核心用法
Scholar Search Skills 是一套面向学术研究者的自动化文献调研工具链，支持从 arXiv、ICLR、ICML、NeurIPS 等权威来源搜索、筛选、下载论文，并自动生成结构化摘要与 BibTeX 引用。用户通过提供研究主题与英文关键词即可触发完整工作流：创建标准化目录结构 → 多源检索（优先 arxiv-search，备选 web_fetch）→ PDF 批量下载 → 使用 docling 提取标题、摘要、方法、实验结果等结构化信息 → 基于模糊匹配与 TF-IDF 算法计算相关性分数 → 生成 PAPER_LIST.md、PAPER_SUMMARIES.md、references.bib 及文献综述大纲。
显著优点
- 来源权威性高：直接对接 arXiv 及顶级机器学习会议（ICLR/ICML/NeurIPS），预印本与正式发表兼顾
- 自动化程度高：从搜索到引用生成全流程自动化，内置关键词相关性评分脚本（score_papers.py），支持加权自定义
- 结构化输出规范：标准化 Markdown 表格、BibTeX 引用、文献综述框架，便于后续学术写作
- 增量更新机制：支持在现有文献库基础上仅搜索新增论文，避免重复劳动
潜在缺点与局限性
- 版权边界模糊：仅声明"用于研究"，未明确处理出版社版权限制（如 ACM/IEEE 付费论文）
- Google Scholar 依赖 web_fetch：引用追踪功能依赖非 API 方式访问 Google Scholar，存在反爬限制与稳定性风险
- docling 依赖外部安装：需通过 npx 动态安装，环境依赖管理复杂度增加
- 评分算法局限：TF-IDF+模糊匹配对跨语义相似度（如 synonymy）识别能力有限，可能漏检相关文献
适合人群
- 需快速完成文献综述的研究生与科研人员
- 关注 AI/ML 领域前沿进展的技术团队
- 需批量管理 BibTeX 引用的 LaTeX 论文作者
常规风险
- 合规风险：大规模下载 arXiv PDF 需遵守其 Terms of Use，高频请求可能导致 IP 受限
- 数据质量风险：预印本未经同行评审，实验结果可能存在可复现性问题
- 工具链耦合风险：arxiv-search、docling 等依赖技能若失效，主功能将降级为手动模式