agentsclimarketplace

Deep research

Skill wszqkzqk/scrinium/.agents/skills/deep-research

Run a multi-round deep literature investigation for an open research question. Orchestrates query decomposition, multi-source recall, citation-graph snowballing, batch deep reading with subagents, and evidence-matrix synthesis. Use when the user wants to systematically survey what is known about an open question (e.g. "how far has method X gotten on system Y"); for writing the final review use /literature-review, for dedicated gap analysis use /research-gap.From its SKILL.md

Install
npx -y skills add wszqkzqk/scrinium --skill deep-research

Assembled from the repository path, not quoted from the project. Check it against their README if it does not work.

One thing to look at

  • 10 stars10 stars. Stars are a popularity signal and not a quality one, but at this level it is likely that nobody has read this closely except its author, and you would be relying on your own review.

What its file declares

Copied from the file, not written here

The file declares its own license as GPL-3.0-or-later. That is the author’s claim about this one file, and it is not the same thing as the license GitHub reports for the repository, which is listed with the other numbers below.

SKILL.md

10.1 KB, as published. Nobody here has run it

深度文献调研

给一个开放性研究问题,做多轮「检索 → 精炼 → 阅读 → 综合」的系统调研:把问题拆成子问题,多路召回建池,沿引用图滚雪球扩张,批量深读积累证据,直到饱和后产出结论。

路由:目标是写综述成稿(调研只是前置)→ /literature-review;专门识别研究空白 → /research-gap;单篇精读 → /show;已知主题的简单查找 → /search。

何时使用

  • 开放性研究问题的系统调研,例如"X 方法在 Y 体系上做到什么程度了"、"Z 问题目前有哪些技术路线、各自证据如何"
  • 进入一个新方向前的摸底:领域全景、核心文献、主要流派、未解决的争议
  • 不适用:已有论文池、直接要成稿(转 /literature-review);只要找空白(转 /research-gap)

前提

  • 需要一个调研主题名(用作 workspace/<主题>/ 目录和工作区名),用户未指定时你来拟一个简短英文 slug 并确认
  • 检索全部是关键词(FTS5)模式,框架无嵌入召回。发现文献的主路径是查询扩展发现协议:多改写并行搜(中英/同义词/缩写全称,见 /search skill)+ --tag 过滤 + 引用图滚雪球——本 skill 的工作流正是围绕这条路径设计的,agent 凭理解筛排即为语义召回的接管形态
  • 全程维护一份研究日志 workspace/<主题>/research-log.md:它是跨轮次、跨会话的记忆,中断续跑靠它恢复

工作流

阶段 1:问题分解

把开放问题拆成 3-7 个可检索的子问题/关键词面。常用维度组合:对象(体系/材料)× 方法 × 任务/指标。每个子问题配 2-4 个查询变体(同义词、缩写/全称、上下位概念、方法名/体系名)——agent 的语言能力就是查询扩展层。

创建研究日志 workspace/<主题>/research-log.md,初始结构:

# <主题> 调研日志
- 起始日期:YYYY-MM-DD
- 研究问题:<用户问题原文>

## 子问题分解
- SQ1: <子问题> — 查询变体: q1a / q1b / q1c
- SQ2: ...

## 检索记录
| 日期 | 查询词 | 范围 | 命中 | 入选 |

## 论文池
- 工作区:<主题>;核心种子:<paper-id...>

## 子问题 × 证据矩阵
| 子问题 | 关键证据(paper-id) | 状态(充分/空缺/冲突) |

## 滚雪球记录
| 轮次 | 种子 | 新入核心 | 备注 |

## 饱和判断
- <每轮迭代后的结论>

阶段 2:多路召回

对每个子问题的每个查询变体,分别在以下来源检索:

# 主库(关键词检索;按查询扩展协议准备多个查询变体)
scrinium search "<查询词>" --top 20 --json
# 可加过滤:--year 2020-  --journal "<期刊名>"  --type review

# explore 外部库(主库覆盖薄的新领域):先拉取,再关键词检索
scrinium explore fetch --keyword "<查询词>" --name <名称> [--year-range 2015-2025]
scrinium explore search --name <名称> "<查询词>"

# arXiv 最新预印本(补主库的时效盲区)
scrinium arxiv search "<查询词>" [--category cond-mat.soft] [--sort recent]

需要程序化解析结果时用 --json,不要正则解析排版文本。每轮检索把查询词、范围、命中数、入选数记入日志的检索记录表——重复检索是饱和判断的依据。

阶段 3:初筛建池

对召回候选做 L1/L2 快筛(标题 + 摘要即可):

scrinium show "<paper-id>" --layer 2 --json

候选超过 30 篇时必须派 subagent 分批筛选(AGENTS.md 纪律),每个 subagent 只带回「入选/排除 + 一句话理由」,不要把长列表堆进主 context。

入选种子建池:

scrinium workspace init <主题>
scrinium workspace add <主题> <paper-id...>

初筛结论(保留数量、排除理由的类别分布)记入研究日志。

阶段 4:滚雪球扩张

从池中挑 3-5 篇核心种子(领域综述、高被引、方法源头论文优先),沿引用图双向扩张:

scrinium snowball <种子1> <种子2> <种子3> --top 20 --json
# --ws <主题>   只在指定工作区范围内滚雪球(默认全库)

输出按共享引用数排序——共享引用越多,越可能是该领域的核心文献。对高分候选做 L2 快筛,确认相关后入池。每轮的种子、新入核心的论文记入日志的滚雪球记录。

滚雪球是关键词检索之外最重要的召回补偿手段:关键词检索漏掉的经典文献,通常在几篇核心种子的共享引用里。

阶段 5:批量深读

对池内论文按子问题分工,派 subagent 读 L3/L4。纪律:

  • 独立批次并行派发,各 subagent 的论文集互不重叠
  • 每个 subagent 的 prompt 必须包含:目标 paper-id(或目录路径)、要回答的具体问题、T2 笔记写入指令(参照 AGENTS.md 模板)
  • 每个 subagent 只带 T1 精炼结论回主 context;分析过程(T3)留在 subagent 内部
  • 每篇深读过的论文必须落 T2 笔记:
scrinium show "<paper-id>" --layer 3          # 深读(已有笔记会自动展示,优先复用)
scrinium show "<paper-id>" --append-notes "## YYYY-MM-DD | <主题> | deep-research
- 关键发现 1
- 关键发现 2"

show 会自动展示该论文的历史 notes.md,深读前先复用,结论可疑再回原文核对,避免重复劳动。

阶段 6:覆盖度追踪

在研究日志中维护「子问题 × 证据」矩阵,每批深读完成后更新:

  • 每个子问题标注状态:充分(多篇独立证据)/ 空缺(无证据或仅孤证)/ 冲突(论文结论互相矛盾)
  • 冲突要记录双方 paper-id 和可能原因(实验条件、方法假设、体系差异)——冲突本身就是调研发现
  • 空缺子问题是下一轮检索的靶子:回到阶段 2 换查询角度专门补

可用策展标签辅助组织论文池:

scrinium tags                                   # 先看词表,优先复用已有标签,防止膨胀
scrinium tag "<paper-id>" <调研主题标签...>      # 打标
scrinium search "<查询词>" --tag <标签>           # 池内按标签过滤

批量打标遵循 /curate 纪律:克制造新标签,别把词表打爆。

阶段 7:饱和判断

每轮迭代后对照停止标准,全部满足才可进入产出:

  • 连续两批滚雪球或新一轮多路检索无新核心论文(新入池的都是外围文献)
  • 子问题 × 证据矩阵无空缺(冲突不算空缺,如实呈现即可)
  • 共享引用集合收敛:snowball 的高分候选大多是已在池内的熟面孔

不满足则回阶段 2 换角度:换同义词/上下位词、换来源(主库 → explore/arXiv)、换种子(用新入池论文做种子再滚一轮)。每轮判断结论记入日志的饱和判断节。

阶段 8:综合产出

按用户需要产出(可组合):

  • 综述成稿 → 转交 /literature-review(基于本主题工作区)
  • 调研报告 → 直接在 workspace/<主题>/ 写 Markdown:领域现状、方法路线对比、证据矩阵、未解决争议、结论与建议
  • 研究空白分析 → 转交 /research-gap

收尾:

scrinium workspace export <主题> -o workspace/<主题>/references.bib   # 导出参考文献
  • 正文中所有 author-year 引用必须过 /citation-check,避免幻觉引用和年份/作者错配
  • 产出文档(调研报告、研究日志及其他 Markdown 产出)中的公式默认用 LaTeX
  • 一切产出文件放 workspace/<主题>/,研究日志补记最终产出清单后收尾

纪律 checklist

每轮迭代和最终收尾前各过一遍:

  • 研究日志更新了吗(检索记录、入池、证据矩阵、雪球轮次、饱和判断)
  • 新读的论文都写 T2 notes 了吗
  • subagent 并行派发且论文集互不重叠吗(>30 篇绝不堆进主 context)
  • 产出文本的引用过了 /citation-check 吗
  • 所有产出都在 workspace/<主题>/ 下吗

示例

用户说:"帮我调研一下 milestoning 在药物结合/解离动力学预测上做到什么程度了" → 完整流程:分解为「方法变体 / 体系与力场 / 结合解离时间预测精度 / 与 MSM、unbiased MD 的对比」等子问题,建研究日志 → 主库多查询召回 + arXiv 补新 → 初筛入 workspace init milestoning-kinetics → 对 3-5 篇核心种子 snowball --top 20 --json → subagent 分批深读并写 notes → 更新证据矩阵 → 饱和后产出调研报告并过 citation-check

用户说:"继续上次 milestoning 的调研" → 读 workspace/milestoning-kinetics/research-log.md:从证据矩阵的空缺子问题和上次未饱和的判断处接着跑(回阶段 2 补检索,或用新入池论文做种子回阶段 4),不从头再来

用户说:"调研一下神经场势在反应动力学上的应用(我库里应该没什么相关文献)" → 主库召回稀薄时:explore fetch --keyword "neural network potential" --name nnp-reaction 拉外部库,explore search --name nnp-reaction ... 检索,叠加 arxiv search 补预印本,再进入建池与滚雪球

用户说:"调研到的方法 A 和方法 B 结论矛盾,怎么回事?" → 在证据矩阵标冲突,派 subagent 对读两篇论文的 L3/L4(实验条件、假设、体系差异),结论记入矩阵和双方论文的 notes

用户说:"把这个调研整理成一篇综述" → 饱和判断已通过、工作区已就绪,直接转交 /literature-review,研究日志作为背景材料

Keep looking

Skills are one crate of 610,677. Ordering is by how many stacks a row turns up in, so the top of any crate is what has actually been picked rather than what has the most stars.