Skills Plugins MCP Prompt Model 博客 我的中心

research-gap

Use when the user wants to identify research gaps, open questions, unexplored areas, cross-paper limitations, or future directions from workspace literature.

DeepseekModel 官方收录技能 质量 优秀 · 90 v1.0.0

获取

https://deepseekmodel.com/api/download.php?id=zimoliao-scholaraio-claude-skills-research-gap-skill-md&format=skill
下载 .skill 标准格式,含 system_prompt 与 model_config,导入任意 Agent 框架即可使用
.skill 文件中 system_prompt 字段的实际内容。
name research-gap description Use when the user wants to identify research gaps, open questions, unexplored areas, cross-paper limitations, or future directions from workspace literature. 研究空白识别 从工作区文献中系统性地发现研究空白和开放问题。 前提 用户必须指定一个 workspace ( --ws NAME ),且工作区中应有足够数量的论文(建议 10+ 篇)。 报告语言由用户指定(中文 / English)。 执行逻辑 1. 全局扫描 scholaraio ws show <name> # 论文列表 scholaraio topics # 主题聚类(如已建模) 对工作区论文做 L2 扫描(标题 + 摘要),建立领域地图。 show 命令会自动展示已有的 notes.md 历史笔记,优先复用已有发现。 2. 多维度分析 维度 1:主题覆盖度 scholaraio topics # 全库主题分布 scholaraio topics --topic <ID> # 各主题下的论文 工作区论文是否集中在某几个主题?哪些相关主题缺乏覆盖? 维度 2:时间趋势 按年份统计工作区论文分布,识别: 哪些方向在近几年论文激增(热点) 哪些方向论文渐少(可能已成熟或被放弃) 哪些方向有早期工作但近年无跟进(潜在空白) 直接用 Python 读取 configured papers library 下的 */meta.json 做统计分析。 维度 3:方法论对比 扫描工作区论文的方法部分(L3-L4),绘制方法论矩阵: scholaraio show <paper-id> --layer 3 # 结论中通常提及方法 哪些方法被广泛使用? 哪些方法组合尚未被尝试? 某方法在 A 问题上成功,是否可迁移到 B 问题? 维度 4:引用图谱空洞 scholaraio shared-refs "<id1>" "<id2>" # 共同引用 scholaraio refs "<id>" # 参考文献 scholaraio citing "<id>" # 被引论文 哪些论文互相引用但观点矛盾?(未解决的争议) 哪些论文被大量引用但缺乏后续验证/复现? 哪些关键参考文献不在工作区中?(可能是盲区) 维度 5:论文自述的 Future Work 加载工作区中高引论文的 L3(结论),提取作者自己提出的未来方向: scholaraio show <paper-id> --layer 3 这些 future work 是否已有人做了?交叉搜索验证: scholaraio usearch "<future work 关键词>" 3. 输出报告 生成结构化的研究空白报告,保存到 workspace/<name>/research-gaps.md 。 对每个发现的空白,按类型分类: 空白类型 含义 示例 知识空白 某个现象/问题尚无人研究 "高 Re 下的 X 效应尚未被测量" 方法空白 已有结论但方法存在缺陷或局限 "现有研究均为 RANS,缺乏 DNS 验证" 矛盾空白 不同研究给出矛盾结论 "A 组报告正效应,B 组报告负效应" 迁移空白 某方法/发现尚未被推广到相关领域 "该方法在 2D 有效,3D 尚未尝试" 规模空白 只有小规模/受限条件的结果 "仅低 Re 数据,工程 Re 下未验证" 报告结构: 领域现状概述 (2-3 段) 已识别的研究空白 (按优先级排序) 空白类型 + 描述 支撑证据(哪些论文暗示了这个空白) 潜在研究问题 可行性评估(数据/方法/资源是否可及) 未解决的争议 (如有) 建议的下一步 量化辅助 :必要时编写 Python 代码从 meta.json 批量提取数据,做统计图表(年份分布、方法频次、参数范围覆盖等),用可视化支撑空白发现。 分析笔记持久化 :对深度分析过的论文, 必须 通过 CLI 将关键发现写入笔记: scholaraio show "<paper-id>" --append-notes "## YYYY-MM-DD | <workspace> | research-gap - 关键发现" 4. 互动讨论 报告生成后,主动与用户讨论: 哪些空白与用户的研究方向最相关? 是否需要补充更多文献来验证某个空白? 能否将某个空白细化为具体的研究问题和假设? 示例 用户说:"帮我看看 drag-review 工作区里还有什么研究空白" → 全面扫描文献,多维度分析,生成研究空白报告 用户说:"这些论文的 future work 都提了什么方向?有人做了吗?" → 提取各论文结论中的 future work,交叉搜索验证
Agent 识别该技能的关键词,点击任意一个即可复制。

该技能未提供触发词。

下载的 .skill 包内含以下字段。
字段 说明
format格式标识(skill/v1)
skill_id技能唯一 ID
name技能名称
version版本号
description技能描述
category所属分类(数组)
trigger_words触发词列表
tags标签列表
source来源标识
source_url来源链接(本页地址)
exported_at导出时间(每次下载生成)
system_prompt系统提示词正文
model_config模型参数:provider / model / temperature / max_tokens / top_p
examples示例
install_guide各平台导入说明(Coze / Dify / Claude / 自定义框架)
同一份技能可按不同平台格式导出。
.skill 标准格式,含 system_prompt 与 model_config,导入任意 Agent 框架即可使用 下载
.skillpro 增强格式,额外含脚本 / 工具 / 依赖 / 钩子占位 下载
.json 纯 JSON 导出,只含 system_prompt 与模型参数 下载
Coze 带 frontmatter 的 Markdown,Coze 平台导入用 下载
Dify Dify DSL,创建应用后直接导入 下载

每日精选 Skill 推荐,免费送到你邮箱

输入邮箱,每天接收一个精选 AI Agent 技能推荐。完全免费,持续更新。

验证码 --

提交后我们会发送一封确认邮件,点击邮件里的链接才会开始收信。

完全免费,取消任意时间。我们不会发送垃圾邮件。