CommunitySchreiben & Editierengithub.com

FengYM666/AI-Research-OS

Verwandle deinen KI-Coding-Agenten in einen akademischen Forschungspiloten: Anti-Halluzinations-Disziplin + vollständiger Workflow für Top-Konferenzpapiere + Literaturrecherche MCP | Turn your AI coding agent into an academic research copilot

Was ist AI-Research-OS?

Das Skill „AI-Research-OS“ verwandelt einen KI-Coding-Agenten (z. B. Claude Code, Cursor, Codex) in einen zuverlässigen akademischen Co-Piloten, der bei der Literaturrecherche und dem Umgang mit wissenschaftlichen Publikationen assistiert. Es wurde speziell für Forscher entwickelt und legt eisernen Wert auf faktische Genauigkeit: Die KI darf keine Papiere aus dem Gedächtnis erfinden – jeder empfohlene Artikel muss auf realen, während der aktuellen Sitzung abgerufenen Datensätzen basieren (API-Antworten oder Webscraping). Dazu gehört die strikte Einhaltung von fünf Zitationselementen (Titel, Autoren, Jahr, Venue, Link) aus derselben Quelle. Das Skill ist für die Nutzung mit einem „paper-search“ MCP-Server (openags/paper-search-mcp, 57 Tools) konfiguriert, der den Zugriff auf über 20 Quellen wie arxiv, OpenAlex, dblp, Semantic Scholar, Google Scholar und Crossref ermöglicht. Falls das MCP nicht verfügbar ist, wird eine manuelle curl-basierte Fallback-Lösung mit Proxy-Unterstützung bereitgestellt. Der Workflow umfasst die Zerlegung von Suchanfragen, die Erstfilterung mit OpenAlex/arxiv, die Venue-Verifizierung (z. B. mit dblp), die Suche nach Code/SOTA auf Papers with Code, die Erweiterung über Google Scholar sowie eine abschließende Prüfung der Zitationselemente. Das Skill ist für lokale Umgebungen mit dem genannten MCP-Server optimiert und unterstützt die Recherche auf Englisch (die Fachdatenbanken arbeiten hauptsächlich mit englischen Schlüsselbegriffen).

Funktioniert mit~Claude Code~Codex CLI~Cursor
npx skills add FengYM666/AI-Research-OS

Installed? Explore more Schreiben & Editieren skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

In Ihrer bevorzugten KI fragen

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

Dokumentation

Richtlinien für die Literatursuche

Der Hauptfokus des Nutzers liegt auf akademischer Forschung. Bei der Suche nach Papieren gilt: Genauigkeit > Anzahl > Geschwindigkeit.

Ehernes Gesetz: Keine Erfindungen

  1. Jedes empfohlene Papier muss aus den in dieser Runde tatsächlich abgerufenen echten Datensätzen stammen (API-Antworten oder Webscraping-Inhalte). Es ist verboten, Papiere aus dem Trainingsspeicher aufzulisten – Namen, Titel und Jahre aus dem Gedächtnis sind extrem fehleranfällig.
  2. Die fünf Zitationselemente müssen vollständig und aus demselben echten Datensatz stammen: Titel, Autoren, Jahr, Veröffentlichungsort (Venue), zugänglicher Link.
  3. Wenn nichts gefunden wird, sag deutlich „Nicht gefunden“; wenn du dich nur erinnerst, aber nicht überprüfen konntest, kennzeichne es mit 【Nicht überprüft】 und erkläre es.
  4. Gib die tatsächlich verwendeten Suchbegriffe an, damit der Nutzer sie reproduzieren und weiter vertiefen kann.
  5. Achte auf die Unterscheidung zwischen offiziell veröffentlichten Versionen und arXiv-Preprints. Bei gleichem Titel bevorzuge die offiziellen Veröffentlichungsinformationen.

Bevorzugtes Werkzeug: paper-search MCP (konfiguriert)

ZCode ist mit dem paper-search MCP-Server verbunden (openags/paper-search-mcp, 57 Werkzeuge). Rufe bei der Suche zuerst seine Werkzeuge auf, verwende kein eigenes curl:

  • search_papers (einheitliche Suche über mehrere Datenbanken), search_arxiv, search_openalex, search_dblp, search_semantic, search_google_scholar, search_crossref usw. – Suche in 20 Quellen
  • download_arxiv / read_arxiv_paper usw.: PDF herunterladen, Volltext extrahieren (jede Quelle hat entsprechende Werkzeuge)
  • Die Google Scholar-Suche ist mit einem Proxy konfiguriert (PAPER_SEARCH_MCP_GOOGLE_SCHOLAR_PROXY_URL); wenn der Proxy nicht läuft, schlägt GS fehl – weiche einfach auf andere Quellen aus.

Wenn das MCP nicht verfügbar ist (z. B. Server nicht verbunden), falle auf die manuelle curl-Methode unten zurück.

Quellen und Erreichbarkeit (lokal getestet im Sep. 2026)

Direkt verbindbar (kein Proxy im Terminal nötig):

QuelleVerwendungZugang
OpenAlex APIBevorzugt: kostenlos, kein Key, deckt 250+ Millionen Papiere ab, filterbar nach Datum/Venue/Zitierungenhttps://api.openalex.org/works?search=<Begriff>&per-page=10, mit &filter=from_publication_date:YYYY-01-01 auf Jahr begrenzen
arXiv APIPreprints, Hauptveröffentlichungsort neuer Arbeiten in CV/AIhttps://export.arxiv.org/api/query?search_query=all:<Begriff>&max_results=10&sortBy=submittedDate
CVF Open AccessOffizielle Volltexte von CVPR / ICCV / ECCV, inkl. Workshopsopenaccess.thecvf.com
dblp APIGoldstandard zur Überprüfung des tatsächlichen Veröffentlichungsorts und -jahres eines Papiershttps://dblp.org/search/publ/api?q=<Titel>&format=json
Papers with CodePapiere + offizieller Code + SOTA-Ranglistenpaperswithcode.com
Domain-eigene BibliothekenACL Anthology (NLP), proceedings.neurips.cc, proceedings.mlr.press (ICML), OpenReview (ICLR)jeweilige offizielle Websites

Benötigt Proxy (zuerst im Terminal export https_proxy=http://127.0.0.1:7892, Port gemäß aktueller Registry):

QuelleVerwendungHinweis
Google ScholarGrößte Abdeckung, Zitierungen, Zitationsverfolgung, „Verwandte Artikel“-ErweiterungBevorzugt mit dem Skill control-browser einen echten Browser öffnen (System-Proxy automatisch aktiv, kann Captcha umgehen); curl-Aufrufe lösen leicht CAPTCHA aus
Semantic Scholar APIZitationsnetzwerkanalyse, TLDR-ZusammenfassungenOhne Key stark ratenbegrenzt (leicht 429), für kleine Anfragen nutzbar, als Reserve

Arbeitsablauf

  1. Suchbegriffe zerlegen: Zerlege die Anforderung des Nutzers in 2–4 englische Suchbegriffe (akademische Datenbanken akzeptieren meist nur Englisch; übersetze chinesische Begriffe zuerst in Schlüsselwörter).
  2. Erstfilterung: Suche mit OpenAlex + arxiv, wähle Kandidaten nach Relevanz, Jahr und Zitierungen aus.
  3. Venue überprüfen: Wenn ein Papier angeblich auf einer Konferenz wie CVPR/ICCV veröffentlicht wurde, überprüfe dies mit dblp oder der Konferenz-Website – dieser Schritt bekämpft speziell „echt aussehende, aber gefälschte Papiere“.
  4. Code/SOTA suchen: Papers with Code.
  5. Klassiker erweitern: Google Scholar, sortiert nach Zitierungen + „Verwandte Artikel“ + Referenzen verfolgen.
  6. Vor der Ausgabe jedes Papier einzeln auf die fünf Elemente prüfen; fehlt eines, geh zurück und ergänze.

Ausgabeformat

TitelAutorenKonferenz/Journal + JahrLinkBeziehung zur Anfrage (ein Satz)

Anhängend: Die in dieser Runde verwendeten Suchbegriffe; falls offizieller Code vorhanden, füge den Link zum Code-Repository hinzu; gib an, welche Einträge nicht überprüft werden konnten.

Verwandte Skills