8-phasige Literaturrecherche-Pipeline. 7 föderierte Quellen, Deduplizierung, Ranglisten-basierte Suche, Zitationsverfolgung, Selbstkritik, 5 Berichtsarchetypen.
Scholar Deep Research ist eine leistungsstarke, mehrphasige Pipeline für die Tiefenrecherche in der wissenschaftlichen Literatur. Sie durchläuft acht Phasen, um aus sieben föderierten Quellen relevante Publikationen zu sammeln, zu deduplizieren, zu bewerten und zu analysieren. Der einzigartige Workflow integriert Citation Chaining (Vorwärts- und Rückwärtssuche von Zitaten) und eine Selbstkritikphase, um die Qualität der Ergebnisse zu verbessern. Abschließend generiert das System einen von fünf möglichen Berichtsarchetypen, die auf die spezifischen Anforderungen des Nutzers zugeschnitten sind. Ursprünglich aus GitHub entdeckt und für moderne KI-Agenten wie Claude, Codex und Gemini optimiert, ermöglicht dieses Skill eine automatisierte, gründliche und reproduzierbare Literaturrecherche, ideal für Forscher und Entwickler, die einen umfassenden Überblick über ein wissenschaftliches Thema benötigen.
npx skills add Agents365-ai/scholar-deep-researchInstalled? Explore more Recherche & Datenanalyse skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →
8-phasige Literaturrecherche-Pipeline. 7 föderierte Quellen, Deduplizierung, Ranglisten-basierte Suche, Zitationsverfolgung, Selbstkritik, 5 Berichtsarchetypen.
Quelle: https://github.com/Agents365-ai/scholar-deep-research
Entdeckt aus GitHub-Repositorys, die in den letzten 24 Stunden für Agenten-Skills, Claude/Codex/Gemini-Workflows, MCP-Tooling und angrenzende KI-Agenten-Automatisierung gepusht wurden.
USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.
Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.
Systematic literature-review workflow for academic, biomedical, technical, and scientific topics, including search planning, source screening, synthesis, citation checks, and evidence logging.
The agent harness performance optimization system. Skills, instincts, memory, security, and research-first development for Claude Code, Codex, Opencode, Cursor and beyond.
Agent skill repository discovered by 10x-chat research.
Review backend code for quality, security, maintainability, and best practices based on established checklist rules. Use when the user requests a review, analysis, or improvement of backend files (e.g., `.py`) under the `api/` directory. Do NOT use for frontend files (e.g., `.tsx`, `.ts`, `.js`). Supports pending-change review, code snippets review, and file-focused review.