Paper Recommendation Skill

Paper Recommendation Skill 是什么

围绕Paper Recommendation Skill 收集和分析资料，保留来源、时间、口径与人工复核结论。 Automates discovery, parallel review, scoring, and briefing generation of AI research papers from arXiv, supporting daily updates and PDF analysis.

适用场景

使用前应先明确任务目标、目标对象、输入范围、交付格式与成功标准，再判断该 Skill 是否比人工流程、官方客户端或单一脚本更合适。涉及账号登录、素材上传、外部写入、付费服务、自动发送、真实发布或敏感信息时，应在动作发生前设置确认点，并尽量先使用样例、副本或低成本小范围测试。

核心能力与工作机制

完整 SKILL.md 将主要能力与操作要点组织为：Overview、Features、Scripts、1. fetchpapers.py、2. reviewpapers.py、3. readpdf.py、Jarvis’s Workflow (Agent Actions)、Step 1: Call fetchpapers.py。这些章节共同限定了它实际能够处理的任务、调用方式和检查点，使用时应以当前版本说明为准。

执行流程

先明确研究问题、对象、地区、时间窗、来源优先级和交付格式，执行小范围检索或查询；去重后回到关键原文交叉验证，把事实、计算、推断、反证和待核实事项分开写入报告。

输入与输出

开始前需要提供真实且必要的背景资料、允许访问的文件或资源、输出用途、时间与地域口径、品牌或组织规则，以及不能改变的事实和约束。缺失的信息如果会改变路线、费用、权限、合规或隐私判断，应先补齐；无法补齐时要明确列为假设，不能暗中编造。输出除最终文档、数据、图片或分析结果外，还应保留输入范围、关键参数、来源、任务或资源标识、执行状态与验证证据。对推断、建议、实测数据和原始事实要分别标记；草稿、预览、排队、局部成功或接口受理不能描述为最终完成。

依赖、账号与权限

使用前需要核对来源列出的本地运行时、命令行工具、网络、账号、API Key、OAuth、文件或目标系统权限；只授予完成当前任务所需的最小范围。清单中出现的关键配置或环境标识包括 MUST、TOPIC、PAPER_TITLE、YYYY，是否必需应按对应章节逐项确认。

副作用、限制与风险

来源可能过期、偏置或互相转载，搜索摘要和模型结论也可能错配时间、主体与引用；热门程度不等于可靠性。 第三方服务、模型、接口和平台规则会更新，榜单热度和安全扫描只能用于发现，不能代替代码、权限、费用与数据流向审查。执行过程可能读取本地或云端数据、调用网络服务、上传材料、写入文件或改变外部系统。任何发送、发布、删除、覆盖、付费、部署、同步、批量触达或持久配置动作，都应事先说明对象、范围、预计影响和恢复办法，只申请完成当前任务所需的最小权限。

不适用边界

不伪造引用与数据，不绕过付费墙和访问控制，不把相关性写成因果，不用旧缓存冒充当前结果。 对来源没有明确支持的功能应直接说明限制，不能为了完成任务而静默切换账号、模型、数据源或外部服务。

失败处理与验收

失败时先保存原始输入、任务标识、日志和当前状态，检查外部系统是否已经产生结果或副作用，再决定有限重试、回滚或替代路线。异步任务要优先轮询原任务，避免重复创建、重复发送、重复扣费；唯一原件不得直接覆盖，恢复不了的动作必须再次确认。验收应查看真实文件、页面、记录、账号状态或任务终态，并抽查关键字段、数量、格式、权限、时间与边界条件。涉及计算要复核口径和样例，涉及内容要逐项核对事实与敏感表达，涉及媒体要检查首尾和异常片段；无法实际验证的部分必须明确标注。

适合谁使用

适合研究、战略、投研、市场和需要证据链的分析人员。

来源、版本与许可

本条目依据 SkillHub 热门榜、发布者详情和版本 1.0.1 的完整 SKILL.md 整理，核验日期为 2026 年 10 月 8 日。完整 SKILL.md 未声明许可证，公开可下载不代表可以任意复制、修改或再分发。 SkillHub 当前两套安全扫描状态为 benign、benign；该状态只是平台信号，不能替代对脚本、凭据、网络请求、数据外送与后续版本的人工审查。

常见问题

1. Paper Recommendation Skill 主要解决什么问题？

围绕Paper Recommendation Skill 收集和分析资料，保留来源、时间、口径与人工复核结论。 Automates discovery, parallel review, scoring, and briefing generation of AI research papers from arXiv, supporting daily updates and PDF analysis.使用前应先明确任务目标、目标对象、输入范围、交付格式与成功标准，再判断该 Skill 是否比人工流程、官方客户端或单一脚本更合适。涉及账号登录、素材上传、外部写入、付费服务、自动发送、真实发布或敏感信息时，应在动作发生前设置确认点，并尽量先使用样例、副本或低成本小范围测试。是否采用它，应以实际任务边界和可核验材料为准，不要因为榜单热度而跳过来源审查。

2. 开始前需要准备什么？

开始前需要提供真实且必要的背景资料、允许访问的文件或资源、输出用途、时间与地域口径、品牌或组织规则，以及不能改变的事实和约束。缺失的信息如果会改变路线、费用、权限、合规或隐私判断，应先补齐；无法补齐时要明确列为假设，不能暗中编造。准备阶段不要代替用户猜测关键事实；缺少会改变路线、费用或权限的输入时，应先补齐再执行。

3. 它怎样完成任务并交付结果？

先明确研究问题、对象、地区、时间窗、来源优先级和交付格式，执行小范围检索或查询；去重后回到关键原文交叉验证，把事实、计算、推断、反证和待核实事项分开写入报告。每个阶段都要保留输入、决策、输出和检查点，不能把计划、预览或排队状态描述成最终交付。

4. 需要哪些工具、账号或权限？

使用前需要核对来源列出的本地运行时、命令行工具、网络、账号、API Key、OAuth、文件或目标系统权限；只授予完成当前任务所需的最小范围。清单中出现的关键配置或环境标识包括 MUST、TOPIC、PAPER_TITLE、YYYY，是否必需应按对应章节逐项确认。凭据应放在安全环境中，并按最小权限授权；账号、网络或本地依赖不满足时应明确停止条件。

5. 它会产生哪些外部操作或副作用？

执行过程可能读取本地或云端数据、调用网络服务、上传材料、写入文件或改变外部系统。任何发送、发布、删除、覆盖、付费、部署、同步、批量触达或持久配置动作，都应事先说明对象、范围、预计影响和恢复办法，只申请完成当前任务所需的最小权限。涉及外部写入、上传、发送、付费或持久配置时，应在实际动作前说明影响范围并取得相应确认。

6. 哪些情况不适合使用？

不伪造引用与数据，不绕过付费墙和访问控制，不把相关性写成因果，不用旧缓存冒充当前结果。 对来源没有明确支持的功能应直接说明限制，不能为了完成任务而静默切换账号、模型、数据源或外部服务。超出来源明确能力、专业资质或授权范围时，应切换到更合适的工具或交给专业人员处理。

7. 失败或结果异常时怎样恢复？

失败时先保存原始输入、任务标识、日志和当前状态，检查外部系统是否已经产生结果或副作用，再决定有限重试、回滚或替代路线。异步任务要优先轮询原任务，避免重复创建、重复发送、重复扣费；唯一原件不得直接覆盖，恢复不了的动作必须再次确认。恢复时优先查询已有任务、日志或备份，避免无上限重试、重复扣费、重复发送或覆盖唯一原件。

8. 如何验收结果并控制风险？

验收应查看真实文件、页面、记录、账号状态或任务终态，并抽查关键字段、数量、格式、权限、时间与边界条件。涉及计算要复核口径和样例，涉及内容要逐项核对事实与敏感表达，涉及媒体要检查首尾和异常片段；无法实际验证的部分必须明确标注。验收应基于真实文件、页面、任务终态或权威来源，并把未能实际检查的部分明确标记出来。