research-plan

name research-plan description 科研分析策略规划助手。根据用户的科研分析需求，通过调研顶尖期刊/会议论文的分析方法，制定个性化、可落地的最优分析策略。适用于需要制定实验设计、数据分析流程、技术路线的场景；兼容旧名 make-research-plan 的 prompt 触发。 metadata {"author":"Bensz Conan"} Research Plan 核心功能 本 Skill 通过系统化调研顶尖期刊/会议论文，为用户制定个性化、可落地的科研分析策略。 核心价值 证据驱动 ：基于顶级期刊论文的方法学，而非凭空设计 系统性调研 ：自动化的文献检索、筛选、下载流程 深度学习 ：从 PDF 中提取分析方法和技术细节 可落地性 ：输出清晰的目标/步骤，可直接执行 使用场景 制定实验设计方案 规划数据分析流程 设计技术路线图 确定统计方法选择 制定可视化策略 输入规范 必需输入 需求描述 ：清晰描述要解决的问题和目标 可选输入 工作目录 ：默认当前目录 文献年份范围 ：默认近 5 年 目标期刊/会议 ：指定特定来源 语言偏好 ：默认英文 最大文献数 ：默认 30 篇 流程 输入 按用户请求和配置文件提供必要输入；缺失信息应明确列出并停止依赖该输入的步骤。 执行步骤 因本 skill 设计缺陷导致的 bug，先用 bensz-collect-bugs 规范记录到 ~/.bensz-skills/bugs/ ，不要直接修改用户本地已安装的 skill 源码；若有 workaround，先记 bug，再继续完成任务。 只有用户明确要求“report bensz skills bugs”等公开上报时，才用本地 gh 上传新增 bug 到 huangwb8/bensz-bugs ；不要 pull / clone 整个仓库。 基于文献调研的科研分析策略规划助手 旧名 make-research-plan 仅作为 prompt 兼容别名保留；历史 .make-research-plan/ 仅作显式兼容读取、迁移或清理，新运行统一使用任务级工作区。 阶段 0：初始化 输入： 用户需求描述 工作目录路径（可选，默认当前目录） 操作： 验证工作目录存在且可写 创建任务级隐藏工作目录 .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/research-plan/ 明确告知用户创建的目录位置和用途 输出： .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/research-plan/ 目录结构 目录结构： .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/research-plan/ ├── input/papers/ # 下载的 PDF 文献 ├── input/metadata/ # 调研元数据 │ ├── theme.json # 主题和关键词 │ └── search_history.json # 检索历史 ├── output/extracted/ # 提取的文献信息 │ └── papers_info.json # 论文结构化信息 ├── output/analysis-framework.md # 分析框架总结 ├── output/plan.md # 任务内草稿 └── log/ # 命令、验证与错误日志 阶段 1：主题提取与文献调研 步骤 1.1：主题提取 目标： 从用户需求中结构化提取研究主题和关键词 方法： 分析用户需求文本 识别核心研究领域 提取关键概念术语 生成多个相关主题（如适用） 为每个主题生成 3-5 个关键词 输出： metadata/theme.json { "primary_topic" : { "name" : "主题名称" , "description" : "主题描述" , "keywords" : [ "关键词1" , "关键词2" , "关键词3" ] } , "secondary_topics" : [ { "name" : "相关主题1" , "keywords" : [ "关键词1" , "关键词2" ] } ] , "extracted_at" : "2026-01-19T09:30:00Z" } 步骤 1.2：文献检索 检索策略： 多源检索 ： PubMed（生物医学） Google Scholar（综合） IEEE Xplore（工程技术） arXiv（预印本） Semantic Scholar（AI 驱动） 检索式构建： 主主题关键词 AND 分析方法相关词 优先检索近 5 年文献 限定高影响因子期刊/顶级会议 质量过滤： 优先 peer-reviewed 文章 排除非英文文献（除非用户指定） 优先高引用论文 输出： metadata/search_history.json { "searches" : [ { "topic" : "主题名称" , "query" : "检索式" , "source" : "数据源" , "results_count" : 150 , "timestamp" : "2026-01-19T09:35:00Z" } ] } 步骤 1.3：文献筛选与评分 AI 逐篇评估： 语义相关性评分 （1-10 分） 标题匹配度 摘要相关性 关键词重叠 子主题分组 ： 方法学论文 应用案例 综述文章 工具/软件 高分优先选取 ： 保留评分 ≥ 7 分的论文 确保各子主题都有代表性 控制总数在 15-30 篇 输出： metadata/papers_scored.json { "papers" : [ { "title" : "论文标题" , "authors" : [ "作者1" , "作者2" ] , "year" : 2024 , "journal" : "期刊名" , "relevance_score" : 9 , "subtopic" : "方法学" , "doi" : "10.xxxx/xxxxx" , "url" : "https://doi.org/..." } ] } 步骤 1.4：生成参考文献清单 输出： references.bib 格式：标准 BibTeX，包含所有必要字段 步骤 1.5：下载 PDF 方法： 优先通过开放获取链接下载 使用 Unpaywall API 查找合法免费版本 保存到 papers/ 目录，命名格式： {第一作者姓氏}_{年份}_{期刊简写}.pdf 输出： papers/*.pdf 错误处理： 记录下载失败的 DOI 不阻塞后续流程 在最终报告中说明哪些论文未能获取 阶段 2：深度学习分析策略 步骤 2.1：PDF 信息提取 目标： 从每篇 PDF 中提取分析方法和技术细节 提取内容： 研究设计 ：实验类型、对照设置、样本量 数据预处理 ：清洗步骤、归一化方法、质量控制 统计方法 ：检验方法、多重比较校正、效应量 可视化策略 ：图表类型、配色方案、工具 软件工具 ：R/Python 包、版本、参数设置 验证方法 ：交叉验证、bootstrap、灵敏度分析 方法： 使用 PDF 读取工具提取文本和表格 AI 语义分析识别 Methods 章节内容 结构化存储提取的信息 输出： extracted/papers_info.json { "papers" : [ { "id" : "paper_001" , "title" : "论文标题" , "methods" : { "study_design" : "队列研究" , "preprocessing" : [ "质量控制" , "归一化" ] , "statistical_tests" : [ "t检验" , "ANOVA" ] , "correction" : "FDR" , "visualization" : [ "箱线图" , "热图" ] , "software" : { "R" : [ "limma" , "ggplot2" ] , "parameters" : { "adjust.method" : "BH" } } } , "strengths" : [ "大样本量" , "预注册" ] , "limitations" : [ "单中心研究" ] } ] } 步骤 2.2：综合分析框架 目标： 综合所有论文，提炼最佳实践 分析维度： 方法学共识 ： 多篇论文共用的方法 领域内标准流程 推荐的最佳实践 方法学差异 ： 不同场景的适用方法 新兴方法 vs 传统方法 争议点 工具生态 ： 最常用的软件包 工具的优缺点比较 版本兼容性 质量控制 ： 数据验证标准 结果稳健性检验 可复现性实践 输出： analysis-framework.md 模板见： research-plan/references/output-templates.md 阶段 3：制定个性化计划 步骤 3.1：需求对齐 分析用户需求： 研究问题是什么？ 有什么特殊约束？ 期望的输出是什么？ 技能水平如何？ 映射到分析框架： 匹配相关方法学章节 识别适用的工具 确定质量控制点 步骤 3.2：计划生成 输出： plan.md 模板见： research-plan/references/output-templates.md 步骤 3.3：计划审查 向用户呈现： 计划概要 关键决策点说明 可选方案对比 修改建议邀请 审查问题： 计划是否覆盖了你的需求？ 步骤是否清晰可行？ 有没有遗漏的分析？ 有没有需要调整的部分？ 对于用户 需求描述要具体 ：避免模糊表述 明确约束条件 ：数据类型、样本量、技能水平等 审查计划时认真 ：这是你的研究，你有最终决定权 保留工作目录 ：便于后续调整和复现 对于 AI 执行 透明性 ：明确告知每一步在做什么 可追溯性 ：所有推荐都有文献依据 保守性 ：不确定时承认而非编造 用户中心 ：计划要符合用户实际约束 实现/脚本状态与职责边界见： research-plan/references/implementation-notes.md 变更记录见： research-plan/CHANGELOG.md （版本号以 research-plan/config.yaml:skill_info.version 为准） 输出 核心输出 plan.md ：最终分析策略计划（用户友好格式） analysis-framework.md ：分析框架总结（详细技术文档） references.bib ：参考文献清单（可引用） 辅助输出 metadata/ ：调研元数据（可复现） extracted/papers_info.json ：论文信息结构化数据（可再利用） 输出管理 本 Skill 的新任务中间文件统一写入 ./.bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/{skill名}/input|output|log/ 。同一任务复用一个任务根目录；多 Skill 协作才创建 shared/ 。正式交付物不写入该目录，历史隐藏目录只允许显式兼容读取、迁移或清理。 校验 完成后执行 Skill 已有的静态检查、脚本验证或人工复核，并记录通过标准。 失败与恢复 常见问题 Q: 无法下载某些 PDF A: 记录失败的 DOI，可以在最终报告中说明，或尝试手动获取 Q: 提取的方法信息不完整 A: 使用补充材料（supplementary materials）或联系作者 Q: 文献数量太少 A: 放宽检索条件（年份、关键词范围） Q: 不同论文方法冲突 A: 在分析框架中标注争议点，提供多方案选择 约束 功能边界 ✅ 可以做的 ： 调研文献并总结方法学 制定分析策略和步骤 推荐工具和最佳实践 生成可执行的计划文档 ❌ 严禁做的 ： 执行实际的数据分析 修改用户原始数据 撰写正式科研论文 做出科学结论 使用限制 仅提供策略建议 ，具体实施需要用户验证 方法学推荐基于文献 ，不能保证适用于所有场景 PDF 依赖可获取性 ，部分文献可能无法获取 AI 提取可能有误差 ，关键信息建议人工复核 质量保证 所有推荐都来自同行评议论文 明确标注证据强度（多论文共识 vs 单篇论文） 提供参考文献追溯 标注不确定性或争议点 公共硬约束 任务需要落盘时，使用唯一的 ./.bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/ 根目录；共享材料放入 shared/ ，Skill 专属材料放入该 Skill 的 input/ 、 output/ 、 log/ 。 正式交付物、源代码和正式计划按项目约定保存，不写入任务工作区；未经授权不覆盖、删除、迁移或远程写入。 项目维护变更检查 BAC 可用性并记录需求、AI 产出、工具结果、文件改动和验证摘要；BAC 只做过程审计，不替代署名、责任或合规判断。 不记录 API Key、访问令牌、密码、Cookie、环境/凭据文件、私有 Prompt、身份信息、本地用户名、主机名或不必要的大体积原始数据。 文件路径必须规范化并限制在授权项目范围内；外部 URL、子进程和网络访问遵循最小权限，防止路径遍历、SSRF 和命令注入。 Skill 版本唯一记录在自身 config.yaml:skill_info.version ；公开 API、协议、目录或配置变更同步文档与 CHANGELOG.md 。 仅将 Skill 或 Bensz 基础设施本身的设计缺陷交给 bensz-collect-bugs ；先脱敏写入 ~/.bensz-skills/bugs/ ，当前任务不中断，只有用户明确要求才公开上报，禁止直接修改用户已安装的 Skill 源码。 Skill 专属约束 不得超出本 Skill description 和上方流程所声明的范围；不将未验证的信息伪装成确定结论。