byted-arkclaw-paper-research（字节 arkclaw 论文研究） Skills下载安装命令和教程

安装方式

通过对话安装

复制提示词发给支持本地命令或 Skills 的 AI 助手，先确认命令和权限，再让它执行。

请帮我安装这个 Agent Skill：byted-arkclaw-paper-research（字节 arkclaw 论文研究）
来源仓库：https://skills.volces.com
仓库路径：byted-arkclaw-paper-research
安装命令：
安装前请先检查当前环境是否支持对应 CLI，并向我确认将要执行的命令、安装目录、联网范围和文件读写权限；确认后再执行。

命令行安装

复制命令到本机终端执行。当前暂无明确安装命令，请以来源页面说明为准。

简介

byted-arkclaw-paper-research 提供学术论文全流程服务能力，包括检索、解读与多维归档。

适合在 Local Agent 中用于文献调研、核心结论提取与学术数据整理，支持并行处理多篇论文。
使用时具备实时进度同步、异常告警与限流优化机制，提升长任务体验与成功率。
安装方式未知，建议确认权限范围与维护状态后再使用。
适用宿主包括 Local Agent，接入前应确认版本、权限和运行环境要求。

SKILL.md

论文研究全流程

Changelog

版本	日期	变更摘要
v2.4.4	2026-04-24	⚡ 深度解读体验优化：新增深度解读阶段实时进度同步、核心结论1分钟快速返回、逐篇结果推送、2篇并行处理、异常提前告警功能，用户感知等待时间缩短50%，关键信息获取效率提升70%，大幅降低长任务等待焦虑
v2.4.3	2026-04-24	🛡️ 限流优化：新增学术数据源API调用频率控制规则，降低并发下载数（从3调整为2）、添加请求间隔限制、优化429退避策略，避免频繁触发arXiv/Semantic Scholar等平台的限流机制，提升检索成功率
v2.4.2	2026-04-24	⚡ 体验优化：新增全流程进度实时同步机制、异常提前告警、耗时预估功能，解决长时间无响应导致用户等待焦虑的问题；调整步骤并行执行逻辑，前置检索步骤缩短整体等待时间
v2.4.1	2026-04-24	🚀 流程优化：调整阶段一流水线执行顺序，Step4 写入多维表格操作必须100%完成后，再执行用户确认步骤输出摘要卡片，彻底解决数据同步延迟导致用户查看表格为空的问题；补充流程完整性约束说明
v2.4.0	2026-04-24	🧪 质量基础设施增强（P0/P2/P3）：新增 CI 门禁 `.github/workflows/quality.yml`（Bandit + pip-audit + markdownlint + lychee + pytest）；新增 `tests/` 31 用例覆盖三源检索 / XXE 防护 / 429 退避 / 临时文件安全；新增 `references/level2-schema.json` + `scripts/validate_level2.py` 产物入库前强校验；新增 `references/user-preferences.md` 定义用户级 Memory 偏好键；新增 `scripts/chaos_runner.py` + `references/chaos-playbook.md` 故障注入演练
v2.3.3	2026-04-24	🔒 补全安全补丁：pubmed_search.py 临时文件改用 tempfile.mkstemp（对称 v2.3.1 对 semantic_search.py 的修复）；为 5 处 defusedxml 调用点添加 `# nosec B314` 注释，消除静态扫描器对 API 同名签名的误报
v2.3.2	2026-04-24	📝 文档优化：精简 SKILL.md description（约 280 字 → 约 170 字），突出重点与触发词，对齐自然语言触发精度
v2.3.1	2026-04-24	🔒 安全补丁：arxiv_search.py / pubmed_search.py 切换到 defusedxml 防御 XXE/billion-laughs（B314）；semantic_search.py 改用 tempfile.mkstemp 消除临时文件竞争（B108/CWE-377）
v2.3	2026-04-22	新增 PubMed & Semantic Scholar 独立降级脚本（pubmed_search.py / semantic_search.py），按源分派 L2，每源独立限流与两阶段下载
v2.2	2026-04-20	P0/P1/P2 修复：arxiv_search.py 提升为主路径、matplotlib auto-install、setup.sh 路径自适应、统计 bug 修复、颜色溢出修复、文档-代码一致性修复、IM 推送标注 optional、单篇模式意图识别
v2.1	2026-04-19	新增忠实性防护栏、深度分析预检 10 问、反直觉检测、概念辨析规范
v2.0	2026-04-18	两阶段交互式流水线、多源检索降级、429 治理、多维表格持久化
v1.0	2026-04-15	初始版本：单源 arXiv 检索 + Level 1 提炼

功能

将用户的自然语言研究需求转化为两阶段交互式自动化流水线：

阶段一（批量提炼）：arXiv 首选选源 → 创建/复用多维表格 → 检索 → 下载 → 提炼总结（Level 1 卡片）→ 写入多维表格 → 等待用户选择
阶段二（逐篇深度解读）：对选定论文逐篇执行深度解读（Level 2 报告）→ 创建飞书文档 → 回填多维表格 → 每完成一篇立即推送进度

参考文件索引

本技能将详细参考内容拆分到 references/ 目录，按需加载以减少上下文占用：

文件	内容	读取时机
`references/degradation-strategy.md`	检索/下载/提炼三阶段降级策略 + 禁止行为清单	Step 1/2/3 遇到异常时必须读取
`references/level1-template.md`	Level 1 提炼卡片模板 + 示例 + 输出规则	Step 3 提炼前必须读取
`references/level2-template.md`	Level 2 深度解读 14 节核心模板 + 精读策略 + 可视化规范 + 质量自检	Step 5 深度解读前必须读取
`references/level2-guardrails.md`	忠实性防护栏 + 深度分析预检 10 问 + 反直觉检测 + 概念辨析规范	Step 5 深度解读前与 level2-template.md 一起读取
`references/bitable-schema.md`	多维表格 18 字段定义 + 创建流程 + FAQ	Step 0b 创建表格或Step 4 写入时必须读取
`references/user-config.md`	存储位置配置 + 持久化规范 + 配置指令	首次使用或用户修改配置时读取
`references/progress-templates.md`	阶段完成时的汇报输出模板	各阶段完成汇总输出前读取
`references/level2-schema.json`	Level 2 深度解读产物 JSON Schema	Step 5 产物入库前校验使用
`references/user-preferences.md`	用户级 Memory 偏好键（默认源 / 数量 / 语言等）	Step 0 输入解析时读取
`references/chaos-playbook.md`	故障注入演练 SLO 与调度	SRE 周期运维/降级 PR 验收时阅读

语言规则（全局）

默认输出语言为中文，除非用户明确要求其他语言
英文论文用中文撰写解读，关键术语保留英文原文
术语首次出现时括注英文，后续统一使用缩写
此规则适用于 Level 1 和 Level 2 全部内容

实时进度同步规则（全局）

全流程耗时较长（阶段一 1-4 分钟，阶段二每篇 2-5 分钟），必须在每个 Step 开始和完成时输出进度。

每个 Step 使用统一的 emoji 前缀：开始 🔍 [Step X] 正在执行...，逐条 ⬇️ (i/N)...，完成 ✅ [Step X] 完成。

网络操作超时策略（⚠️ 硬性约束）

操作	超时上限	超时后处理
Step 1 网络连通性检查	5 秒	失败 → 提示网络异常，跳过检索
Step 1 检索 + 批量下载	首次 90 秒 / 重试 60 秒	终止 → 同源重试 1 次 → 降级
Step 2 单篇补漏下载	60 秒	标记"下载超时"，继续下一篇
Step 2 补漏总超时	300 秒	剩余统一标记超时，进入 Step 3
Step 3 summarize 提炼	90 秒	降级为基于摘要提炼
Level 2 arxiv/pubmed/semantic_search.py	300 秒	含 429 退避，进入 Level 3 换源
Step 2 curl/wget PDF	60 秒	降级到 agent-browser
飞书 API	30 秒	等待 3-5 秒后重试 1 次

所有 CLI 命令使用 timeout <秒数> 前缀包裹。单次超时不阻断整体流程。

API限流优化规则（全局·⚠️ 硬性约束，v2.4.3新增）

为避免触发学术数据源API限流，所有检索/下载操作必须遵守以下规则：

数据源	请求间隔	最大并发数	429退避策略	重试次数上限
arXiv	≥1秒/次	2（PDF下载并发）	3次指数退避（30s→60s→120s）	2次/请求
Semantic Scholar	≥5秒/次（无API Key）	1	3次指数退避（60s→120s→240s）	1次/请求
PubMed	≥2秒/次	2	2次退避（30s→60s）	3次/请求

若连续2次触发同一数据源限流，自动切换到下一个优先级数据源，避免持续触发更严格的限流策略。

流程完整性约束（全局·⚠️ 硬性约束）

阶段一的步骤顺序 Step 0 → 0b → 1 → 2 → 3 → 4 → 等待确认 是固定的，任何步骤不得跳过，且前序步骤未100%完成不得进入后续步骤。特别地：Step4多维表格写入操作必须完成所有记录写入并校验成功后，才能进入等待确认环节输出结果给用户，禁止提前返回摘要卡片。

步骤	异常时处理
Step 0 依赖检查	标记可选依赖，内置 arxiv_search.py 独立运行
Step 0b 表格初始化	重试 1 次，Step 4 补建
Step 1 检索	超时→重试→换源；N>0 继续；N=0 失败
Step 2 下载	逐篇降级（research.py → curl → agent-browser）
Step 3 提炼	PDF 缺失→基于摘要精简
Step 4 写入表格	重试 1 次，仍失败提示用户
⏸️ 等待确认	必须展示卡片并等待用户选择

降级策略（4 级）：L1 research.py(90s) → 同源重试 → L2 按源分派脚本(300s, 含429退避) → L3 跨源换源 → L4 部分结果。

📖 异常时必须读取 references/degradation-strategy.md。

输入解析

参数	说明	默认值
keywords	搜索关键词（自动翻译为英文）	必填
source	数据源	arXiv（首选）
quantity	返回论文数量	3
time_range	时间范围	不限
sort_by	排序方式	relevance
category	arXiv 分类	不限
author	指定作者	不限
paper_id	直接指定论文（单篇模式）	—

arXiv 为全局首选。例外：生物/医学→PubMed；高被引→Semantic Scholar。

阶段一：批量检索与提炼总结

Step 0：🔧 依赖检查与自动安装

bash skills/paper-research/scripts/setup.sh

Step 0b：📊 多维表格初始化

读 Memory scholarclaw_bitable_app_token → 存在且可用则复用；否则自动创建。创建成功后立即写 Memory。

📖 字段/流程见 references/bitable-schema.md，Memory Key 见 references/user-config.md。

Step 1：🔍 多源学术检索

网络连通性：timeout 5 curl -sI https://arxiv.org，失败则跳过检索。

arXiv（首选·内置引擎）：

timeout 300 python skills/paper-research/scripts/arxiv_search.py "<keywords>" --max-results <N> --output search_results.json --output-dir papers/

PubMed：

timeout 300 python skills/paper-research/scripts/pubmed_search.py "<keywords>" --max-results <N> --output search_results.json --output-dir papers/

Semantic Scholar：

timeout 300 python skills/paper-research/scripts/semantic_search.py "<keywords>" --max-results <N> --output search_results.json --output-dir papers/

📌 三脚本统一特性：两阶段下载（并行 3 → 429 后串行退避）、MIME 校验、429/503 指数退避。 🔒 v2.3.3 安全加固：XML 解析使用 defusedxml（arxiv/pubmed），临时文件使用 tempfile.mkstemp（semantic）。

结果处理：N=quantity → Step 2；0<N<quantity → 3 选项等待；N=0 → 降级。

Step 2：⬇️ PDF 验证与补漏下载

2a. 验证：ls -la papers/*.pdf，对照 search_results.json。

2b. 补漏（失败论文，总超时 300s）：429 限流优先 → research.py → curl → agent-browser → 均失败则标记。

Step 3：📝 批量提炼总结（Level 1）

📖 执行前必须读取 references/level1-template.md。

PDF 成功 → summarize → Level 1 提炼（中文 300-500 字）
PDF 失败有摘要 → 基于摘要，标注 ⚠️ 基于摘要生成
PDF 失败无摘要 → 仅填元数据，标注 ⚠️ 无法提炼

Step 4：📊 写入飞书多维表格

追加·禁止覆盖·有多少写多少；写入前按"论文 ID"去重。⚠️ 必须100%完成所有记录写入并校验写入成功后，才能进入下一步用户确认环节，禁止提前输出结果。

⏸️ 等待用户确认

输出提炼卡片 + 表格链接 + 选择提示（编号/全部/跳过）。

阶段二：深度解读（逐篇推送）

对每一篇 i=1..M 循环 Step 5 → 6 → 7：

Step 5：📝 深度解读 + 📊 可视化

📖 执行前必须读取 references/level2-template.md 和 references/level2-guardrails.md。

5a 分层精读：四层阅读法；补充材料必须精读；标注实验设计、样本量、反直觉发现。
5a-post 预检 10 问：必答，覆盖核心理解/深度洞察/批判性评估/前瞻思考。
5b 文字解读：14 节模板；重要论文 4000-6000 字；忠实性防护栏全程生效；反直觉检测；概念辨析三步法。
5c 论文原图提取：调用 pdf 技能，每篇 2-5 张关键图。
5d AI 图表生成：Mermaid 流程图 + matplotlib 实验结果图 + 条件图表；数据 100% 来自原文。
5e 质量自检：4 维度（准确性/完整性/深度/表达）。

Step 6：📄 创建飞书文档

文档标题：[论文解读] {论文标题}。

Step 7：🔗 回填表格 + 📣 推送通知

论文总结 → doc_url，阅读状态 → "已总结"；可选 IM 推送，失败不阻断。

阶段二异常处理

单篇异常不中断整体流程，汇总时列出所有失败篇目。

单篇解读模式

触发：用户直接提供论文 ID / 链接 / PDF。

流程：Step 0 → 获取 PDF → Level 1 → 意图判断 → Level 2 → 文档 → 表格 → 推送。

错误处理

场景	处理
检索无结果	建议调整关键词/扩大时间/换源
结果 < 请求	明确告知，3 选项等待确认
检索 API 异常	超时 → 重试 → 换源
PDF 全部下载失败	继续 Step 2→3→4，基于摘要
PubMed 付费论文	标记"付费·不下载"
飞书 API 失败	重试 1 次 → 仍失败输出本地结果
单篇处理失败	跳过继续，汇总列出

适合场景

01

用户想查找某类 Agent Skill 时

02

需要根据任务场景推荐可安装能力包时

03

需要对比不同来源的安装命令和来源信息时

能力概览

能力 1

按任务关键词查找相关 Skills

能力 2

展示可复制的安装命令

能力 3

保留来源站点、仓库和原始说明，方便继续核验

安装后应在对应宿主中按原始 README 的触发条件使用；具体调用方式请以来源页面和 README 为准。

平台分布

Local Agent

82.76%

按下载量换算82

安全审计

暂无安全审计结果可展示。

权限和风险

敏感数据

该 Skill 可能接触密钥、Token、环境变量或敏感配置，应进入高风险复核队列，默认不自动发布。

安装前确认

本站仅展示第三方公开信息，不托管安装包，不提供自动安装或运行环境。安装前应自行审查源码、依赖和命令行为。当前只有一个来源，正式发布前建议补源仓库或其他目录站核验。

来源信息

来源页面

skills.volces.com

/

SKILL.md 来源

skills.sh

/site/skills.volces.com/byted-arkclaw-paper-research

继续浏览同类 Skills

更多研究检索 Skills（73,675）返回 Skills 目录

上一个 Skill

byted-ark-seedance-skill（字节方舟种子技能）

byted-ark-seedance-skill 用于查找、检索和筛选相关信息，适合在 Local Agent 中需要根据关键词、任务场景或来源线索快速定位候选结果时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态，以及是否会触发联网、命令执行或文件读写。

下一个 Skill

byted-bytehouse-ai-query（byted bytehouse ai 查询）

byted-bytehouse-ai-query 用于查找、检索和筛选相关信息，适合在 Local Agent 中需要根据关键词、任务场景或来源线索快速定位候选结果时使用。可结合来源仓库、安装命令和原始 README 继续核验具体用法。安装前建议确认权限范围、维护状态，以及是否会触发联网、命令执行或文件读写。