2.6 KiB
2.6 KiB
title, type, tags, last_updated
| title | type | tags | last_updated | |||||
|---|---|---|---|---|---|---|---|---|
| scholar-skill | concept |
|
2026-04-28 |
scholar-skill（学术论文分级阅读工作流）
简介
scholar-skill 是基于 OpenClaw 框架的深度学术研究工具，通过 L1/L2/L3 分级阅读策略，将原始论文（PDF/ArXiv）转化为 Obsidian 中的双链卡片、MOC（内容地图）以及系统性反思报告。
核心机制
L1 快速评估（快速分发）
对论文进行初步评估，判断其优先级（P0/P1/P2）。可后台静默执行。
L2 标准阅读（标准化笔记）
按照预设模板提取论文的关键信息：研究问题、方法、结果、贡献。
L3 深度解构（深度解读）
长达 2.5 小时的异步挂机任务，进行复杂公式解析、跨论文引用追踪、架构溯源。
触发条件
当意图匹配到"阅读论文"、"L1/L2/L3阅读"、"知识内化"或"文献笔记"时自动触发。
依赖
- 基础环境：Python + Obsidian 客户端
- 核心框架：OpenClaw
- 必须依赖（通过 ClawHub 安装）：
obsidian-direct：绕过官方限制，直接通过 Python 读写本地 .md 文件arxiv-watcher：通过 ArXiv API 抓取文献资源durable-task-runner：支持 L3 级别长时间挂机任务的调度与断点续传
- 可选依赖：
tavily（联网抓取）、pdf（文本解析）、academic-research-hub
特殊机制
超长周期任务编排
L3 级深度阅读设计为长达 2.5 小时的异步任务，底层依赖 durable-task-runner 处理 LLM 推演循环、API 限流等待以及崩溃恢复。
周期性反思机制
内置时间触发器逻辑，强制在周末或月末对"临时存储的知识"进行 L2/L3 反思，生成知识体系演进报告。
人类确认防呆机制（Human in the loop）
当 AI 发现新论文推翻旧笔记结论时，不会直接覆写旧笔记，而是生成确认单放进 0-Inbox 文件夹，等待人工审核。
风险预警
- 财务风险：L3 循环和高频历史知识检索（RAG）会消耗大量 Token，商用前沿模型（如 Claude 3.5 Sonnet 或 GPT-4o）单篇深读成本高昂
- 数据覆写风险：
obsidian-direct使用 Python 暴力文件 I/O，在 iCloud/Obsidian Sync 多端同步期间容易引发文件冲突，建议在独立测试库中运行并开启 Git 快照
与其他工具的关系
- 与 tutor-skills 的通用学习不同，scholar-skill 专注于学术论文领域
- 类似 arxiv-paper-reader 的论文获取能力，但 scholar-skill 强调深度内化和长期知识管理
Aliases
- scholar-skill