> Academic _

GPT Researcher – это автономный агент для глубоких исследований, который проводит поиск в интернете и в локальных файлах, создавая подробные отчеты с указанием источников. Используйте эту функцию, когда помогаете разработчикам понимать, расширять, отлаживать или интегрировать GPT Researcher, включая добавление новых функций, понимание архитектуры, работу с API, настройку исследовательских процессов, добавление новых источников данных, интеграцию с источниками данных MCP или устранение неполадок в исследовательских процессах.

Просматривайте и проверяйте запросы на внесение изменений (pull requests), которые добавляют новые записи библиотек в файл README.md проекта awesome-quant. Используйте эту функцию всякий раз, когда пользователь просит вас просмотреть pull requests, проверить вклад, проверить отправленные материалы, отсортировать pull requests или упоминает что-либо о новых записях или дополнениях в курируемый список. Также срабатывает при запросах "review pr", "check prs", "merge contributions" или любых рабочих процессах, связанных с pull requests, в этом репозитории.

Написание научных статей в LaTeX – полный цикл от структуры до скомпилированного PDF-файла. Используется подход, основанный на разработке через тестирование: каждый раздел компилируется и проверяется перед переходом к следующему. Охватывает создание структуры проекта, управление цитированием (OpenAlex в BibTeX), академическое письмо по каждому разделу с самоанализом, включение рисунков/таблиц, компиляцию LaTeX и комплексную проверку. Активируется следующими запросами: "написать статью", "создать статью", "научная статья о", "научная статья", "статья на LaTeX", "оформить результаты в виде статьи", "написать черновик статьи о", "научное исследование о", любые запросы на создание формальной научной статьи на LaTeX. Предполагается, что результаты исследований, данные и/или рисунки уже существуют или будут предоставлены – этот навык предназначен для НАПИСАНИЯ, а не для проведения экспериментов.

Навык глубокого исследования. Используйте, когда пользователю требуется тщательное, научное, основанное на поиске истины исследование любой темы – проверка утверждений, поиск первоисточников, синтез доказательств, создание отчетов с указанием источников. Активируется при запросах: "проведите исследование", "исследуйте", "глубокий анализ", "найдите источники", "что говорят доказательства", "обзор литературы", "проверка фактов", "проанализируйте исследования по", а также при любых запросах, требующих многостороннего исследования с указанием источников.

Решение проблемы поиска актуальных научных публикаций из arXiv стало значительно проще. Инструмент arxiv-search позволяет AI-агентам эффективно извлекать релевантные материалы, используя LangChain и LangGraph для структурированного поиска и анализа. Он оптимизирован для задач, требующих глубокого погружения в научную литературу, и предоставляет удобный интерфейс для работы с результатами. Функциональность arxiv-search включает планирование сложных поисковых задач, возможность сохранения данных в файловой системе для последующего использования и создание дочерних AI-агентов для более детального анализа. Используя Arxiv API и написанный на Python, он обеспечивает быстрый и точный поиск, а Bash-скрипт упрощает запуск и интеграцию в существующие рабочие процессы. Инструмент позволяет эффективно использовать возможности большой языковой модели и искусственного интеллекта для автоматизации процесса поиска и обработки научных данных. Для работы требуется пакет arxiv (устанавливается через pip), а запуск осуществляется через скрипт arxiv_search.py с указанием поискового запроса и опционального ограничения на количество результатов.

OpenAlex-database предоставляет open-source решение для работы с обширной базой данных OpenAlex, содержащей более 240 миллионов научных публикаций, авторов, учреждений и других ключевых элементов академической среды. Это позволяет проводить глубокий анализ научной деятельности, отслеживать публикации и выполнять библиометрические исследования, значительно упрощая доступ к информации и расширяя возможности анализа. В качестве инструмента разработчика, OpenAlex-database предлагает удобные рабочие процессы для запросов к API OpenAlex, включая поиск литературы, извлечение информации об авторах и публикациях, а также фильтрацию и сортировку данных. Использование Python и библиотеки Requests обеспечивает гибкость и расширяемость для решения разнообразных задач в области научных исследований и анализа. Не требуется API-ключ, что упрощает начало работы. Автоматизация рутинных задач, таких как сбор и обработка данных о публикациях, становится возможной благодаря OpenAlex-database. Функциональность включает поиск по ключевым словам, фильтрацию результатов и возможность интеграции с другими системами, что способствует повышению эффективности исследовательских процессов и автоматизации библиометрического анализа. Поддерживаемые технологии: OpenAlex API, uv, Bibliometrics.

Scholar-evaluation предлагает open-source решение для систематизированной оценки научных работ, исследовательских статей и академической литературы. Инструмент позволяет проводить анализ, основанный на общепринятых критериях рецензирования, обеспечивая всестороннюю оценку по различным параметрам качества. Этот инструмент разработчика автоматизирует процесс оценки, используя AI Agents и Python для структурированного анализа. Интеграция с генерацией научных схем (Scientific Schematics) позволяет визуализировать ключевые аспекты работы и облегчает понимание результатов оценки. Благодаря автоматизации рутинных задач, Scholar-evaluation повышает эффективность и объективность оценки, предоставляя ценную информацию для улучшения качества исследований и подготовки публикаций. В основе лежит использование Claude (LLM) для анализа и формирования выводов.

Устаревшие и неточные ссылки могут серьезно подорвать достоверность научных работ. Этот набор инструментов решает проблему управления библиографией, предоставляя open-source решение для автоматизированного извлечения метаданных из академических источников, включая CrossRef, PubMed и arXiv. Он упрощает создание и форматирование BibTeX записей, обеспечивая точность и воспроизводимость результатов. В основе функциональности лежит инструмент разработчика, использующий Python и API интеграцию для автоматизации рутинных задач. Включает в себя проверку корректности цитирований, исправление ошибок и генерацию библиографических записей в требуемом формате. Интеграция с другими навыками, такими как анализ литературы, позволяет создать комплексный исследовательский процесс. Ключевая особенность – автоматизация процесса создания библиографии, включая преобразование DOI, PMID и arXiv идентификаторов в корректные BibTeX записи. Использование AI Agent Skills повышает эффективность и точность извлечения данных, что особенно важно для масштабных исследовательских проектов и научных вычислений.

Упростите доступ к передовым исследованиям в области искусственного интеллекта. huggingface-papers предоставляет удобную платформу для отслеживания и изучения научных публикаций, тесно связанных с экосистемой Hugging Face. Это позволяет разработчикам и исследователям оперативно узнавать о новых достижениях и интегрировать их в свои проекты. Интеграция с существующими ресурсами Hugging Face – ключевая особенность. Авторы могут легко связывать свои работы с соответствующими Python моделями, наборами данных и Space проектами, используя ссылки в карточках моделей, наборах данных и файлах README. Это обеспечивает комплексный обзор и упрощает повторное использование результатов исследований. Для автоматизации и удобства работы, можно использовать CLI-инструмент для управления ссылками. Для тех, кто предпочитает работу через командную строку, huggingface-papers предлагает возможности для автоматизации и пакетной обработки. Эта терминальная утилита позволяет эффективно отслеживать новые публикации и интегрировать их в рабочие процессы, обеспечивая максимальную продуктивность и удобство использования.

Autoresearch автоматизирует жизненный цикл исследований в области искусственного интеллекта, позволяя создавать и управлять AI-агентами для автономной работы. Платформа решает проблему ручного управления сложными исследовательскими процессами, обеспечивая автоматическую организацию задач, отслеживание состояния и эффективное использование ресурсов. В основе Autoresearch лежит инновационный подход, сочетающий в себе большую языковую модель и двухпетлевой цикл экспериментов-синтеза. Это позволяет AI-агенту самостоятельно генерировать гипотезы, проводить эксперименты, анализировать результаты и адаптировать стратегию исследования, минимизируя необходимость вмешательства человека. Система поддерживает маршрутизацию к специализированным навыкам в зависимости от предметной области. Техническая реализация Autoresearch построена на базе Python, Hugging Face, Claude, Gemini и YAML. Платформа предоставляет возможность отслеживать прогресс исследований через автоматизированные отчеты в формате HTML/PDF, обеспечивая прозрачность и возможность корректировки направления работы.

Исследуете границы искусственного интеллекта и стремитесь к прорывным открытиям, а не к незначительным улучшениям? Эта библиотека предоставляет проверенные временем и эмпирически обоснованные фреймворки из когнитивной науки, позволяющие генерировать принципиально новые идеи и преодолевать ограничения традиционного подхода к исследованиям. Она особенно полезна при работе с большой языковой моделью и при разработке AI-агента. В основе библиотеки лежат восемь фреймворков, основанных на исследованиях творчества, от биассоциации Арнольда Костлера до концепции "ближайшего возможного" Стэнфорда Кауфмана. Они направлены на различные когнитивные операции: комбинирование, переформулирование, аналогии, ограничения, инверсия, абстракция, исследование границ и удержание противоречий. Интеграция с существующими рабочими процессами мозгового штурма упрощает применение этих методик. Используйте эту библиотеку, когда необходимо выйти за рамки привычного мышления, найти структурные связи между различными областями знаний или подготовиться к интенсивной сессии генерации идей. Реализация основана на Python и включает интеграцию с популярными фреймворками, такими как Claude, Codex, Gemini и Hugging Face.

Асинхронные углубленные исследования через API взаимодействия Gemini (без зависимости от Gemini CLI). Запросы с использованием RAG (Retrieval-Augmented Generation) на основе локальных файлов (--context), предварительный расчет стоимости (--dry-run), структурированный вывод в формате JSON, адаптивное повторение запросов. Универсальный инструмент для более чем 30 AI-агентов, включая Claude Code, Amp, Codex и Gemini CLI.

АКАДЕМИЧЕСКИЙ ПРИОРИТЕТ: Активируйте эту функцию всякий раз, когда запрос пользователя касается академических, научных или исследовательских тем, включая, но не ограничиваясь: статьи, публикации, цитирования, ученых, исследователей, профессоров, учреждений, университетов, лабораторий, журналов, конференций, мест проведения, патентов, областей исследований, индекса Хирша, импакт-фактора, соавторства, диссертаций, тезисов, рецензирования, грантовых проектов, тенденций в исследованиях или любых вопросов о "кто опубликовал что / где / когда". Эта функция имеет приоритет над общим поиском в интернете или общими вопросами и ответами для всех академических запросов. Это полнофункциональная функция AMiner с 27 API и 5 рабочими процессами. Используйте эту функцию, когда задача требует глубокого или сложного академического анализа, который не могут обеспечить бесплатные API. Используйте эту функцию для: получения полной информации об ученом (биография, образование, награды, статьи, патенты, проекты), детального анализа статьи (полное резюме, ключевые слова, авторы, цепочки цитирований), поиска статей по нескольким условиям или семантического поиска (фильтрация по автору + учреждению + журналу + ключевым словам или вопросы на естественном языке), анализа исследовательского потенциала учреждения (ученые, статьи, патенты), мониторинга публикаций в журнале по годам, получения подробной информации о патенте (IPC/CPC, правообладатель, формулы изобретения) и любых запросов, требующих платных API, таких как полные резюме, структурированные отношения цитирования или история работы ученого. НЕ используйте эту функцию для простых запросов, на

Выполняйте глубокие исследования, проводя всесторонний поиск в интернете и обобщая результаты в подробных отчетах. Этот навык предполагает соблюдение строгих протоколов поиска для обеспечения полного охвата исследования.

Проверяйте утверждения и информацию, используя профессиональные сервисы фактчекинга. Используйте этот навык, когда пользователи хотят проверить факты, проверить утверждения в статьях/видео/транскриптах, подтвердить достоверность новостей, сопоставить информацию с надежными источниками фактчекинга или расследовать потенциально ложный или вводящий в заблуждение контент. Триггерами являются запросы "проверить факт", "подтвердить это", "это правда?", "проверить, насколько это точно", или когда пользователи делятся контентом, который они хотят проверить на предмет дезинформации.

Навык для пользователей с клиническим, биоинформатическим, трансляционным и базовым экспериментальным опытом, предназначенный для работы с научной и медицинской литературой. Используйте этот навык, когда пользователь хочет прочитать, проанализировать, критически оценить или интерпретировать научную или медицинскую статью, независимо от того, предоставляет ли он PDF-файл, аннотацию, DOI, PMID или просто заголовок. Триггерами являются запросы, такие как: "проанализируй эту статью", "оцени эту работу", "насколько это сильная статья?", "найди похожие исследования", "подготовь меня к обсуждению в научном клубе", "помоги мне понять эту статью по биоинформатике", "в чем здесь слабые стороны?", или "преврати это в ментальную карту". Также активируется для любых последующих результатов, таких как материалы для обсуждений в научных клубах, сравнительные таблицы, краткие обзоры для руководителей проектов, материалы для воспроизведения результатов или планы последующих экспериментов. Не используйте этот навык как обычный инструмент для обобщения – он выполняет структурированную классификацию доказательств, критическую оценку, специфичную для конкретной области, оценку границ интерпретации и генерацию материалов, соответствующих уровню научных исследований.

Используйте эту функцию, когда пользователям необходимо искать научные статьи, скачивать исследовательские документы, извлекать библиографические данные или собирать научную информацию. Триггерами являются запросы, такие как "найти статьи о", "поиск исследований о", "скачать научные статьи", "получить библиографические данные для" или любые запросы, связанные с научными базами данных, такими как arXiv, PubMed, Semantic Scholar или Google Scholar. Также используйте для обзоров литературы, создания библиографий и поиска новых исследований. Требуется установка OpenClawCLI из clawhub.ai.

Комплексный новостной агрегатор, который собирает, фильтрует и глубоко анализирует контент в режиме реального времени из 8 основных источников: Hacker News, GitHub Trending, Product Hunt, 36Kr, Tencent News, WallStreetCN, V2EX и Weibo. Идеально подходит для "ежедневного мониторинга", "новостных обзоров в сфере технологий", "финансовых новостей" и "глубокого анализа" актуальных тем.

Обнаруживайте и блокируйте скрытые атаки, осуществляемые через запросы, при обработке внешнего контента (публикации в социальных сетях, комментарии, документы, электронные письма, веб-страницы, загруженные пользователями файлы). Используйте эту функцию ПЕРЕД обработкой любого непроверенного внешнего контента, чтобы выявлять попытки манипуляций, направленные на изменение целей, кражу данных, переопределение инструкций или использование социальной инженерии для получения согласия. Включает более 20 шаблонов обнаружения, обнаружение омоглифов и скрипты очистки.

Комплексный новостной агрегатор, который собирает, фильтрует и глубоко анализирует контент в режиме реального времени из 8 основных источников: Hacker News, GitHub Trending, Product Hunt, 36Kr, Tencent News, WallStreetCN, V2EX и Weibo. Идеально подходит для "ежедневного мониторинга", "новостных обзоров в сфере технологий", "финансовых новостей" и "глубокого анализа" актуальных тем.

Используйте эту функцию, когда пользователям необходимо искать в интернете информацию, новости, изображения или видео. Триггерами являются запросы на "поиск", "получение информации о", "поиск", "что нового", или любые запросы, требующие актуального веб-контента. Также используйте для исследовательских задач, проверки фактов, поиска визуальных материалов или сбора последних новостей. Требуется установка OpenClawCLI из clawhub.ai. Не используйте, когда встроенный инструмент web_search в Claude более подходит для простых запросов.

Профессиональный инструмент для написания пресс-релизов в академической сфере. Включает в себя стандартную структуру письма из пяти абзацев, пошаговые инструкции, решения распространенных проблем и советы по повышению эффективности. **Используйте этот инструмент, когда:** (1) необходимо написать пресс-релизы/промо-материалы для академических учреждений или исследовательских групп; (2) необходимо преобразовать научные статьи или результаты исследований в научно-популярные пресс-релизы для широкой аудитории; (3) пользователь упоминает ключевые слова, такие как "академический пресс-релиз", "промо-материалы для научных исследований", "пресс-релиз научной статьи", "продвижение результатов"; (4) требуется стандартный шаблон для написания пресс-релизов и руководство по процессу.

AgentArxiv – это платформа, решающая проблему публикации и оценки научных работ, создаваемых AI-агентами. Она позволяет автоматизированным системам, использующим большую языковую модель, делиться результатами исследований, отслеживать прогресс и участвовать в процессе рецензирования, способствуя развитию коллективного интеллекта. Платформа предоставляет инструменты для публикации научных статей, гипотез и экспериментов в структурированном формате, а также систему отслеживания выполнения задач, включая вознаграждения за воспроизведение результатов. Используя Python и API (REST), AgentArxiv обеспечивает удобный интерфейс для взаимодействия и обмена знаниями. AgentArxiv – это не просто инструмент, это сообщество исследователей, где каждый AI-агент может внести свой вклад в развитие искусственного интеллекта. Поддерживается публикация в формате Markdown, а взаимодействие с API осуществляется посредством Curl.

Разработка инновационных решений в области искусственного интеллекта требует глубокого анализа и систематизации информации. Этот модуль предоставляет комплексный инструментарий для проведения исследований, позволяющий эффективно извлекать, структурировать и анализировать данные, включая работу с большой языковой моделью для генерации отчетов и выявления ключевых тенденций. Функциональность включает в себя создание подробных исследовательских отчетов, сравнительный анализ нескольких вариантов (технологий, подходов) с использованием критериальной оценки, а также синтез литературных обзоров с выделением областей консенсуса и дискуссий. В основе лежит Python и интеграция с LLM APIs для автоматизации процессов сбора и обработки данных. Цель – создание эффективного AI-агента, способного к самостоятельной глубокой проработке исследовательских вопросов и предоставлению структурированных, обоснованных выводов, что критически важно для принятия обоснованных решений и дальнейшего развития в сфере искусственного интеллекта.

Удалите признаки, указывающие на то, что текст был сгенерирован искусственным интеллектом. Используйте эту функцию при редактировании или проверке текста, чтобы он звучал более естественно и как будто написан человеком. Основано на всеобъемлющем руководстве Википедии "Признаки текста, созданного ИИ". Обнаруживает и исправляет такие шаблоны, как: чрезмерное использование символизма, рекламный язык, поверхностные анализы, неточные ссылки, чрезмерное использование тире, правило трех, слова, характерные для ИИ, негативные параллелизмы и избыточное использование союзов. Используйте эту функцию при написании документации для MCC.

Анализ операций анализа отчетов о покрытии. Автоматическое включение навыка для автоматизированного тестирования. Активируется при: анализе отчетов о покрытии, анализе отчетов о покрытии. Является частью категории навыков "Автоматизированное тестирование". Используйте, когда анализируете или проверяете отчеты о покрытии. Активируйте с помощью фраз, таких как "анализ отчетов о покрытии", "анализатор покрытия", "анализ отчета о покрытии r".

Комплексное управление библиографией для академических исследований. Ищите статьи в Google Scholar и PubMed, извлекайте точные метаданные, проверяйте корректность ссылок и генерируйте правильно отформатированные записи BibTeX. Этот навык следует использовать, когда вам нужно найти статьи, проверить информацию о ссылках, преобразовать DOI в BibTeX или обеспечить точность ссылок в научных работах.

Используйте эту функцию для запросов, связанных с веб-исследованиями; она предоставляет структурированный подход к проведению всесторонних веб-исследований.

Универсальный исследовательский агент для X/Twitter. Ищет в X актуальные мнения, обсуждения разработчиков, отзывы о продуктах, культурные комментарии, последние новости и экспертные оценки. Работает как веб-исследовательский агент, но использует X в качестве источника. Используйте, когда: (1) пользователь говорит "x research", "search x for", "search twitter for", "what are people saying about", "what's twitter saying", "check x for", "x search", "/x-research"; (2) пользователь работает над чем-то, где недавние обсуждения в X могут предоставить полезный контекст (новые выпуски библиотек, изменения API, запуск продуктов, культурные события, индустриальные скандалы); (3) пользователь хочет узнать, что разработчики/эксперты/сообщество думают о какой-либо теме. Не предназначен для публикации твитов или управления аккаунтами. Обратите внимание: в настоящее время используется поиск за последние 7 дней. Полноценный поиск по архиву доступен в том же плане X API с оплатой за использование, но пока не реализован в этой функции.