Communitygithub.com

Literatur-Review

Systematischer Literatur-Review-Workflow für akademische, biomedizinische, technische und wissenschaftliche Themen, einschließlich Suchplanung, Quellenauswahl, Synthese, Zitierprüfung und Evidenzprotokollierung. Verwenden Sie diese Fähigkeit, wenn es darum geht, eine Sammlung akademischer oder technischer Literatur zu finden, zu sichten, zu synthetisieren und zu zitieren.

Was ist Literatur-Review?

Die Fähigkeit „Literatur-Review“ unterstützt Entwickler und Forscher bei der systematischen Erstellung von Literaturübersichten in akademischen, biomedizinischen und technischen Bereichen. Sie bietet einen strukturierten Workflow, der die Schritte Fragestellung definieren, Suchplanung, Evidenzprotokollierung, Deduplizierung, Quellenauswahl, Datenextraktion, Synthese und Zitierprüfung umfasst. Die Fähigkeit unterscheidet zwischen narrativen, Scoping-, systematischen Reviews und Metaanalysen und passt den Umfang an die Benutzeranforderungen an. Sie ist für Plattformen wie Claude Code, Cursor und Codex konzipiert und enthält Vorlagen für Suchprotokolle, Extraktionstabellen und den abschließenden Bericht. Die Implementierung stellt sicher, dass der Review reproduzierbar ist, indem Protokolle, Ausschlussgründe und Vertrauensniveaus (hoch, mittel, niedrig) dokumentiert werden. Zu den häufigsten Fallstricken zählen die Verwendung von Snippets anstelle vollständiger Texte, das Vermischen von Preprints und begutachteten Studien ohne Kennzeichnung sowie das Fehlen reproduzierbarer Kriterien bei systematischen Reviews.

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/ECC/tree/main/skills/scientific-thinking-literature-review

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Was macht Literatur-Review?

Verwenden Sie diese Fähigkeit, wenn es darum geht, eine Sammlung akademischer oder technischer Literatur zu finden, zu sichten, zu synthetisieren und zu zitieren.

Wann verwenden

  • Erstellung eines systematischen, Scoping- oder narrativen Literaturreviews.
  • Synthese des Stands der Technik für eine Forschungsfrage.
  • Identifizierung von Lücken, Widersprüchen oder zukünftigen Arbeitsrichtungen.
  • Vorbereitung von zitiergestützten Hintergrundabschnitten für Artikel oder Berichte.
  • Vergleich von Evidenz aus Peer-Review-Artikeln, Preprints, Patenten und technischen Berichten.

Review-Typen

  • Narrativer Review: breite Synthese; nützlich zur Orientierung.
  • Scoping-Review: kartiert Konzepte, Methoden und Evidenzlücken.
  • Systematischer Review: vorab definiertes Protokoll, reproduzierbare Suche, explizite Sichtung und Ausschluss.
  • Metaanalyse: systematischer Review plus quantitative Effektaggregation.

Fragen Sie den Benutzer, welcher Grad an Genauigkeit benötigt wird. Wenn nicht angegeben, verwenden Sie standardmäßig einen Scoping-Review für explorative Arbeiten und einen systematischen Review für Veröffentlichungen oder klinische Behauptungen.

Arbeitsablauf

1. Frage definieren

Konvertieren Sie die Eingabeaufforderung in eine durchsuchbare Forschungsfrage.

Für klinische oder biomedizinische Arbeiten verwenden Sie PICO:

  • Population
  • Intervention oder Exposition
  • Vergleich
  • Outcome

Für technische Arbeiten verwenden Sie:

  • System oder Domäne
  • Methode oder Intervention
  • Vergleichsbasislinie
  • Evaluationsmetrik

2. Suche planen

Erstellen Sie ein Suchprotokoll, bevor Sie Quellen sammeln:

  • Datenbanken, die durchsucht werden sollen
  • Datumsbereich
  • Sprachen
  • Publikationstypen
  • Einschlusskriterien
  • Ausschlusskriterien
  • exakte Suchstrings

Minimaler nützlicher Datenbanksatz:

  • PubMed für biomedizinische und biowissenschaftliche Literatur.
  • arXiv für Informatik, Mathematik, Physik, quantitative Biologie und Preprints.
  • Semantic Scholar oder Crossref für breite akademische Entdeckungen.
  • Domänenspezifische Quellen, wenn relevant, wie klinische Studienregister, Patentdatenbanken, Normungsgremien oder offizielle technische Dokumente.

3. Suchen und Evidenz protokollieren

Führen Sie ein Suchprotokoll, das den Review reproduzierbar macht:

| Datenbank | Datum der Suche | Abfrage | Filter | Ergebnisse | Export |
| --- | --- | --- | --- | ---: | --- |
| PubMed | 2026-05-11 | `("CRISPR"[tiab] OR "Cas9"[tiab]) AND "Sichelzelle"[tiab]` | 2020:2026, Englisch | 86 | PMID-Liste |
| arXiv | 2026-05-11 | `CRISPR Sichelzelle Gen-Editing` | q-bio, 2020:2026 | 9 | BibTeX |

Speichern Sie rohe IDs, URLs, DOIs, Zusammenfassungen und Notizen getrennt vom endgültigen Text.

4. Deduplizieren

Deduplizieren Sie in dieser Reihenfolge:

  1. DOI
  2. PMID oder arXiv-ID
  3. exakter Titel
  4. normalisierter Titel plus Erstautor und Jahr

Notieren Sie, wie viele Duplikate entfernt wurden.

5. Quellen sichten

Sichten Sie in Phasen:

  1. Titel
  2. Zusammenfassung
  3. Volltext

Für systematische Arbeiten notieren Sie Ausschlussgründe:

  • falsche Population
  • falsche Intervention
  • falscher Outcome
  • keine Primärforschung
  • Duplikat
  • Volltext nicht verfügbar
  • außerhalb des Datumsbereichs

6. Daten extrahieren

Verwenden Sie eine strukturierte Extraktionstabelle:

| Studie | Design | Population/Daten | Methode | Vergleich | Outcome | Wichtigster Befund | Einschränkungen |
| --- | --- | --- | --- | --- | --- | --- | --- |
| Autor Jahr | RCT/Kohorte/Review/etc. | Stichprobe oder Korpus | Methode | Basislinie | gemessener Outcome | Ergebnis | Einschränkung |

Für technische Artikel fügen Sie Datensatz, Benchmark, Metrik, Basislinie und Reproduzierbarkeitsnotizen hinzu.

7. Synthese

Gruppieren Sie Evidenz nach Themen, anstatt Artikel einzeln zusammenzufassen.

Nützliche Syntheseperspektiven:

  • stärkste Evidenz
  • widersprüchliche Evidenz
  • methodische Schwächen
  • Populations- oder Datensatzgrenzen
  • Aktualität und Replikation
  • praktische Implikationen
  • unbeantwortete Fragen

Unterscheiden Sie Behauptungen nach Vertrauensniveau:

  • Hohes Vertrauen: repliziert, hochwertige Evidenz aus mehreren Quellen.
  • Mittleres Vertrauen: plausibel, aber durch Stichprobe, Methode oder Aktualität eingeschränkt.
  • Niedriges Vertrauen: frühe, spekulative, einzelne Quelle oder schwach gemessene Evidenz.

8. Zitate überprüfen

Vor der Finalisierung:

  • überprüfen Sie DOI, PMID, arXiv-ID oder offizielle URL
  • prüfen Sie Autorennamen und Veröffentlichungsjahr
  • zitieren Sie keinen Artikel für eine Behauptung, die er nicht aufstellt
  • kennzeichnen Sie Preprints als Preprints
  • unterscheiden Sie Reviews von Primäre videnz

Ausgabevorlage

# Literatur-Review: <Thema>

Erstellt: <Datum>
Review-Typ: <narrativ | Scoping | systematisch | Metaanalyse>
Suchfenster: <Daten>
Datenbanken: <Liste>

## Forschungsfrage

## Suchstrategie

## Einschluss- und Ausschlusskriterien

## Evidenzzusammenfassung

## Thematische Synthese

## Lücken und Einschränkungen

## Referenzen

## Suchprotokoll

Fallstricke

  • Behandeln Sie Suchausschnitte nicht als Evidenz.
  • Vermischen Sie keine Preprints, Reviews und Primärstudien, ohne sie zu kennzeichnen.
  • Lassen Sie keine negativen oder widersprüchlichen Ergebnisse aus.
  • Beanspruchen Sie keine systematische Review-Rigor ohne ein reproduzierbares Protokoll.
  • Verwenden Sie keine einzelne Datenbank für eine breite Behauptung, es sei denn, der Umfang ist explizit auf diese Datenbank beschränkt.

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

accessibility

Design, implement, and audit inclusive digital products using WCAG 2.2 Level AA. Use when building or auditing UI that must meet WCAG 2.2 Level AA, or when reviewing a change for keyboard, contrast, or screen-reader support.

affaan-m/content-engine

Create platform-native content systems for X, LinkedIn, TikTok, YouTube, newsletters, and repurposed multi-platform campaigns. Use when the user wants social posts, threads, scripts, content calendars, or one source asset adapted cleanly across platforms.

affaan-m/ECC

Multi-platform content distribution across X, LinkedIn, Threads, and Bluesky. Adapts content per platform using content-engine patterns. Never posts identical content cross-platform. Use when the user wants to distribute content across social platforms.

affaan-m/fal-ai-media

Unified media generation via fal.ai MCP — image, video, and audio. Covers text-to-image (Nano Banana), text/image-to-video (Seedance, Kling, Veo 3), text-to-speech (CSM-1B), and video-to-audio (ThinkSound). Use when the user wants to generate images, videos, or audio with AI.

affaan-m/manim-video

日本語翻訳:このファイルは manim-video 用の日本語翻訳が必要です

affaan-m/remotion-video-creation

Remotion のベストプラクティス - React で動画を作成する。3D、アニメーション、音声、字幕、チャート、トランジションなどをカバーするドメイン固有の29のルール。

affaan-m/video-editing

AI-assisted video editing workflows for cutting, structuring, and augmenting real footage. Covers the full pipeline from raw capture through FFmpeg, Remotion, ElevenLabs, fal.ai, and final polish in Descript or CapCut. Use when the user wants to edit video, cut footage, create vlogs, or build video content.

agent-architecture-audit

Full-stack diagnostic for agent and LLM applications. Audits the 12-layer agent stack for wrapper regression, memory pollution, tool discipline failures, hidden repair loops, and rendering corruption. Produces severity-ranked findings with code-first fixes. Essential for developers building agent applications, autonomous loops, or any LLM-powered feature. Use when an agent or LLM feature misbehaves and the failing layer is unknown, or before shipping an agent stack.

agent-eval

Head-to-head comparison of coding agents (Claude Code, Aider, Codex, etc.) on custom tasks with pass rate, cost, time, and consistency metrics. Use when choosing between coding agents, or when a change to an agent setup needs measured pass rate, cost, and time rather than an impression.

agent-harness-construction

Design and optimize AI agent action spaces, tool definitions, and observation formatting for higher completion rates. Use when defining or revising an agent

agentic-engineering

Operate as an agentic engineer using eval-first execution, decomposition, and cost-aware model routing. Use when planning or executing engineering work that agents will carry out end to end.

agentic-os

Build persistent multi-agent operating systems on Claude Code. Covers kernel architecture, specialist agents, slash commands, file-based memory, scheduled automation, and state management without external databases. Use when building a persistent multi-agent system on Claude Code with its own memory, commands, and scheduling.

agent-introspection-debugging

Structured self-debugging workflow for AI agent failures using capture, diagnosis, contained recovery, and introspection reports. Use when an agent run fails and you need a reproducible diagnosis instead of a retry.

agent-payment-x402

Add x402 payment execution to AI agents with per-task budgets, spending controls, and non-custodial wallets. Supports Base through agentwallet-sdk and X Layer through OKX Payments / OKX Agent Payments Protocol. Use when an agent must pay for something itself and needs per-task budgets, spending controls, and a non-custodial wallet.

agent-self-evaluation

Use after completing any non-trivial task. The agent self-rates its output on 5 axes — accuracy, completeness, clarity, actionability, conciseness — with concrete evidence per criterion. Produces a structured 1-5 scorecard with specific improvement suggestions.

agent-sort

Build an evidence-backed ECC install plan for a specific repo by sorting skills, commands, rules, hooks, and extras into DAILY vs LIBRARY buckets using parallel repo-aware review passes. Use when ECC should be trimmed to what a project actually needs instead of loading the full bundle.

ai-first-engineering

Engineering operating model for teams where AI agents generate a large share of implementation output. Use when setting team process, review gates, or ownership rules for a codebase largely written by agents.

ai-regression-testing

Regression testing strategies for AI-assisted development. Sandbox-mode API testing without database dependencies, automated bug-check workflows, and patterns to catch AI blind spots where the same model writes and reviews code. Use when adding regression coverage to AI-assisted code, or when the same model both wrote and reviewed a change.

android-clean-architecture

Clean Architecture patterns for Android and Kotlin Multiplatform projects — module structure, dependency rules, UseCases, Repositories, and data layer patterns. Use when structuring modules, layers, or data flow in an Android or KMP project.

angular-developer

Generates Angular code and provides architectural guidance. Trigger when creating projects, components, or services, or for best practices on reactivity (signals, linkedSignal, resource), forms, dependency injection, routing, SSR, accessibility (ARIA), animations, styling (component styles, Tailwind CSS), testing, or CLI tooling.

Verwandte Skills