arXiv搜索技能Skill：一句话让 AI 直连 arXiv 预印本，抢先读到还没正式发表的前沿论文
- 免账号、免 API Key：技能通过官方
arxivPython 包直连 arXiv，无需申请任何密钥即可检索。 - 一条命令出结果：输入查询词，返回按相关性排序的论文标题与摘要，默认 10 篇，可用
--max-papers调整。 - 覆盖学科极广：物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程、系统科学、经济学。
- 特别适合「抢时间」：可获取尚未被 PubMed 收录、期刊出版前的最新预印本研究。
- 上手成本低：唯一依赖是
arxiv包，首次使用按提示安装即可，之后随调随用。
1. 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：arXiv搜索技能Skill 技能英文名：arxiv-search 技能ID：13844
它解决的问题很具体：在科研和工程实践中，最有价值的信息往往出现在「论文正式发表之前」。arXiv 是一个免费的分发服务和开放获取存档，收录物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程、系统科学和经济学等领域的学术文章。但手动打开网页、逐条筛选、复制摘要，会打断 AI 助手或开发者当前的工作流。这个技能把 arXiv 检索能力封装成一个可直接调用的脚本，让「检索—返回标题与摘要」在一次命令内完成，从而把文献调研的速度提升到与对话同步的节奏。
一键安装与生效验证的思路如下：
- 准备前提：确认运行环境中有 Python（虚拟环境
.venv或系统python3均可），并确认技能目录已被放入 deepagents 的技能路径中。技能目录的绝对路径以系统提示中给出的为准（例如~/.deepagents/agent/skills），具体安装位置与方式请以官方说明为准。 - 执行检索命令：在虚拟环境中运行时使用
.venv/bin/python [YOUR_SKILLS_DIR]/arxiv-search/arxiv_search.py "你的搜索查询" --max-papers N；使用系统 Python 时改用python3 [YOUR_SKILLS_DIR]/arxiv-search/arxiv_search.py "你的搜索查询" --max-papers N。请把[YOUR_SKILLS_DIR]替换为真实的绝对技能目录路径。 - 按需补装依赖：该技能需要
arxivPython 包，它默认不包含在 deepagents 中，属于技能特定依赖。若脚本提示「错误：arxiv包未安装」，在虚拟环境场景执行.venv/bin/python -m pip install arxiv，或系统范围执行python3 -m pip install arxiv。 - 验证是否生效：随便跑一条查询，如
"protein folding prediction"。如果终端返回若干条包含「标题」和「摘要」的格式化条目、且条目之间以空行分隔，即表示技能已正常工作。
关键理念是：AI 技能不是又一个需要学习的工具，而是一次「装好即忘」的能力扩展——把最常用的外部数据源接进助手，之后只需用自然语言表达需求。
2. 该技能的主要功能和特点
- 关键词检索 arXiv 全库：
query为必填参数，支持自然语言式的组合查询，如neural networks protein structure、single cell RNA-seq、deep learning drug discovery。 - 结果数量可控：
--max-papers可选参数，默认返回 10 篇，需要快速扫读时设为 5，需要广撒网时调高。 - 相关性排序：结果按与查询的相关性排序，而非单纯按时间，减少无关论文的干扰。
- 结构化输出：每条结果包含论文标题与摘要文本，条目之间以空行分隔，便于人眼阅读，也便于程序解析或后续再加工。
- 免认证、免密钥：直接 API 访问，无需注册账号或配置 API Key，也没有调用配额的前置审批。
- 学科感知清晰：官方建议重点关注计算机科学（cs.LG、cs.AI、cs.CV）、定量生物学（q-bio）、统计学（stat.ML）以及物理学与数学，这些是 arXiv 覆盖最强势的领域。
- 与普通搜索工具的区别：通用搜索引擎返回的是网页链接与零散片段，需要点开、翻页、人工摘录；该技能直接返回论文级的标题与摘要正文，一步到位，且不引入广告与聚合站的噪声。
3. 如何使用该技能？
第 1 步：确认技能目录的绝对路径。 在系统提示中找到技能目录（例如 ~/.deepagents/agent/skills），所有命令都应使用该绝对路径，避免相对路径导致的找不到文件。
第 2 步：写一条有信息量的查询词。 建议包含「方法 + 对象」两个要素，例如 genome assembly algorithms、protein folding prediction，比单个宽泛词（如 AI）的效果好得多。
第 3 步：执行检索。 虚拟环境下的示例（详情文档中的真实示例）：
.venv/bin/python ~/.deepagents/agent/skills/arxiv-search/arxiv_search.py "deep learning drug discovery" --max-papers 5
系统 Python 下的等价写法，只需替换 ~/... 为实际的绝对路径，并把 --max-papers 换成需要的数值或省略（默认 10）。
第 4 步：读取输出。 脚本返回格式化结果，每条包含「标题」与「摘要」，条目之间以空行分隔，可直接粘贴进笔记、需求文档或继续喂给 AI 做二次总结。
第 5 步：迭代查询。 若结果偏题，缩短查询词、换成更学术的表达，或补充领域术语（例如加上 single cell、transformer、benchmark 等）。由于结果按相关性排序，前几条通常就代表了检索意图的「最佳猜测」。
输入输出示例说明：输入 single cell RNA-seq，预期得到一批与单细胞转录组测序方法相关的论文标题及摘要；输入 protein folding prediction，预期得到蛋白质结构预测方向的预印本。若返回空结果，多半是查询词过于小众或拼写问题，更换表述重试即可。
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 |
|---|---|---|---|---|---|
| arXiv搜索技能Skill（arxiv-search，技能ID 13844） | 嵌入 AI 工作流的 arXiv 检索能力 | 关键词检索 arXiv，返回标题+摘要，可设返回篇数，相关性排序 | 需 Python 环境与 arxiv 包，一条命令即用，无需 API Key |
对话中顺手查预印本、跟进最新方法、辅助选题 | 优势：零认证、输出干净、易被 AI 解析；不足：仅覆盖 arXiv，不包含期刊全文与引用网络 |
| arXiv 官方网站检索页 | 人工浏览的原始入口 | 高级检索、分类筛选、PDF 下载、订阅 | 浏览器即可，无需安装 | 精读论文、下载原文、按分类逐条浏览 | 优势：信息最全、可看全文；不足：需要人工翻页摘录，打断工作流，不便于程序化处理 |
| Google Scholar | 跨库学术搜索聚合器 | 跨出版商检索、引用次数、相关文章推荐 | 浏览器访问，部分功能需登录 | 查引用关系、找综述、跨库补漏 | 优势：覆盖面广、引用数据丰富；不足：含大量非预印本与付费墙内容，无官方免密钥 API，自动化难度高 |
| PubMed | 生物医学文献数据库 | 生物医学期刊文献检索与摘要 | 浏览器访问，需一定检索语法 | 临床与生物医学正式发表文献调研 | 优势：生物医学权威、收录正式发表文献；不足：预印本收录滞后，对计算机、物理、数学覆盖弱 |
5. 该技能的典型应用场景与实际体验情况
场景一：算法工程师跟进 cs.LG / cs.AI 最新方法。 痛点是顶会论文正式上线前，很多团队已经在预印本上迭代；等到正式发表再跟进，往往落后数月。使用方式是让 AI 助手直接调用技能检索 deep learning drug discovery 这类组合词，把最近的相关预印本标题与摘要一次性拉回来做快速筛查。实际体验：上手几乎零成本，第一条命令就能出结果；但要注意结果中既有最新上传的论文也有较旧的论文，需要结合摘要自行判断时效性。
场景二：计算生物学研究者查找 q-bio 方向预印本。 痛点是生物信息学、系统生物学的大量方法学工作先出现在 arXiv，PubMed 收录存在时间差。使用方式是以 single cell RNA-seq、genome assembly algorithms 等查询检索，先拿到摘要判断是否值得精读。实际体验：对计算/理论研究类问题命中率高；但涉及纯实验、临床研究时，仍需回到生物医学专业库补充。
场景三：科研新人或学生做选题调研与综述准备。 痛点是不知道该用什么术语检索、也不知道哪些方向已经饱和。使用方式是先用宽泛词跑一轮，观察返回标题中的高频术语，再用这些术语做第二轮精确检索。实际体验：输出结构统一（标题+摘要），便于整理成表格做横向对比；注意预印本可能未经同行评审，引用到正式文稿前需谨慎核实。
场景四：把文献检索能力接入自动化流程。 痛点是手工检索无法批量、无法定时。使用方式是脚本化调用，按主题批量查询并保存结果。实际体验：因为无需 API Key、输出为可解析的纯文本结构，接入成本很低；但请遵守 arXiv 的使用规范，控制请求频率（以官方说明为准）。
6. 该技能能为用户带来的价值
- 效率提升：把「打开网页—输入检索—翻页—摘录标题摘要」的多步操作压缩成一条命令，单次文献初筛的时间从数分钟降到秒级。
- 门槛降低：不需要注册账号、不需要 API Key、不需要学习 arXiv 的高级检索语法，会用自然语言描述需求就能拿到结果。
- 信息时效性：能够触达期刊出版前的预印本、以及可能尚未被 PubMed 收录的最新研究，让判断建立在更前沿的信息之上。
- 工作流融合：干净的标题+摘要输出天然适合被 AI 继续加工，形成「检索—总结—对比—成稿」的连续链路，减少人工搬运与格式转换。
- 长期价值：作为 AI 助手的一项常驻能力，它会随着使用频次不断摊薄接入成本，让「先查一眼预印本」变成团队里的默认习惯。
7. 常见问题 FAQ
问：这个技能怎么安装？需要付费吗？
答：技能本身以技能目录的形式提供，放入 deepagents 的技能路径即可（具体安装位置以官方说明为准）。唯一需要额外安装的是 arxiv Python 包，按提示执行 .venv/bin/python -m pip install arxiv 或 python3 -m pip install arxiv。arXiv 是开放获取存档，技能访问无需 API Key，也就没有密钥费用。
问：为什么运行后提示「错误：arxiv包未安装」？
答：说明当前 Python 环境缺少 arxiv 包。该包默认不包含在 deepagents 中，属于技能特定依赖，首次使用时按需安装即可。注意虚拟环境与系统 Python 要装到对应环境里，否则仍会报同样的错。
问：一次能返回多少篇论文？结果是怎么排序的？
答：默认返回 10 篇，通过 --max-papers 参数可以调整。结果按与查询的相关性排序，且包含最近上传的论文与较旧的论文，所以阅读时应结合摘要判断时效性。
问：适合谁用？和直接上 arXiv 网站、用 Google Scholar 怎么选？ 答：适合算法工程师、计算生物学与生物信息学研究者、统计学与物理数学方向的学生，以及正在搭建文献调研自动化流程的团队。需要在对话中快速拿到论文级标题与摘要时，用本技能；需要下载 PDF 精读、查看引用网络或检索正式发表的期刊文献时，用 arXiv 官网、Google Scholar 或 PubMed 更合适，两者是互补关系而非替代关系。
问：检索结果可以直接引用到论文里吗？ 答：不建议直接引用。arXiv 上的论文是预印本，可能未经同行评审，结论存在后续修订的可能。建议把技能输出作为「线索」，再回到原文核实版本与最终发表状态。