核心用法
research-paper-kb 是一款面向学术研究者的持久化知识库工具，旨在解决AI对话会话中断后论文信息丢失的核心痛点。用户仅需提供arXiv URL、DOI或论文标题，系统自动完成：① 抓取元数据与摘要；② 提取结构化情报（核心方法、待解决问题、关键结果、与用户工作的重叠度）；③ 生成标准BibTeX引用；④ 以固定格式追加至PAPERS.md文件；⑤ 在MEMORY.md中更新指针，确保跨会话可追溯。
显著优点
- 真正的持久化存储：基于文件系统而非上下文窗口，论文信息永久留存于工作区
- 智能威胁评估：独创1-5级威胁度量化体系，帮助研究者快速识别直接竞争文献
- 多源数据融合：整合arXiv原生API与Semantic Scholar学术图谱，获取引用量、影响力指标及关联推荐
- 标准化知识萃取：强制结构化字段（Method/Gap/Key Results/Overlap），避免碎片化笔记
- 零配置开箱即用：无需数据库部署，纯Markdown格式保证可读性与版本控制友好
潜在局限
- 全文获取受限：付费墙后的DOI论文仅能提取元数据，无法自动解析PDF全文
- 威胁评估主观性：依赖用户主动声明研究方向或历史PAPERS.md推断，缺乏领域本体支撑
- API依赖风险：Semantic Scholar存在速率限制，高频使用可能触发降速或中断
- 无协同功能：单用户文件模式，不支持团队共享或权限管理
- 更新机制被动：需用户主动触发"update"指令，无自动文献监控或推送
适合人群
- 需长期跟踪数十至数百篇文献的博士研究生、博士后及青年研究员
- 跨项目/跨会话频繁切换、依赖AI辅助文献综述的知识工作者
- 关注研究竞争格局、需系统评估"谁在做类似工作"的PI或实验室负责人
- 偏好本地优先（local-first）、可导出纯文本数据的隐私敏感型用户
常规风险
- 数据完整性：
PAPERS.md若被误删或覆盖无自动备份机制 - 隐私泄露：arXiv ID/DOI查询本身匿名，但Semantic Scholar API调用可能暴露研究兴趣图谱
- 引用格式偏差：自动生成的BibTeX需人工校验会议/期刊简称规范（尤其计算机领域CCF分类）
- 威胁评级漂移：随用户研究方向演进，历史评级可能失准，需定期人工复核
设计亮点
作者IlkhamFY采用"文件即数据库"的极简架构，巧妙规避了传统知识库的数据库运维成本；双模式交互（添加/查询）覆盖完整用例闭环；与citation-management、proactive-research等技能的生态联动设计展现出良好的扩展性思考。