liqing-ustc/mindflow/literature-survey
Claude Code and agent skill by liqing-ustc/mindflow
- community
Checking that the SKILL.md file is still in the repository.
当用户说"调研""survey""了解研究现状",或需要系统了解某主题的文献全貌时,以 DomainMap 为认知基线、近期 survey paper 为文献锚点,批量 digest 后综合生成调研报告
Install
npx vskill@latest install liqing-ustc/mindflow/literature-surveySKILL.md
Purpose
给定一个研究主题,以 DomainMaps/ 为认知基线、以近期 survey paper 为文献锚点,批量 digest 相关论文,综合出 Topics/{Topic}-Survey.md —— 作为对相关 domain 当前认知的 delta 报告(无对应 DomainMap 时退化为完整领域分析)。
Steps
1. 基线建立
- 认知基线:读
DomainMaps/_index.md找相关 domain;若有,读对应DomainMaps/{Name}.md - 内容基线:检查
Topics/{Topic}-Survey.md;若存在,读取该文件,用 frontmatter 的date_updated作为截止日期,扫描 body 中形如[[YYMM-ShortTitle]](如[[2510-XVLA]]、[[2602-DM0]])的 wikilinks 作为已收录论文清单,作为增量调研的起点;若无,本次是新建
2. Scoping
2.1 搜索相关 Survey
搜索本主题近期新出现的 survey paper(若 Step 1 存在内容基线,优先找其截止日期之后的)。先在已有 Papers/里寻找,再结合 WebSearch,挑 1-3 篇最相关的。若本 topic 无专门 survey,退而找相邻 / 上位 topic 的 survey paper。
为挑选出来的 survey paper 启动 subagent 并行调用 paper-digest 生成笔记,主 agent 读取这些 survey paper 的笔记文件。
2.2 确定候选论文清单
与 Step 1 已收录清单去重后得到候选论文清单,分两类:
- 需 digest:从侦察到的 survey 中提取反复引用的 canonical 论文 → 进入 Step 3
- 已有笔记:从
Papers/搜索本 topic 相关笔记 → 无需 digest,直接参与 Step 4 综合
3. 批量 paper-digest
为每篇待 digest 的论文启动 subagent 并行调用 paper-digest 生成笔记;若 paper-digest 发现论文已有笔记,则跳过(不覆盖、不询问)。等所有 subagent 完成后,进入下一步。
4. 综合写作
读取笔记:只读取候选论文清单里 rating >= 2 的论文笔记,作为新增论文(筛 rating 用 Bash 批处理 frontmatter,避免对每篇 Read)
确定 section 结构: 下列必备元素为骨架;各元素内部的子分类由已有对应 DomainMap + 已有 `Topics/{Topic}-Survey.md`(增量时) + Step 2.1 新侦察的 survey paper 综合提炼:
- Overview:一句话定位 + 领域活跃度(时间线 / 参与格局 / 学术产出等) + 整体趋势
- Problem & Motivation:本领域在解决什么核心问题,为什么重要,为什么适合现在做
- 技术路线对比:分析各主流路线的核心思路,实际效果,优缺点等,嵌入代表性论文
- Datasets & Benchmarks:整理常用的 Training Datasets,Benchmarks(包含 SOTA methods 和 performance),可以用多个表格方式呈现
- Open Problems:真实的 open,不是教科书式列举
- 调研日志:元数据(日期、论文统计、未能获取说明)
写作基线:Survey 定位为 DomainMap 的 delta 报告——已在对应 DomainMap 中 Established 的内容不重述,聚焦窗口内的新技术路线、对既有 claim 的支持/挑战、新 open problems;必要时用 [[DomainMaps/{Name}#某节]] 引用基线。无对应 DomainMap 时完整展开所有必备元素。
若调研中发现明显应纳入 DomainMap 的内容,在 ## 调研日志 之前加 ## DomainMap 更新建议 节显式列出;无则不加此节。
Frontmatter(新建或更新时写入/刷新):
Tag 选择:阅读 vault 目录下的 {vault_root}/references/tags.md,按照规范选择 tag。
Obsidian syntax:写入前参照 {vault_root}/references/obsidian-syntax.md Obsidian-specific quirks。
新建或增量更新 Topics/{Topic}-Survey.md。
5. 日志
追加 log entry 到 Workbench/logs/YYYY-MM-DD.md(文件不存在则新建并加一级标题 # YYYY-MM-DD):
Verify
Step 1 · 基线建立
- [ ] 认知基线:已读
DomainMaps/_index.md;若 topic 对应某已有 domain,已读对应 DomainMap - [ ] 内容基线:若
Topics/{Topic}-Survey.md已存在,已从 frontmatter 读date_updated、从 body wikilinks 重建论文清单
Step 2 · Scoping
- [ ] 搜索 survey 的尝试路径已走过(本主题→相邻/上位);若均无,Survey 调研日志中明示"无参考 survey"
- [ ] 候选论文清单已对 Step 1 已收录清单去重
Step 3 · 批量 paper-digest
- [ ] "需 digest" bucket 中每篇 canonical 论文均已启动 paper-digest;issues 仅允许记录 paper-digest 实际失败(PDF 不可得 / API 错误等),不允许为控时长 / 规模而主观跳过
Step 4 · 综合写作
- [ ] 所有新增论文(候选论文清单中 rating >= 2) 的笔记已全部完整读取,无跳过,无截断
- [ ] 6 条必备元素(Overview / Problem & Motivation / 技术路线对比 / Datasets & Benchmarks / Open Problems / 调研日志)全部出现
- [ ] 若 Step 2.1 有 survey 输出,本次笔记的 section 结构可追溯到其 taxonomy
- [ ] 技术路线对比有分析深度——不止罗列 method 是什么,还说清楚各自的实际效果与优缺点
- [ ] 若有对应 DomainMap,Survey 未大段重述其 Established Knowledge
- [ ] Survey 中每篇引用都用
[[wikilink]],且 vault 中存在对应笔记(未能获取的论文在调研日志中明示) - [ ] Survey 中无遗留的
%%...%%注释或占位符 - [ ] 若
{Topic}-Survey.md已存在:新内容与旧内容已 merge,未无故删除仍然有效的旧论据 - [ ] 有 DomainMap 更新建议时已作为独立 section 列出;未直接修改
DomainMaps/下任何文件
Step 5 · 日志
- [ ] 日志 entry 已追加到
Workbench/logs/YYYY-MM-DD.md,失败论文已记入 issues
Security
- Security scanPassed, 100 of 100Pattern checks on the skill's files.
- Model reviewNot runA model review is scheduled for the next rescan.
Quality evaluation
- Task evaluationNot runNo evaluation yet. Run one in Skill Studio.
Source
- SKILL.md in the repositoryCheckingskills/1-literature/literature-survey/SKILL.md
Popularity
- Repository stars
- 54
- Repository forks
- 9
- 7-day trend score
- 20
Stars and forks are for the whole GitHub repository, not this skill alone. Not refreshed yet.
Works with
Any agent vskill installs to: 56 targets in all. These 39 have a page on this site.
- Claude Code
- Cursor
- GitHub Copilot
- Windsurf
- Codex
- Gemini CLI
- Cline
- Amp
- Roo Code
- Goose
- Continue
- Kilo Code
- Junie
- Trae
- OpenHands
- Qwen Code
- AI Agent
- Tabnine Chat
- Sourcegraph Cody
- Amazon Q
- Firebase Genkit
- Sweep
- Devin
- Phind
- Mentat
- Claude Desktop
- Aider
- GPT Pilot
- Plandex
- bolt.new
- v0
- Replit Agent
- Anse
- TypingMind
- BetterChatGPT
- LibreChat
- Warp AI
- Pieces
- Fig AI
Embed badge
[](https://verified-skill.com/skills/liqing-ustc/mindflow/literature-survey)