Community研究與資料分析github.com

lingzhi227/文獻回顧

使用多視角對話模擬進行全面文獻回顧。生成多樣化的專家角色,進行基於事實的問答對話,並將發現綜合為結構化知識。適合在開始新的研究專案或撰寫調查章節時使用。

文獻回顧 是什麼?

這個技能(lingzhi227/literature-review)透過模擬多位專家的對話,協助使用者進行全面的文獻回顧。它能自動生成不同的專家角色(如理論家、實務者、批評者等),針對選定的研究主題進行深入且基於事實的問答。隨後,技能會將這些多角度的見解整合成結構化的知識,產出綜合報告、研究地圖與關鍵見解。此技能主要應用於 AI 代理開發與學術研究環境,支援 Cursor 等工具。其工作流程涵蓋角色生成、對話引導、知識萃取與最終報告合成,幫助研究者快速掌握領域全貌,避免偏頗,並為新研究或撰寫文獻探討章節建立堅實基礎。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/lingzhi227/agent-research-skills/tree/main/skills/literature-review

Installed? Explore more 研究與資料分析 skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

文獻回顧 是做什麼的?

使用多視角對話模擬進行全面文獻回顧。生成多樣化的專家角色,進行基於事實的問答對話,並將發現綜合為結構化知識。適合在開始新的研究專案或撰寫調查章節時使用。

功能

  • 多角色模擬:自動生成不同觀點的專家角色(例如理論家、實務者、批評者等),從多方角度審視研究主題。
  • 結構化對話:驅動這些角色進行聚焦於文獻的問答,確保對話基於真實學術來源。
  • 知識綜合:將來自不同角色的討論、論點與發現進行萃取與組織,形成結構化的知識框架。
  • 報告產出:生成完整回顧報告,包含主要結論、爭議點與未來研究方向。
  • 研究地圖:可視化各角色觀點間的關係,呈現研究領域的動態平衡與缺口。

使用方法

  1. 在主流程中啟用此技能。
  2. 輸入你想回顧的研究主題或問題。
  3. 技能將自動生成專家角色清單並啟動對話。
  4. 你可以跟進特定角色的觀點,或提出後續問題。
  5. 最後,技能會綜合所有對話內容,產出結構化報告。

範例

主題:大型語言模型的倫理審查

  • 專家角色:倫理學家、AI 工程師、社會政策研究員、監管專家
  • 對話:
    • 倫理學家提出公平性與偏見議題。
    • 工程師解釋偏見在訓練資料中的技術來源。
    • 政策研究員提供不同國家的監管案例。
    • 監管專家分析現行法規的不足。
  • 綜合:產生一個包含倫理風險、技術解決方案與政策建議的結構化報告。

需求

  • 支援 Cursor 或其他具備 AI 代理功能的開發環境。
  • 穩定網路連線以存取相關學術資料庫(建議)。

限制

  • 文獻回顧的深度取決於模型的預訓練知識,可能無法涵蓋最新發表。
  • 建議使用者交叉驗證關鍵引用來源。
  • 不支援直接匯入個人 PDF 或文獻管理庫(如 Zotero)的功能。

更多資訊

請參閱原始儲存庫:lingzhi227/literature-review

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

相關技能