核心用法
academic-retrieval 是面向科研场景的学术文献检索技能，提供三大核心能力：
1. 结构化元数据搜索（search_papers）：通过作者、年份、期刊、主题等精确字段过滤论文，支持DOI精准查询和开放获取（OA）状态筛选
2. 语义分片检索（semantic_search）：基于自然语言的RAG友好型搜索，返回带相关性评分的论文片段（chunk），含上下文偏移量供后续扩展阅读
3. 字节级原文读取（read_content）：通过doc_id和offset精确定位，支持前后文扩展阅读，可提取图表资源（get_resource）
关键工作流：语义搜索→获取片段→按需扩展原文→提取图表，形成完整的文献证据链。list_catalog提供完整的字段Schema和枚举值采样，避免猜测字段名。
显著优点
- 引用级可靠性：所有结果携带
doc_id和偏移量，满足学术引用的可追溯要求 - RAG原生设计：语义返回的
chunk已预分片，含score和offset，可直接注入LLM上下文 - 混合检索模式：支持结构化过滤（如限定Nature期刊2024年OA论文）+ 语义搜索的联合使用
- 多模态支持：通过
get_resource可提取论文中的图表图像，返回base64编码供视觉模型直接解析
潜在局限
- 依赖外部API：需配置
SCIVERSE_API_TOKEN，服务可用性受制于SciVerse平台 - 非全量覆盖：学术数据库通常存在收录延迟，最新预印本可能缺失
- 权限分层：OA状态过滤暗示部分论文可能受版权限制，全文访问需确认权限
- 字段复杂性：高级过滤需理解OpenSearch风格的
FilterOperators，学习成本较高
适合人群
- 科研辅助AI Agent开发者
- 需要文献综述自动化（systematic review）的学术团队
- 构建科学问答系统的RAG应用工程师
- 需多模态分析（图表+文本）的文献精读场景
常规风险
- Token泄露：
SCIVERSE_API_TOKEN以环境变量管理，需防止CI/CD日志泄露 - 合规边界：自动下载的图表资源需遵守原出版商版权协议，不宜用于商业再分发
- 幻觉传导：若语义搜索返回低分片段（score阈值未明确），可能向下游LLM注入噪声
- 速率限制：未披露配额策略，高频调用存在服务降级风险