、上手快、插件生态丰富；不足：批量元数据校验与去重需要额外插件或手工，难与 AI 工作流深度串联
EndNote 商业文献管理软件 文献库、引文插入、期刊样式库、团队协作 商业授权，安装与配置较重 机构采购、需要大量期刊样式适配的投稿 优势：样式覆盖广、机构支持成熟；不足：需付费授权，自动化与脚本化能力有限
手工 + 在线转换工具 临时性做法 单个 DOI 网页转换、复制粘贴 几乎无门槛 只有一两篇引用的临时需求 优势：零成本零学习；不足：无法批量、无校验、无去重，字段缺失时容易产出错误引用

选型建议：如果你只是一次性插入几篇引用，图形化文献管理器更省事；如果你要批量构建几十到上百条参考文献、需要在投稿前做一次系统性校验，或者希望让 AI 直接参与文献工作流，引用管理Skill 的流程化能力更匹配。

该技能的典型应用场景与实际体验情况

场景一：研究生写第一篇期刊论文。 痛点是不确定该引哪些奠基性工作，也分不清期刊层级。使用方式是先用 Google Scholar 按被引排序检索，参考技能中给出的被引阈值（如 7 年以上、被引 1000+ 可视作基础性工作）和场所质量层级（Nature、Science、Cell 等为第一梯队）筛选，再批量转 BibTeX。实际体验：检索与格式转换环节几乎无痛，上手难度主要在于理解高级检索语法；注意事项是 Google Scholar 存在访问频率限制，批量检索需要控制节奏。

场景二：生物医学方向的系统综述。 痛点是要在海量文献中做可复现的检索，并且每条引用都要能追溯到 PMID。使用方式是用 MeSH 主题词构建查询，记录检索日期与结果数量，导出 PMID 后统一提取元数据。实际体验：MeSH 让检索结果的相关性明显提升，导出结构规整；注意事项是 MeSH 词表需要先查证，用错受控词会导致漏检。

场景三：投稿前的参考文献大扫除。 痛点是一篇稿子改了半年，.bib 里混了不同来源、不同引用键风格，还有重复条目和失效 DOI。使用方式是依次跑格式化、去重、校验三步，读 validation.json 逐条处理。实际体验：这是最能体现价值的场景，重复条目和无效 DOI 基本能被一次性揪出来；注意事项是 --auto-fix 应视为"辅助"而非"托管"，关键引用仍需人工比对原文。

场景四：跨学科团队维护共享参考文献库。 痛点是多人各自维护 .bib，合并时格式冲突。使用方式是约定引用键规则（第一作者+年份+关键词），合并后统一跑格式化与校验。实际体验：规范统一后合并成本显著下降；注意事项是预印本要留意是否已正式发表，技能也提示应更新为期刊版本。

该技能能为用户带来的价值

效率层面：把"检索论文—抄录字段—拼 BibTeX—逐条核对"这条原本以小时计的手工链路，压缩成几条命令。批量 DOI 转换、批量格式化、批量校验都可以一次处理整个文件，条目越多收益越明显。

质量层面：校验环节把 DOI 可解析性、必填字段完整性、格式合规性变成了可检查项，并输出带 severity 等级的结构化报告，让"引用有没有问题"从主观判断变成可验证结论。对投稿来说，这直接降低了因引用错误被退回或质疑的风险。

门槛层面：技能内置了 Google Scholar 与 PubMed 的检索最佳实践、MeSH 用法、BibTeX 各条目类型的必填字段清单，相当于把一套资深研究者的引用规范固化下来，新手不必先啃完文档就能产出合规引用。

长期价值：可重复研究要求检索过程可追溯。技能鼓励保存检索查询、日期、结果数量与过滤器设置，配合版本化的 .bib 文件，让参考文献本身成为可复现的研究资产，而不是一次性消耗品。

常见问题 FAQ

Q1：这个技能怎么安装？需要什么前提？ 需要 Python 环境，并安装 requests、bibtexparser、biopython 三个核心依赖，可选 scholarly 或 selenium 增强 Google Scholar 支持。具体安装命令与技能入口请以官方说明为准。安装后用 python scripts/doi_to_bibtex.py 10.1038/s41586-021-03819-2 做一次冒烟测试即可确认生效。

Q2：使用它收费吗？ 技能本身通过脚本调用 CrossRef、PubMed E-utilities、arXiv、DataCite 等公开 API，这些接口普遍免费开放（PubMed 建议高流量场景申请 API 密钥）。技能本身的授权与计费方式以官方说明为准。

Q3：它和 Zotero、EndNote 是替代关系吗？ 不是完全替代。图形化文献管理器擅长日常积累、阅读标注和写作插件集成；引用管理Skill 擅长批量元数据提取、格式规范化与投稿前校验。很多人的实际做法是：日常用文献管理器积累，投稿前用本技能做一次批量清洗与验证。

Q4：它会不会自动改错我的引用？ --auto-fix 只会处理格式类和安全范围内的常见问题（如缺失逗号、大括号、字段顺序、重复条目）。涉及作者、年份、卷页这类事实性字段，技能会通过多源元数据与网络搜索补齐并记录日志，但仍建议对关键引用人工复核。

Q5：适合谁用？不适合谁？ 适合需要批量构建参考文献的研究生、做系统综述的科研人员、维护 LaTeX 稿件 .bib 的工程与写作团队。如果只是偶尔插一两篇引用，或者完全不习惯命令行操作，用图形化文献管理工具会更省事。