supervisor

核心用法

distill-mentor 是一款面向学术场景的导师数字分身构建工具。用户只需输入导师姓名与所属机构，系统即可自动执行多源信息采集：通过 DuckDuckGo/Google 搜索公开网页资料，从 ArXiv、Semantic Scholar 抓取学术论文，并可选调用 Claude/OpenAI API 进行深度语义分析。最终生成结构化的 mentor profile 与可直接导入 Claude Code 的 skill 文件，实现"与导师风格对话"的AI体验。

显著优点

学术场景精准定位：专为导师-学生学术指导场景设计，数据采集聚焦于公开学术成果（论文、主页、项目），而非泛泛的网络信息。 零配置快速启动：基础搜索功能无需API密钥即可运行，降低尝鲜门槛；深度分析模块通过环境变量灵活配置。 透明可审计：MIT开源协议，全部代码逻辑可见，无黑箱操作。生成文件本地存储于 ~/.claude/skills/，用户完全掌控数据主权。 多源数据融合：整合搜索引擎、学术数据库、LLM语义分析三重能力，profile构建维度丰富。

潜在缺点与局限性

来源可信度制约：T3级个人开源项目，长期维护稳定性存疑，无机构背书可能限制在正式学术场景的传播。 网络依赖严苛：核心功能依赖外部API（Anthropic/OpenAI/Semantic Scholar）与Puppeteer网页抓取，离线环境或网络受限场景完全不可用。 隐私边界模糊：虽然仅采集公开信息，但"风格学习"可能涉及对导师沟通模式的推断，需获得导师知情同意方可用于教学场景。 生成质量波动：LLM分析结果受提示工程与模型能力制约，复杂研究脉络的抽象可能失真。

适合目标群体

• 研究生新生：快速熟悉导师研究方向与指导风格
• 学术管理者：批量构建院系导师知识库
• 教育工作者：创建个人教学分身供学生课后咨询
• 科研人员：模拟同行评审对话进行论文预演

使用风险

API成本累积：深度分析模式调用商业LLM API，高频使用可能产生意外账单。 数据留存合规：生成文件默认本地存储，若涉及欧盟GDPR或中国个人信息保护法场景，需评估"公开信息再加工"的合规性。 Puppeteer稳定性：网页抓取依赖目标网站结构，反爬虫机制或页面改版会导致功能失效。 模型幻觉传导：LLM对导师风格的"学习"可能混入模型先验偏见，输出的"导师观点"需用户批判性甄别。

核心功能

本skill名为supervisor-main，是一个学术导师数字分身生成器，核心用途是将真实世界的学术导师（教授、研究员）转化为可交互的AI对话伙伴。

工作流程：
1. 信息收集：使用Puppeteer驱动Chromium浏览器，通过DuckDuckGo搜索导师的公开资料（Google Scholar、个人主页、arXiv论文、新闻访谈等）
2. 内容分析：调用OpenAI或Anthropic API对爬取内容进行语义分析，提取学术风格、研究方向、指导特点
3. 数字分身构建：基于分析结果生成结构化的"导师画像"，最终输出为可部署的Claude skill
4. 持续迭代：支持分析聊天截图，优化对话风格匹配度

显著优点

| 维度 | 表现 |

|------|------|

| **功能创新性** | 填补学术场景空白，将"读论文+听讲座"的被动学习转化为"随时对话"的主动交互 |

| **技术栈成熟** | Puppeteer+Node.js生态稳定，pdf-parse、mailparser等依赖均为社区主流方案 |

| **来源可信度** | GitHub开源项目（ybq22/supervisor），MIT许可证，有贡献指南和完整文档 |

| **透明度** | 明确披露所有网络行为、API调用、数据流向，README含详细免责声明 |

| **隐私合规** | 仅访问公开信息，不收集用户敏感数据，符合GDPR数据最小化原则 |

潜在局限与风险

中风险项

• 网络依赖重：必须配置OpenAI或Anthropic API key，调用成本随使用量累积
• Puppeteer启动参数：使用--no-sandbox运行Chromium，容器环境常见但理论上有安全隐患
• 输入验证不足：导师姓名、机构等输入缺乏严格校验，存在注入攻击面
• 文件权限宽松：~/.claude/目录下文件继承系统umask，未强制700权限

功能局限

• 信息时效性：依赖公开网络资料，无法获取导师最新未公开研究动态
• 人格还原度：LLM生成的"风格模拟"与真实导师存在差距，易产生"幻觉式权威"
• 学术伦理边界：可能涉及导师肖像权、学术声誉的数字化使用争议

适合人群

• 准研究生：提前了解目标导师研究方向和沟通风格
• 跨学科研究者：快速建立对新领域权威学者的认知框架
• 学术机构：构建可规模化分发的"虚拟导师助理"
• AI教育开发者：学习"RAG+人物建模"的skill工程范例

常规风险提示

1. API费用：OpenAI/Anthropic调用按token计费，大规模爬取可能产生意外账单
2. 法律合规：生成的数字分身不得用于冒充、欺诈或损害导师声誉
3. 准确性限制：AI生成的"导师观点"仅供参考，不构成真实学术建议
4. 数据残留：分析过程中的临时文件存于本地~/.claude/目录，需手动清理