huangkiki/dailypaper-skills

dailypaper‑skills – AI 驱动的每日论文助手

功能

• 将具备代码能力的 LLM 代理（Claude、Codex、Gemini 等）连接到一个工作流，该工作流可查找、过滤、评分并总结最新的 AI/机器人学论文。
• 每天，代理可生成一份最多 10 篇符合您研究兴趣的论文清单，并附上简洁的“锐评”，解释论文内容、对您的意义以及尚存的问题。
• 对标记为 必读 的论文，系统会自动生成包含以下内容的结构化 Markdown 笔记：
  • 问题陈述、方法、关键公式、图表、实验结果
  • 批判性评论及与相关概念的链接（[[概念]] 格式）
• 笔记本地存储（例如在 Obsidian 库中），并完全交叉链接，使您的阅读列表逐渐演变为一个不断增长的知识图谱。

工作原理

1. 获取 – 从 HuggingFace Daily/Trending 和 arXiv 拉取新论文标题。
2. 过滤与评分 – 使用 Jev 模型（低成本、快速的 LLM）评估论文与您配置主题的相关性。
3. 优先级排序 – 将每篇论文分类为 🔥 必读、👀 值得看、💤 可跳过，并提供基于证据的推理。
4. 笔记生成 – 主代理（Claude、Codex 等）通过 Poppler 读取完整 PDF，并根据提供的模板生成 Markdown 笔记。
5. 链接构建 – 从笔记中提取的概念被转换为双向链接，构建个人概念库。

核心组件（称为 Skills）

Skill	触发短语	作用
daily-papers	今日论文推荐	端到端的每日推荐 + 笔记创建
paper-reader	读一下这篇论文 <url>	读取特定 PDF/arXiv 链接，生成聚焦笔记
github-trending	GitHub 周榜	搜索相关开源项目（模拟器、RL 基础设施等）
generate-mocs	更新索引	重新生成概念-链接索引
支持性技能（daily-papers-fetch, daily-papers-review, daily-papers-notes）	–	获取、评审、笔记写作的底层步骤

安装与使用

• 克隆仓库，运行 python3 install.py --agent <your-agent>（支持 Claude、Codex、Cursor、Copilot、Gemini、OpenCode、OpenClaw）。
• 使用 python3 skills/_shared/user_config.py --init 初始化配置，并告知代理您的研究主题和笔记目录。
• 在代理聊天中输入 今日论文推荐（或其它触发短语），整个流程将自动运行，返回推荐页面路径和生成的笔记路径。

为何选择 Jev？

• Jev 1.13.0 每次 10 篇论文评分仅需约 0.0006 美元，耗时约 0.5 秒，相比 GPT‑6 Astra 的 $0.11 和 10 秒，成本降低超过 99%，同时筛选出的论文几乎相同。

适用人群

• 需要保持前沿动态但无需手动筛选数十篇新 arXiv 提交的 AI/机器人学研究人员、研究生和工程师。
• 适用于任何能运行 Python、访问文件系统并发起 HTTP 请求的 LLM 代理。

输出内容

输出	您看到的内容
每日推荐页面	最多 10 篇论文列表，锐评，优先级标签，笔记链接
完整论文笔记（Markdown）	方法描述、公式、图表、批判性分析、[[概念]] 链接
概念库与索引	您 Obsidian 库内可浏览的相关概念网络

依赖项

• Python 3.10+，Git，curl
• Poppler（用于 PDF 文本/图像提取）
• 可选：Obsidian，Zotero，Markdown 浏览器

许可证 – Apache‑2.0。

---

所有细节均直接取自仓库的 README。