来源分类 是做什么的？
寻找候选来源，然后在任何分析之前回答关于每个来源的四个问题：
- 它是否在法律上免费？（获取）
- 我，一个AI代理，是否真的能读取它，通过哪种途径？（可达）
- 它是否真实、最新且未被撤回？（完整性）
- 它有多好，有多核心？（等级、角色、⭐ 上下文精选）
输出是一个分类账。research-plan在此基础上构建，evidence-check据此进行审计，用户也可以独立使用它（“你能读哪些，哪些必须我下载？”）。适用于任何领域和非论文来源。
核心真理（来之不易；不要重新学习）
- 获取权限是按路径而非按论文判断的。 一篇开放获取文章可能在出版商网站上被屏蔽，但可通过API读取，反之亦然。记录成功的路径。
- HTTP 200 可能是假象。 CAPTCHA页面、登录墙、JS外壳、空内容XML以及报告“成功”但内容为空的工具，看起来都像是成功。检查你实际得到的内容。
- WebFetch返回的是模型的提取结果，而非页面本身。 适合阅读和获取元数据；永远不能作为逐字引用的来源。逐字文本只能来自原始路径：通过shell（
curl）获取的API XML/JSON、下载的PDF或用户提供的文件。 - 被屏蔽 ≠ 不存在。 一个阻止你的页面会将来源标记为
unchecked，而不是not_found。一个API若宕机，则忽略该信号，从不记录false。 - Bronze ≠ 可读。 测试它。
- 永远不要绕过。 没有影子图书馆、镜像站、缓存、绕过机器人/CAPTCHA的抓取或批量采集。
- 永远不要凭记忆命名来源。 在测试中，两个模型初稿的参考文献都有错误的标题、错误的年份、错误的DOI，甚至有一篇根本不存在的论文。每个来源在出现之前都要先查找确认。
边做边写（检查点）
开始时创建 research/<slug>/ledger.md。每次搜索后，将查询行追加到搜索日志中。分类一个来源后，立即追加其行。长时间运行会丢失上下文；磁盘上的分类账就是内存。
步骤 0 — 框架（一条消息，然后开始）
用一行说明：问题 · 领域 · 年份范围（默认：最近10-15年 + 标志性的早期作品；“最近” = 5年） · 范围内的来源类型 · 请求中的硬约束（例如“评分标准需要2个书章节”） · 深度：
quick：保留8-15个来源。雪球滚雪球是可选的（从顶级评论向前滚雪球一次）。超过上限的记录被记录为not carried forward (cap)：只需计数，无需排除原因。deep：保留25个以上，从3-5个最核心的作品向后和向前滚雪球。
除非用户纠正，否则继续。如果用户说“让我确认”/“逐步进行”，在每个 ◆ 处停止。否则直接运行并在最后列出你的选择。
步骤 1 — 优先检查本地库
检查用户已有的资源：连接的PDF文件夹、之前的 research/*/ 分类账、.bib或Zotero/CSL导出。已有的来源标记为 held: library。将其DOI传递给搜索作为“已有”。
步骤 2 — 发现
每个概念设置一组术语，用OR连接：同义词、缩写、旧名称、英式/美式拼写、方法名称。对于生命科学，添加MeSH + 入口术语、基因符号、酶名称 + EC编号、拉丁文 + 常用生物名称。查询方法而非作者。 每次查询使用2-3个概念组；更多AND条件会返回0条结果。
| 需求 | 主要数据库 | 辅助数据库 |
|---|---|---|
| 生物医学 / 生命科学 | PubMed (MeSH) | Europe PMC REST（SRC:"PPR" 查找bioRxiv/medRxiv预印本；HAS_FT:y = 有全文）、OpenAlex |
| 任何领域，广泛 | OpenAlex（主题/概念过滤器优于原始搜索） | Semantic Scholar、Crossref |
| CS / ML / 物理 / 定量生物学 | arXiv（按相关性排序） | Semantic Scholar、alphaXiv / Scholar Feed |
| 预印本 | Europe PMC SRC:"PPR" 或 OpenAlex type:preprint | bioRxiv连接器没有关键字搜索：仅用于获取已知DOI的详细信息和已发表版本 |
| 书章节 | OpenAlex type:book-chapter、出版商目录、WebSearch | 验证其容器（参见步骤4） |
| 声明 / 评论快速搜索 | Consensus、Elicit（如果连接） | 通过DOI验证每条结果 |
| 非论文来源 | 首先查看所有者的官方文档/规格/代码 | 其余使用WebSearch |
- 灵敏度检查： 如果已知关键论文，确认你的查询能找到它们。
- 结果数量： 数万条结果意味着范围太宽；0-1条意味着约束过度，需要重新措辞。重新措辞一个零结果查询属于同一轮操作。
- 记录： 标题、作者、年份、期刊、类型、DOI · PMID · PMCID · arXiv · URL、
found_via。 - 去重： DOI → 其他ID → 标准化标题 + 年份。合并预印本和已发表版本。
- 边界： 在约1,000条记录或约50次调用前询问。
◆ 检查点：术语、查询、结果数量。
步骤 3 — 获取分类（在阅读任何内容之前）
3a. 法律获取（批量处理）
对于每个保留的来源，调用OpenAlex get_work（搜索结果省略了许可证）。精确复制其 oa_status 值：gold · diamond · hybrid · green · bronze · closed。同时记录 license 和 oa_url/pdf_url。Europe PMC license 字段和PubMed get_copyright_status 是备选方案。Unpaywall（version、host_type）需要一个真实的邮箱：仅使用用户为此目的批准的邮箱；否则跳过。
- 无数据 →
unknown。永远不要发明oa、?后缀或出版商名称作为访问值。 - 非论文来源 →
web。 - 许可证未知 → 在重新分发时视为
local-only。
3b. 代理可达性：路径阶梯（在第一个成功处停止）
- 已有：在用户的库或之前的运行中。
- Europe PMC REST，原始方式，通过shell
curl，且shell可以访问：- 搜索：
…/rest/search?query=DOI:"a" OR DOI:"b"&format=json，每次调用最多8个DOI，间隔至少1秒； - 全文：
…/rest/{PMCID}/fullTextXML。 这是最佳的逐字引用路径。仅在shell无法访问时才使用WebFetch；WebFetch会拒绝长URL并受速率限制。 - 429 → 等待，重试一次。5xx →
blocked:http-5xx，转到下一条路径。
- 搜索：
- PubMed
get_full_text_article：仅当full_text非空时有效。空 →blocked:empty-body。 - 预印本服务器：arXiv、bioRxiv/medRxiv
.full页面。 - OA位置：OpenAlex
oa_url/pdf_url（直接PDF URL可能在文章页面失败时成功）、Semantic ScholaropenAccessPdf、CORE、Crossref TDM链接。 - 出版商页面：每个主机仅尝试一次。跟随DOI重定向即为该次尝试。永远不要进入robots.txt禁止的主机（ScienceDirect / Elsevier linkinghub）。
- 作者或机构仓库，通过WebSearch
"<exact title>" pdf。尊重“禁止文本和数据挖掘 / AI使用”的通知。 - 无任何成功：记录原因并将来源路由给用户。
2026年10月观察（重新测试；这些可能会变化）：
- 原始方式正常：通过curl访问Europe PMC REST。
- 提取方式正常：Nature OA、Frontiers、MDPI、bioRxiv
.full、arXiv、来自OpenAlex的Springer PDF URL。 - 被屏蔽：ScienceDirect（robots.txt）、Wiley（包括OA，获取错误）、Springer文章页面、BMC PDF端点、PMC网站（CAPTCHA）、Annual Reviews、Science。
- 不可靠：PubMed全文工具（经常为空）、Europe PMC fullTextXML（某些PMCID返回HTTP 500）、通过WebFetch访问Europe PMC（受速率限制）。
在调用任何可读内容之前进行验证：
- 正文内容超出摘要；
- 不是CAPTCHA/登录/访问受限页面；
- 不是空或仅元数据的XML。
- 一个下载的文件仅当以
%PDF-开头、不是HTML且大于约10KB时才有效。
| reach | 含义 |
|---|---|
readable:<route> | 获得全文：readable:europepmc-xml（原始） · readable:pdf（原始） · readable:webfetch（提取，不能用于逐字引用） |
abstract-only | 仅可获得摘要（典型付费墙） |
blocked:<reason> | paywall（连摘要都没有） · robots · captcha · login · http-4xx · http-5xx · fetch-error · rate-limited · empty-body · js-shell |
unchecked | 未尝试（预算/上限）。从不写“not tested”。 |
标签规则： 控制词在前，完全按照这些表格。注释可放在括号中，例如 verified (Crossref DOI)。
在将来源标记为 blocked 或 abstract-only 之前，寻找可免费获取的副本。一个在法律状态上为 gold/hybrid/green/bronze但对你的代理 blocked 的来源，应放在“免费但对AI代理被屏蔽”部分。
步骤 4 — 完整性（批量处理；在命名任何内容之前）
在发现后立即对每个你将命名的来源运行此步骤：包括在计划中、作为⭐ 选择或作为推荐。这不是最终步骤。
- 存在性： 判定
verified·partial·mismatch·not_found·unchecked。使用Reference Checkercheck_references+ OpenAlexresolve_references。当工具不一致时，在Crossref或OpenAlex中精确DOI匹配优先于基于标题搜索的not_found；两者都记录。 - 书章节： 验证容器，而不仅仅是DOI：来自Crossref记录的书名、编辑、页码和出版商（
api.crossref.org/works/<doi>→container-title、page）。在测试中，DOI正确但书名错误的情况出现过。 - 撤回：
check_retractions。Clear仅表示“未发现撤回通知”。 - 同行评审： 将预印本标记为（
peer: preprint）在分类账中；在源文件条目中标记为`preprint`；如果存在已发表版本，引用它。 - 污染： 一个2024年后的预印本如果在≥2个索引中无匹配，则存在造假风险。重新验证或丢弃。
- 掠夺性期刊标记；灰色文献：URL + 访问日期 + Wayback链接。
步骤 5 — 等级、角色、⭐
等级A–F： 根据其自身领域的适用性、方法论、同行评审、时效性、数据、冲突的综合中位数。完整性失败将等级上限设为D。未读或仅摘要的来源获得临时等级（B?）。
角色： evidence · background · method · tool/data · counter。
非论文来源层级： T1 所有者文档/规格/代码/法规 · T2 机构 · T3 专家新闻 · T4 社区 · T5 供应商营销。
⭐ 上下文精选（5-10个选择）：如果本地存储，最能改善正在构建的内容的来源。获取权限无关紧要。每个选择需要：
- 为什么重要；
- 如何获取（OA链接/VIT图书馆登录/馆际互借/联系作者）；
- 保存为名称
<firstauthor>-<year>-<keyword>.pdf； - 可重新分发：
ok（CC-BY / CC0 / 公共领域）或local-only（其他所有情况，包括未知许可证）。
偏差检查： 某一维度上已知值 ≥70% → 说明并给出计数。
步骤 6 — 分类账
research/<slug>/ledger.md：第一张表，每个来源一行，列按此顺序：
# · Short cite · Type · Role · Grade · access · licence · version · reach · held · read · integrity · retraction · peer · ⭐ · Save as · Link · found_via
read初始为not-read；research-plan会填充full·sections:<which>·abstract·metadata。⭐= 对于精选是ok或local-only，否则为-。- 排除的行使用ID
E1…。
在表格下方：
- 搜索日志： 数据库 · 日期 · 查询 · 命中数 · 哪些术语找到了什么。
- 计数： 已识别 → 去重后 → 未向前推进（上限） → 保留 → 排除（注明原因）。任何计数行中的
total= 所有分类账行，包括排除的行。
运行捆绑的检查器：python3 <此技能文件夹>/scripts/research_checks.py ledger research/<slug>/ledger.md（标准库Python，在你的沙箱中运行），并在移交前修复错误。独立使用时，将分类账渲染为research-plan中描述的源文件。
隐私
仅使用主题词进行搜索，绝不使用用户未发表作品中的句子。用户的电子邮件仅用于Unpaywall，且仅在其同意的情况下使用。