具有动态审稿人角色的多视角学术论文审稿。模拟 5 名具有特定领域专业知识的独立审稿人（EIC + 3 名同行审稿人 + Devil's Advocate）。支持全面评审、重新评审（验证）、快速评估、方法论聚焦、苏格拉底引导模式。触发条件：论文评审、同行评审、手稿评审、审稿报告、评审我的论文、评论论文、模拟评审、编辑评审。
通过“alpha” CLI（alphaXiv 支持）搜索、阅读和查询研究论文。当用户询问学术论文、想要查找某个主题的研究、需要阅读特定论文、询问有关论文的问题、检查论文的代码存储库或管理论文注释时使用。
专家经济学论文写作助理综合了 Cochrane、McCloskey、Shapiro、Head、Bellemare、Goldin、Glaeser、Kremer 和其他领先经济学家的 50 多位顶级指南的建议。每当用户撰写、编辑、评论、重写或构建任何经济学论文、论文、就业市场论文、摘要、引言、结论、结果部分、文献综述或审稿人回复时，请使用此技能。还可以处理 LaTeX 格式、演示文稿和论文审核。涵盖所有论文类型（应用、理论、结构、混合）和所有部分。
将 arxiv 论文转换为最小的、基于引文的 Python 实现。当用户使用 arxiv URL 或论文 ID 运行 /paper2code、说“实现本文”或粘贴请求实现的 arxiv 链接时触发。诚实地标记所有含糊之处。绝不发明论文中未提及的实现细节。
撰写学术经济学论文摘要的指南。每当用户需要帮助撰写、起草、修改或构建经济学论文的摘要时，无论是实证微观、发展经济学、应用经济学还是相关领域，都可以使用此技能。当用户提到“摘要”、“论文摘要”或询问如何将他们的发现压缩为简短描述时也会触发。该技能综合了 David Evans (CGDev)、Marc Bellemare 的最佳实践以及顶级经济学期刊（AER、QJE、AEJ：Applied 等）中观察到的模式。 --- # 如何撰写经济学论文的摘要 很多人只会阅读论文的摘要来决定它是否值得阅读、分享或引用。有些人甚至连头衔都过不了。 摘要是最压缩的推销内容：它必须清晰、快速地告诉读者你做了什么和发现了什么。这项技能主要基于 David Evans 对顶级经济学期刊摘要的分析，并辅以 Marc Bellemare 的写作建议、对摘要可读性的实证研究以及 AER、QJE 和 AEJ：应用论文的常见模式。 ## 有效的证据 在开始构建之前，有两个值得了解的经验事实： **可读性预测引用。** Dowling 和其他人检查了《经济学快报》中的摘要，发现单词更简单和句子更短的摘要与更多的引用相关。正如贝尔马尔所说：不要将缺乏可理解性与智力严谨性混为一谈。 **可访问性扩大了你的受众。** Bellemare 的经验法则：如果你的标题不令人反感，并且你的摘要对于你狭窄的子领域之外的人来说是可以理解的，那么你就已经将引用的范围扩大了十倍 - 因为许多人引用的论文他们只阅读了摘要。 --- ## 顶级经济学期刊中的核心结构摘要遵循引言公式的压缩版本。埃文斯指出了好的产品的五种成分
学术论文搜索、引用分析与元数据提取专用 Skill。 【自动触发条件——出现以下任一信号时立即加载本 Skill，无需用户显式说明】 意图信号（中文）： - 搜论文 / 找论文 / 查论文 / 调研论文 / 检索文献 / 文献综述 / 综述 - 顶会 / 顶刊 / CCF / NeurIPS / ICML / ICLR / ACL / EMNLP / CVPR / KDD / SIGIR / WWW - 引用数 / 被引 / 引用关系 / 引用量 - BibTeX / 参考文献格式 / 导出引用 - 作者发表列表 / 某人的论文 / 某人在哪发了什么 - arXiv / Semantic Scholar / Google Scholar / PubMed / ACM DL / IEEE - 知网 / CNKI / 中国知网 / 学位论文 / 硕士论文 / 博士论文 / 中文文献 / 中文期刊 - PDF 链接 / 论文 PDF / 开放获取 - 摘要 abstract / 元数据 意图信号（英文）： - search paper / find paper / look up paper / literature review / survey - citation count / citation graph / citing / cited by - BibTeX / reference export - top conference / top journal / venue ranking - author publication list / papers by X URL 信号（出现以下域名的链接时自动触发）： - arxiv.org / ar5iv.org - semanticscholar.org - scholar.google.com - dl.acm.org - ieeexplore.ieee.org - pubmed.ncbi.nlm.nih.gov - paperswithcode.com - cnki.net / kns.cnki.net 覆盖平台：arXiv、Semantic Scholar、G oogle Scholar、ACM DL、IEEE Xplore、PubMed、Papers with Code、CNKI（中国知网）
Complete academic research skill suite covering the full pipeline: paper reading (read/explain papers with storytelling), idea generation (brainstorm research directions), experiment design (plan experiments, ablation, baselines), proof writing (mathematical proofs, LaTeX theorems), paper writing (draft to camera-ready for top venues like NeurIPS/ICLR/ACL), paper review (structured 4-step review with scoring), and professor fit analysis (evaluate advisors, cold emails, interview strategy). Trigger keywords: read paper, brainstorm, experiment design, prove, write paper, review, professor fit, advisor, cold email, LaTeX, research, NeurIPS, ICLR, ACL, arXiv, 读论文, 写论文, 审稿, 实验设计, 数学证明, 研究方向, 教授分析, 选指导教授.
OpenClaw个性化论文推荐技巧。当用户在飞书中调用 /aminer-rec5 或 /skill aminer-rec5 时，立即运行 {baseDir}/scripts/ 下的本地管道，接受 aminer_user_id、学者提示、种子论文标题、papers_file 或自由格式主题文本，构建统一的 ResearchProfile，检索论文，使用 AMiner 进行丰富，发送飞书卡片，并返回 NO_REPLY。
从权威来源（DBLP、ACL Anthology、PMLR、CrossRef、arXiv）生成准确的 BibTeX 条目。每当用户需要引文、BibTeX 条目、参考书目修复或想要查找论文发表地点/是否发表时，即可使用此技能 - 即使他们没有明确表示“BibTeX”。触发条件：论文标题、arXiv ID、DOI、DBLP 键、“引用本文”、“添加到参考文献”、参考文献列表验证或任何学术引用任务。 --- # make-bib `$ARGUMENTS` — 接受 `arxiv:ID`、`doi:ID`、`dblp:KEY`、`openreview:ID`、引号中的标题或缩写。有关书目来源的工作原理及其可靠性特征的背景，请参阅“${CLAUDE_SKILL_DIR}/itation-guide.md”。 ## 原则 每条原则的存在都是因为特定类别的引用错误很常见并且事后很难发现。 **不确定时询问。** 引用涉及判断——两个相似标题中的哪一个是正确的论文，是否是研讨会或主要轨道，论文属于哪个地点。猜测错误意味着用户在他们的手稿中默默地得到了错误的引用。对于任何不明确的情况，请使用“AskUserQuestion”：多个候选人、地点不明确、来源之间的元数据冲突。 **每个条目一个来源。** BibTeX 条目中的每个字段（标题、作者、年份、地点）应来自同一来源。跨来源混合元数据（甚至是来自不同数据库的“只是作者订单”）会创建没有单一来源可以验证整个记录的条目。如果来源在某个字段上存在分歧，请按原样使用所选来源或询问用户。 **发现工具不是引文来源。** Semantic Scholar 和 Google Scholar 针对查找论文进行优化，而不是针对元数据准确性进行优化。 他们的地点名称、日期和作者格式经常包含错误。使用它们来定位论文并收集外部 ID，然后从下游权威来源获取实际的 BibTeX。 **诚实的陈述。** 将预印本引用为已发表的论文（反之亦然）是学术误传
安装、运行、调试、改进和交付使用 Next.js 和 FastAPI 构建的 Paper Reader 风格产品的公共技能。当用户想要使用带有排名卡、详细信息页面和可重复性证据的论文发现和推荐应用程序时使用。
检查论文的摘要是否涵盖了所有主要部分。在完成提交论文、审查摘要完整性或检查 LaTeX 手稿中摘要正文对齐时使用。
从标题中阅读并总结 arXiv 论文。当用户要求阅读/理解 arXiv 论文、提供论文标题或提及下载 arXiv TeX 源代码 (arxiv.org/src) 时使用。获取论文元数据，下载并提取源代码，找到主.tex，阅读全文，并使用 {paper_id}_{method}.md 将结构化中文注释写入 arxiv_paper_notes。
skill-sample/ ├─ SKILL.md ⭐ 必备：技能说明入口：用途 / 安装 / 用法 / 示例 / 依赖 ├─ manifest.sample.json ⭐ 推荐：机器可读元信息：用于索引 / 校验 / 自动填表 ├─ LICENSE.sample ⭐ 推荐：授权与使用范围：开源 / 限制 / 商用说明 ├─ scripts/ │ └─ example-run.py ✅ 可运行示例脚本：让用户导入后立刻验证“能用” ├─ assets/ │ ├─ example-formatting-guide.md 🧩 输出规范：统一排版 / 结构 / 风格 │ └─ example-template.tex 🧩 模板资源：报告/文档模板，快速生成标准产物 └─ references/ 🧩 参考资料库：方法论 / 结构指南 / 最佳实践 ├─ example-ref-structure.md 🧩 结构参考：章节框架 / 目录组织 ├─ example-ref-analysis.md 🧩 分析参考：常用套路 / 指标口径 └─ example-ref-visuals.md 🧩 视觉参考：图表规范 / 可视化建议
更多 Agent Skills 规范 详见Anthropic官方文档：https://agentskills.io/home
├─ ⭐ 必备：YAML Frontmatter（必须存在，放在文件最顶部） │ ├─ ⭐ name ：技能唯一名；须符合命名规则，并建议与目录名一致 │ └─ ⭐ description ：技能描述；建议包含触发关键词（便于检索/匹配） │ ├─ ✅ 可选：Frontmatter 扩展字段（规范允许，但非强制） │ ├─ ✅ license ：许可证标识（也可配合单独 LICENSE 文件） │ ├─ ✅ compatibility ：兼容性/运行环境要求（仅在确实有限制时写） │ ├─ ✅ metadata ：任意键值对（如 author/version/source_url 等） │ └─ 🧩 allowed-tools ：允许工具白名单（规范标注为 experimental） │ └─ ✅ 推荐：Markdown 正文（自由格式，但建议按“渐进式披露”组织） ├─ ✅ Overview / Purpose ：一句话说明目标 + 不做什么（边界） ├─ ✅ When to use ：触发条件/适用场景（让模型/用户知道何时调用） ├─ ✅ Step-by-step ：步骤化流程（最好 3–6 步，保证可复现） ├─ ✅ Inputs / Outputs ：输入格式、输出格式、产物位置（文件/文本/JSON等） ├─ ✅ Examples ：至少 1 个可复制示例（越“能跑”越好） ├─ 🧩 Files & References ：引用assets/、references/、scripts/（相对路径） ├─ 🧩 Edge cases ：边界情况/限制（大文件、速率限制、失败回退） ├─ 🧩 Troubleshooting ：常见错误与解决（依赖缺失、路径不对、权限问题） └─ 🧩 Safety notes ：涉及联网/写文件/执行命令时给出提醒（建议写）
在 GitHub 和各类社区里，技能文件分散、难检索、也难判断是否可靠。SkillWink 把开源技能集中整理成可搜索、可筛选、可直接下载使用的技能库，让你更快找到“正好能用”的那一个。并且支持在SkillWink上直接上传skills。
我们提供 AI 语义搜索 + 关键字检索，支持 版本更新与多维排序（下载/点赞/评论/更新），并为每个技能提供 SKILL.md 开放标准与来源信息。你还可以在详情页直接 评论讨论、交流用法与改进建议。
快速上手：
支持下载与导入 skills（.zip/.skill），本地放置后即可生效：
~/.claude/skills/（Claude Code）
~/.codex/skills/（Codex CLI）
~/.gemini/skills/（Gemini CLI）
同一份 SKILL.md 跨平台通用。
你需要了解的：技能是什么、怎么运行的、怎么找、怎么导入、怎么判断可信、怎么参与共建。
这里的“skills（技能）”是一种可复用的任务能力包，通常包含 SKILL.md 说明（用途、输入输出、使用方法）以及可选的脚本/模板/示例文件。
你可以把它理解为：给 AI 助手或工具链用的“插件说明书 + 资源包”，可被反复安装与分享。
技能系统采用“渐进式披露”策略，高效管理上下文信息，具体流程如下：
发现阶段：系统启动时，智能体仅加载各技能的名称与简要描述——信息精简，足以判断其适用场景，避免冗余加载。
激活阶段：当任务需求与某技能描述匹配时，智能体才将对应的完整 SKILL.md 说明文档动态载入上下文。
执行阶段：智能体严格遵循文档指引执行操作，并按需调用关联文件或运行内置代码模块。
核心优势：该设计使智能体始终保持轻量高效，同时具备“按需扩展上下文”的能力，既保障响应速度，又确保复杂任务拥有充分执行依据。
推荐 3 种方式组合使用：
注：以上导入方式文件大小控制在10M之内。
常见路径如下（不同系统略有差异，以你本机为准）：
同一份 SKILL.md 通常可以跨工具复用。你在 SkillWink 导入后，也可以查看“放置指引/安装说明”。
可以。很多技能本质是标准化说明 + 资源，只要目标工具支持读取该格式，就能共享使用。
比如：检索类技能 + 写作类技能 + 自动化脚本，形成“发现 → 处理 → 输出”的工作流。
一部分skills来源于公开的 GitHub 仓库。我们会筛掉低质量仓库（至少 2 星），并扫描基本质量指标，还有一部分是SkillWink平台的创作者独立上传的。作为使用者，在安装前应始终审查代码，对安全问题负责。
最常见原因是这几类：
我们会尽量避免。你可以用 排序 + 评论 让“好用的”更靠前：
