affaan-m/literature-review

Workflow de revue systématique de la littérature pour des sujets académiques, biomédicaux, techniques et scientifiques, incluant la planification de recherche, le filtrage des sources, la synthèse, la vérification des citations et la journalisation des preuves.

Qu'est-ce que literature-review ?

Cette compétence pour agents IA (comme Claude Code, Cursor, Codex) automatise le flux de travail d'une revue systématique de la littérature. Elle guide l'utilisateur à travers les étapes clés : la planification de la recherche (définition de mots-clés et de bases de données), le filtrage des sources (évaluation de la pertinence par titre et résumé), la synthèse des articles retenus, la vérification des citations et la journalisation des preuves (extraction et structuration des informations). Utile pour les chercheurs, étudiants et professionnels en contexte académique, biomédical, technique ou scientifique, cette compétence garantit une approche rigoureuse et reproductible. Elle ne dépend pas d'une plateforme spécifique mais fonctionne via des instructions textuelles structurées, exploitant le modèle de langage pour analyser et organiser l'information. En suivant le guide SKILL.md, l'agent aide à maintenir un processus transparent et documenté, évitant les oublis et assurant la qualité de la revue.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/affaan-m/everything-claude-code/tree/main/skills/literature-review

Installed? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/everything-claude-code · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Que fait literature-review ?

Flux de travail de revue systématique de la littérature pour des sujets académiques, biomédicaux, techniques et scientifiques, incluant la planification de recherche, le filtrage des sources, la synthèse, la vérification des citations et la journalisation des preuves.

Vue d'ensemble

Cette compétence permet à un agent IA d'exécuter une revue systématique de la littérature en suivant un processus structuré en plusieurs étapes. Elle est conçue pour être utilisée avec des outils comme Claude Code, Cursor ou Codex, où l'agent peut interagir avec l'utilisateur pour collecter des informations et générer des résultats organisés.

Étapes du flux de travail

  1. Planification de la recherche : Définir les questions de recherche, les mots-clés, les bases de données à interroger et les critères d'inclusion/exclusion.
  2. Filtrage des sources : Examiner les titres et résumés des articles potentiels pour évaluer leur pertinence.
  3. Synthèse : Résumer et comparer les articles retenus, en identifiant les thèmes communs, les divergences et les lacunes.
  4. Vérification des citations : Vérifier la cohérence et l'exactitude des citations dans les articles sélectionnés.
  5. Journalisation des preuves : Extraire et structurer les preuves clés (auteurs, année, résultats, conclusions) pour une utilisation ultérieure.

Utilisation

L'agent interagit avec l'utilisateur pour obtenir les informations nécessaires à chaque étape. Les résultats sont présentés sous forme de listes, tableaux ou résumés, selon le besoin. Les commandes spécifiques à la plateforme (par exemple, les invites pour Claude Code) doivent être adaptées en conséquence.

Exemple de commande

/literature-review start

Cette commande initie le flux de travail. L'agent demande ensuite les questions de recherche et les mots-clés.

Dépendances

  • Aucune dépendance externe requise ; l'agent utilise uniquement les capacités de traitement du langage naturel.

Notes

  • Pour des résultats optimaux, fournir des descriptions claires et concises des sujets de recherche.
  • Les sorties générées peuvent être exportées manuellement vers un fichier (par exemple, Markdown ou CSV) selon les besoins.

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/claude-api

Anthropic Claude API patterns for Python and TypeScript. Covers Messages API, streaming, tool use, vision, extended thinking, batches, prompt caching, and Claude Agent SDK. Use when building applications with the Claude API or Anthropic SDKs.

affaan-m/everything-claude-code

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/everything-claude-code

End-to-end marketing campaign planning and execution. Covers audience research, positioning, campaign angle definition, landing page copy, email sequences, social posts, ad copy, short-form video scripts, and content calendars. Use as the orchestration layer for multi-channel product launches. Use when planning or executing a multi-channel product launch, or producing landing page, email, social, or ad copy.

affaan-m/everything-claude-code-conventions

Development conventions and patterns for everything-claude-code. JavaScript project with conventional commits.

affaan-m/frontend-design

Create distinctive, production-grade frontend interfaces with high design quality. Use when the user asks to build web components, pages, or applications and the visual direction matters as much as the code quality.

affaan-m/gget

gget CLI and Python workflow for quick genomic database queries, sequence lookup, BLAST-style searches, enrichment checks, and reproducible bioinformatics evidence logs.

affaan-m/motion-ui

Production-ready UI motion system for React/Next.js. Use when implementing animations, transitions, or motion patterns.

affaan-m/project-guidelines-example

Example project-specific skill template based on a real production application.

affaan-m/pubmed-database

Direct PubMed and NCBI E-utilities search workflows for biomedical literature, MeSH queries, PMID lookup, citation retrieval, and API-backed literature monitoring.

affaan-m/scholar-evaluation

Structured scholarly-work evaluation for papers, proposals, literature reviews, methods sections, evidence quality, citation support, and research-writing feedback.

affaan-m/uspto-database

USPTO patent and trademark data workflow for official record lookup, PatentSearch queries, TSDR checks, assignment data, and reproducible IP research logs.

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.

Skills associés