本工具包解决学术研究和知识获取中的核心挑战：
| 问题 | 解决方案 |
|---|---|
| 📚 信息过载 | AI 驱动的多源智能过滤 |
| 🧩 知识碎片化 | 自动化知识图谱构建 |
| 🔄 进展难追踪 | 实时监控与智能报告 |
| 🙈 知识盲区不可见 | 主动式盲区检测 |
| 🆕 概念学习复杂 | 一键生成学习卡片 |
| 📄 论文分析耗时 | 深度智能分析与对比 |
跨 11 个学术数据源的智能多源检索，支持领域自动识别与互补搜索策略。
免费数据源 (无需 API Key)：arXiv, Semantic Scholar, OpenAlex (250M+), PubMed (生物医学), CrossRef (150M+ DOI), DBLP (计算机科学), Web Search
API Key 数据源 (可选)：IEEE Xplore, CORE, Google Scholar (SerpAPI), Unpaywall (OA PDF)
# 基础搜索 - 自动选择最优数据源
lit search "transformer attention" --limit 20 --sort citations
# 指定领域 - 自动选择生物医学相关源 (PubMed + Semantic Scholar + OpenAlex)
lit search "CRISPR gene editing" --domain biomedical
# 指定多个数据源（逗号分隔）
lit search "deep learning" --source semantic_scholar,arxiv,openalex
# 搜索并下载 PDF
lit search "attention is all you need" --download --limit 3
# 编程 API
import LiteratureSearch from './literature-search/scripts/search';
const searcher = new LiteratureSearch();
const results = await searcher.search("large language models", {
sources: ['arxiv', 'semantic_scholar', 'openalex'],
limit: 10,
sortBy: 'citations',
domainHint: 'cs'
});多策略 PDF URL 解析与批量下载，支持 Unpaywall/OpenAlex/CORE 开放获取查找。
# 搜索并下载 PDF
lit download "transformer" --limit 5 --output ./papers
# 编程 API
import { PdfDownloader } from './literature-search/scripts/pdf-downloader';
const downloader = new PdfDownloader({ outputDir: './papers' });
const downloads = await downloader.downloadResults(searchResults);快速构建知识框架，生成结构化学习卡片。
# CLI 使用
lit learn "BERT" --depth advanced --papers --code --output bert-card.md
# 编程 API
import ConceptLearner from './concept-learner/scripts/learn';
const learner = new ConceptLearner();
const card = await learner.learn("Transformer", {
depth: 'advanced',
includePapers: true,
includeCode: true
});输出内容：
- 📖 定义与核心概念
- 🔧 核心组成部分
- 📜 历史演进时间线
- 🎯 应用场景与案例
- 🔗 相关概念关系图
- 📚 学习路径规划
- 💻 代码示例（可选）
- 📄 相关论文（可选）
主动识别知识体系中的盲点和薄弱环节。
# CLI 使用
lit detect --domain "Deep Learning" --known "CNN,RNN" --output dl-gaps.md
# 编程 API
import KnowledgeGapDetector from './knowledge-gap-detector/scripts/detect';
const detector = new KnowledgeGapDetector();
const report = await detector.detect({
domain: 'Machine Learning',
knownConcepts: ['Python', 'NumPy', 'Pandas'],
targetLevel: 'advanced'
});输出内容：
- 🚨 关键缺口（必须掌握）
- 📚 建议学习（推荐掌握）
- 🔗 跨学科机会
- 📈 新兴主题
- 🎯 建议学习顺序
- ⏱️ 预计学习工作量
实时监控研究领域动态，自动生成进展报告。
# CLI 使用
lit track report --type weekly --topic "large language model" --output weekly-report.md
# 编程 API
import ProgressTracker from './progress-tracker/scripts/track';
const tracker = new ProgressTracker();
await tracker.addWatch({
type: 'keyword',
value: 'large language model',
frequency: 'daily'
});
const report = await tracker.generateReport({ type: 'weekly' });深度论文分析，提取关键贡献和洞察。
# CLI 使用
lit analyze "https://arxiv.org/abs/1706.03762" --mode deep --output analysis.md
# 编程 API
import PaperAnalyzer from './paper-analyzer/scripts/analyze';
const analyzer = new PaperAnalyzer();
const analysis = await analyzer.analyze({
url: 'https://arxiv.org/abs/1706.03762',
mode: 'deep'
});分析模式：
quick: 快速分析（摘要、关键点）standard: 标准分析（方法、实验、贡献）deep: 深度分析（完整分析、局限性、未来工作）
可视化概念关系，构建交互式知识图谱。
# CLI 使用
lit graph transformer attention BERT GPT --format mermaid --output graph.md
# 编程 API
import KnowledgeGraphBuilder from './knowledge-graph/scripts/graph';
const builder = new KnowledgeGraphBuilder();
const graph = await builder.build(['transformer', 'attention', 'BERT']);
console.log(builder.toMermaid(graph));输出格式：
mermaid: Mermaid 图表格式json: JSON 数据格式
自动识别综述论文，支持中英文关键词，多维度评分（标题30% + 引用25% + 摘要25% + AI 20%）。
# CLI 使用 - 搜索并识别综述
lit review-search "attention mechanism" --limit 10
# 编程 API
import ReviewDetector from './review-detector/scripts/detect';
const detector = new ReviewDetector();
await detector.initialize();
const result = await detector.detectReview(paper);
console.log(`置信度: ${result.confidence}, 类型: ${result.reviewType}`);从综述论文中提取核心学术概念，自动分类并识别概念间关系。
# 编程 API
import ConceptExtractor from './concept-extractor/scripts/extract';
const extractor = new ConceptExtractor();
await extractor.initialize();
const result = await extractor.extractFromReview(analysis);
console.log(extractor.formatResult(result));提取能力：
- 15-30 个核心概念
- 四级分类（基础/核心/进阶/应用）
- 重要性评分（1-5）
- 概念间关系识别
端到端工作流：搜索综述 -> 识别 -> 确认 -> 分析 -> 提取概念 -> 构建图谱 -> 关联论文 -> 持久化。
# 从关键词搜索综述并构建图谱
lit review-graph "deep learning" --output dl-graph --enrich
# 从综述URL直接构建图谱
lit review-graph "https://arxiv.org/abs/xxxx" --output my-graph --enrich
# 自动确认模式（非交互）
lit review-graph "transformer" --output tf-graph --enrich --auto-confirm --min-confidence 0.6双向索引查询：概念 -> 文献，文献 -> 概念。
# 按概念查找相关文献
lit query concept "transformer" --graph dl-graph --limit 20 --type all
# 按论文查找关联概念
lit query paper "https://arxiv.org/abs/1706.03762" --graph dl-graph
# 图谱管理
lit graph-list # 列出所有图谱
lit graph-stats dl-graph # 图谱统计信息
lit graph-viz dl-graph --format mermaid # 可视化
lit graph-export dl-graph --output dl.json # 导出对比两个概念的相似点、差异点和使用场景。
# CLI 使用
lit compare concepts CNN RNN --output cnn-vs-rnn.md
# 编程 API
const comparison = await learner.compare('CNN', 'RNN');输出内容：
- 📊 相似点
- 🔀 差异点
- 🎯 使用场景（何时优先使用哪个）
对比多篇论文的共同主题、主要差异和综合分析。
# CLI 使用 - 对比两篇论文
lit compare papers \
"https://arxiv.org/abs/1706.03762" \
"https://arxiv.org/abs/1810.04805" \
--output transformer-vs-bert.md
# 对比三篇或更多论文
lit compare papers \
"https://arxiv.org/abs/1706.03762" \
"https://arxiv.org/abs/1810.04805" \
"https://arxiv.org/abs/2005.14165" \
--output three-papers.md
# 编程 API
const comparison = await analyzer.compare([url1, url2, url3]);输出内容：
- 📚 对比论文列表
- 🔗 共同主题
- 🔀 主要差异
- 💡 综合分析
对论文进行批判性分析，识别优点、缺点、研究空白和改进建议。
# CLI 使用
lit critique "https://arxiv.org/abs/1706.03762" \
--focus "novelty,scalability,efficiency" \
--output critique.md
# 编程 API
const critique = await analyzer.critique({
url: 'https://arxiv.org/abs/1706.03762',
focusAreas: ['novelty', 'scalability']
});输出内容：
- 📄 论文信息
- 🎯 关注领域（可选）
- ✅ 优点
⚠️ 缺点- 🔍 研究空白
- 💡 改进建议
- 📊 总体评价
查找从一个概念到另一个概念的最优学习路径。
# CLI 使用
lit path "Machine Learning" "Deep Learning" \
--concepts "Neural Networks,Backpropagation" \
--output ml-to-dl-path.md
# 编程 API
const graph = await builder.build(concepts);
const path = builder.findPath(graph, 'Machine Learning', 'Deep Learning');
const order = builder.getTopologicalOrder(graph);输出内容：
- 🗺️ 推荐学习路径
- 📊 Mermaid 可视化
- 📚 学习建议
将论文分析结果转换为交互式 HTML 幻灯片演示，支持编辑和 PPT 导出。
# 基本用法 — 分析论文并生成演示
lit paper-viz "https://arxiv.org/abs/1706.03762" --output attention.html
# 指定分析深度和主题
lit paper-viz "https://arxiv.org/abs/2005.14165" --mode deep --theme academic-light
# 同时导出 PPT
lit paper-viz "https://arxiv.org/abs/1706.03762" --output paper.html --ppt
# 手动提供图表目录
lit paper-viz "https://example.com/paper" --figures ./my-figures幻灯片内容：
- 📌 标题页（标题、作者、年份、关键词、论文链接）
- 📝 摘要与总结
- 🎯 关键要点（按重要度标注：critical / important / supporting）
- 🔬 方法论（研究方法、创新点、假设）
- 📊 实验结果（数据集、指标、图表）
- 💡 贡献（按显著度标注）
⚠️ 局限与未来工作- 📚 参考文献
交互功能：
- ← → / 空格 / 滚轮 / 触摸滑动：导航
- E 键：编辑模式（内容可编辑 + localStorage 自动保存）
- 学术深色/浅色双主题，响应式排版
- PDF 图表自动提取（pymupdf）
- PPT 导出（python-pptx）
将知识图谱数据转换为交互式 D3.js 力导向图 HTML，支持节点探索和论文预览。
# 从已有图谱生成交互式 HTML
lit graph-interactive dl-graph --output dl-interactive.html
# 不嵌入论文数据（更轻量）
lit graph-interactive my-graph --no-paper-viz可视化特性：
- 🔵 节点大小反映关联论文数（
15 + sqrt(paperCount) * 8，上限 60px） - 🔗 边粗细反映概念紧密度（
relationWeight + sharedPaperCount * 0.5） - 🎨 类别颜色：基础=#4FC3F7, 核心=#FFB74D, 进阶=#CE93D8, 应用=#81C784
交互操作：
- 滚轮缩放 + 拖拽平移
- 拖拽节点移动位置
- 点击节点 → 右侧面板显示详情和关联论文列表
- 悬停 tooltip 显示名称和论文数
- 搜索框高亮匹配节点并自动定位
- 点击"查看演示" → 新标签页打开简版论文演示
- Bun 1.3 或更高版本
- Node.js 18+ (可选，如果不使用 Bun)
- Python 3.8+ (可选，用于 PDF 图表提取和 PPT 导出)
# 克隆仓库
git clone https://github.com/your-username/literature-skills.git
cd literature-skills
# 安装依赖
bun install
# 初始化配置
bun run cli.ts config init本工具支持 15+ AI 提供商，需要配置相应的 API 密钥：
# 使用 OpenAI
export AI_PROVIDER=openai
export OPENAI_API_KEY="your-api-key"
# 使用 DeepSeek
export AI_PROVIDER=deepseek
export DEEPSEEK_API_KEY="your-api-key"
# 使用 OpenRouter
export AI_PROVIDER=openai
export OPENAI_API_KEY="your-openrouter-key"
export OPENAI_BASE_URL="https://openrouter.ai/api/v1"
export OPENAI_MODEL="deepseek/deepseek-chat"
# 使用智谱 AI
export AI_PROVIDER=zhipu
export ZHIPU_API_KEY="your-api-key"支持的 AI 提供商：
- 🌍 国际: OpenAI, Anthropic, Azure OpenAI, Groq, Together AI, Ollama
- 🇨🇳 国内: 通义千问 (Qwen), DeepSeek, 智谱 AI (GLM), MiniMax, Moonshot (Kimi), 百川 AI, 零一万物 (Yi), 豆包 (Doubao)
# 1. 检索文献（自动选择最优数据源）
lit search "transformer attention" --limit 20
# 2. 指定领域搜索
lit search "CRISPR gene editing" --domain biomedical
# 3. 指定多个数据源
lit search "deep learning" --source semantic_scholar,arxiv,openalex
# 4. 搜索并下载 PDF
lit download "attention is all you need" --limit 3
# 5. 学习概念
lit learn "Transformer" --depth advanced --output transformer.md
# 6. 检测知识盲区
lit detect --domain "Deep Learning" --known "CNN,RNN"
# 7. 分析论文
lit analyze "https://arxiv.org/abs/1706.03762" --output analysis.md
# 8. 构建知识图谱
lit graph transformer attention BERT GPT --format mermaid
# 9. 对比概念
lit compare concepts CNN RNN
# 10. 对比论文
lit compare papers "https://arxiv.org/abs/1706.03762" "https://arxiv.org/abs/1810.04805"
# 11. 批判性分析
lit critique "https://arxiv.org/abs/1706.03762" --focus "novelty,scalability"
# 12. 查找学习路径
lit path "Machine Learning" "Deep Learning" --concepts "Neural Networks"
# 13. 论文可视化演示
lit paper-viz "https://arxiv.org/abs/1706.03762" --output attention.html
# 14. 交互式知识图谱
lit graph-interactive dl-graph --output dl-interactive.html# 1. 学习核心概念
lit learn "Large Language Model" --depth beginner --code --output llm-basics.md
# 2. 检测前置知识盲区
lit detect --domain "LLM" --known "transformer,attention" --output llm-gaps.md
# 3. 构建知识图谱
lit graph LLM transformer attention GPT BERT --format mermaid --output llm-graph.md
# 4. 规划学习路径
lit path "Transformer" "Large Language Model" --concepts "attention,BERT,GPT"# 1. 搜索该领域的综述论文
lit review-search "attention mechanism" --limit 10
# 2. 从综述构建知识图谱（含关键论文关联）
lit review-graph "attention mechanism" --output attention-graph --enrich
# 3. 查看图谱统计
lit graph-stats attention-graph
# 4. 查询某个概念的相关文献
lit query concept "self-attention" --graph attention-graph --limit 10
# 5. 可视化知识图谱
lit graph-viz attention-graph --format mermaid --output attention-graph.md# 1. 分析论文
lit analyze "https://arxiv.org/abs/1706.03762" --mode deep --output transformer-paper.md
# 2. 批判性分析
lit critique "https://arxiv.org/abs/1706.03762" --focus "novelty,limitations" --output critique.md
# 3. 学习论文中的新概念
lit learn "Self-Attention" --depth advanced --papers --output self-attention.md
# 4. 对比相关论文
lit compare papers \
"https://arxiv.org/abs/1706.03762" \
"https://arxiv.org/abs/1810.04805" \
--output transformer-vs-bert.md# 1. 添加监控主题
lit track report --type weekly --topic "prompt engineering" --output weekly-report.md
# 2. 检索最新论文
lit search "prompt engineering" --sort date --limit 10
# 3. 分析热门论文
lit analyze "latest-paper-url" --mode quick# 1. 对比两个技术方案
lit compare concepts "CNN" "RNN" --output cnn-vs-rnn.md
# 2. 对比多个模型
lit compare concepts "Transformer" "LSTM"
# 3. 构建对比图谱
lit graph CNN RNN LSTM Transformer --format mermaid# 1. 分析论文并生成交互式演示
lit paper-viz "https://arxiv.org/abs/1706.03762" --output attention.html --ppt
# 2. 从综述构建知识图谱
lit review-graph "attention mechanism" --output attention-graph --enrich
# 3. 生成交互式图谱（含论文预览）
lit graph-interactive attention-graph --output attention-interactive.html
# 4. 在浏览器中打开：
# - attention.html: 论文幻灯片演示，键盘/滚轮导航
# - attention-interactive.html: D3.js 力导向图，点击节点查看论文literature-skills/
├── cli.ts # 统一 CLI 入口
├── config.ts # 配置管理
├── README.md # 项目文档
├── ADVANCED_FEATURES.md # 高级功能指南
├── TEST_RESULTS.md # 测试结果报告
│
├── shared/ # 共享模块
│ ├── ai-provider.ts # AI 提供商抽象层
│ ├── types.ts # 共享类型定义
│ ├── validators.ts # 参数验证
│ ├── utils.ts # 工具函数
│ └── errors.ts # 错误处理
│
├── literature-search/ # 文献检索
│ ├── skill.md
│ └── scripts/
│ ├── search.ts # 搜索引擎核心
│ ├── types.ts # 类型定义
│ ├── query-expander.ts # 查询扩展
│ ├── search-strategy.ts # 互补搜索策略
│ ├── pdf-downloader.ts # PDF 下载器
│ └── adapters/ # 搜索源适配器
│ ├── base.ts # 适配器接口与基类
│ ├── registry.ts # 适配器注册表
│ ├── index.ts # 导出
│ ├── arxiv-adapter.ts
│ ├── semantic-scholar-adapter.ts
│ ├── web-adapter.ts
│ ├── openalex-adapter.ts
│ ├── pubmed-adapter.ts
│ ├── crossref-adapter.ts
│ ├── dblp-adapter.ts
│ ├── ieee-adapter.ts
│ ├── core-adapter.ts
│ ├── unpaywall-adapter.ts
│ └── google-scholar-adapter.ts
│ ├── search.ts
│ ├── query-expander.ts # 查询扩展
│ └── types.ts
│
├── concept-learner/ # 概念学习
│ ├── skill.md
│ └── scripts/
│ ├── learn.ts
│ └── types.ts
│
├── knowledge-gap-detector/ # 知识盲区检测
│ ├── skill.md
│ └── scripts/
│ ├── detect.ts
│ └── types.ts
│
├── progress-tracker/ # 进展追踪
│ ├── skill.md
│ └── scripts/
│ ├── track.ts
│ └── types.ts
│
├── paper-analyzer/ # 论文分析
│ ├── skill.md
│ └── scripts/
│ ├── analyze.ts
│ └── types.ts
│
├── review-detector/ # 综述识别
│ └── scripts/
│ ├── detect.ts # 多维度综述识别
│ └── types.ts
│
├── concept-extractor/ # 概念提取
│ └── scripts/
│ ├── extract.ts # AI概念提取与分类
│ └── types.ts
│
├── knowledge-graph/ # 知识图谱
│ ├── skill.md
│ └── scripts/
│ ├── graph.ts # 图谱构建核心
│ ├── indexer.ts # 双向索引系统
│ ├── storage.ts # SQLite持久化
│ └── enricher.ts # 关键论文关联
│
├── paper-viz/ # 论文可视化演示
│ ├── skill.md
│ └── scripts/
│ ├── types.ts # 演示文稿数据接口
│ ├── slide-builder.ts # PaperAnalysis → 幻灯片
│ ├── html-generator.ts # 生成自包含 HTML
│ ├── pdf-figure-extractor.ts # PDF 图表提取 (pymupdf)
│ └── ppt-exporter.ts # PPT 导出 (python-pptx)
│
├── graph-viz/ # 交互式知识图谱
│ ├── skill.md
│ └── scripts/
│ ├── types.ts # D3 图谱数据接口
│ ├── graph-data-adapter.ts # KnowledgeGraph → D3 数据
│ ├── html-generator.ts # 生成交互式 HTML (D3.js)
│ └── paper-viz-bridge.ts # 图谱→论文演示桥接
│
├── workflows/ # 工作流
│ └── review-to-graph.ts # 综述到图谱端到端流程
│
├── tests/ # 单元测试
│ ├── validators.test.ts # 参数验证测试
│ └── paper-viz.test.ts # 可视化模块测试 (91 cases)
│
└── data/ # 数据目录 (自动创建)
└── knowledge-graphs.db # SQLite 数据库
配置文件 literature-config.json：
{
"user": {
"interests": ["Machine Learning", "NLP"],
"level": "intermediate",
"primaryLanguage": "zh-CN"
},
"search": {
"defaultSources": ["arxiv", "semantic_scholar", "web"],
"maxResults": 20,
"sortBy": "relevance"
},
"sourceApiKeys": {
"ncbiApiKey": "",
"ieeeApiKey": "",
"coreApiKey": "",
"unpaywallEmail": "",
"crossrefMailto": "",
"serpApiKey": ""
},
"searchStrategy": {
"useComplementaryStrategy": true,
"maxConcurrentSources": 4,
"domainPriorities": {
"biomedical": ["pubmed", "semantic_scholar", "openalex", "crossref"],
"cs": ["semantic_scholar", "arxiv", "dblp", "openalex"],
"engineering": ["ieee", "semantic_scholar", "openalex", "crossref"],
"physics": ["arxiv", "semantic_scholar", "openalex"]
}
},
"pdf": {
"downloadDir": "./downloads/pdfs",
"maxFileSize": 52428800,
"skipExisting": true,
"concurrency": 3,
"autoDownload": false
},
"learning": {
"depth": "standard",
"includePapers": true,
"includeCode": false
},
"tracking": {
"enabled": true,
"frequency": "weekly",
"keywords": ["transformer", "large language model"]
}
}# 初始化配置文件
lit config init
# 显示当前配置
lit config show
# 设置配置项
lit config set user.level "advanced"
lit config set learning.depth "deep"
# 重置为默认配置
lit config reset# 选择 AI 提供商
export AI_PROVIDER=openai # zai, openai, anthropic, azure, ollama, qwen, deepseek, zhipu, minimax, moonshot, baichuan, yi, doubao, groq, together
# 国际厂商
export OPENAI_API_KEY="your-key"
export ANTHROPIC_API_KEY="your-key"
export AZURE_OPENAI_ENDPOINT="your-endpoint"
export AZURE_OPENAI_API_KEY="your-key"
export GROQ_API_KEY="your-key"
export TOGETHER_API_KEY="your-key"
export OLLAMA_BASE_URL="http://localhost:11434"
# 国内厂商
export QWEN_API_KEY="your-key" # 或 DASHSCOPE_API_KEY
export DEEPSEEK_API_KEY="your-key"
export ZHIPU_API_KEY="your-key"
export MINIMAX_API_KEY="your-key"
export MOONSHOT_API_KEY="your-key"
export BAICHUAN_API_KEY="your-key"
export YI_API_KEY="your-key"
export DOUBAO_API_KEY="your-key"
# Web 搜索 API（可选）
export SERPER_API_KEY="your-key" # 用于 web 搜索功能
# 学术数据源 API Key（可选，提升搜索覆盖范围）
export NCBI_API_KEY="your-key" # PubMed 高速访问 (10 req/s)
export IEEE_API_KEY="your-key" # IEEE Xplore 工程文献
export CORE_API_KEY="your-key" # CORE 开放获取全文
export UNPAYWALL_EMAIL="your@email.com" # Unpaywall OA PDF 解析
export CROSSREF_MAILTO="your@email.com" # CrossRef 礼貌池 (更高速率)
export SERPAPI_KEY="your-key" # Google Scholar (via SerpAPI)所有工具都支持 Markdown 输出，便于阅读和分享：
- 概念卡片: 定义、组成、历史、应用、学习路径、代码示例
- 知识盲区报告: 盲区分析、学习建议、工作量估算
- 进展报告: 新论文、热门主题、推荐阅读
- 论文分析: 方法、实验、贡献、局限性
- 对比分析: 相似点、差异点、使用场景
- 批判性分析: 优点、缺点、研究空白、改进建议
- 论文演示: 全屏幻灯片 HTML，键盘/滚轮/触摸导航，编辑模式
- 知识图谱: D3.js 力导向图 HTML，缩放平移、节点拖拽、搜索、论文面板
结构化 JSON 输出，便于程序化处理：
interface SearchResult {
id: string;
title: string;
authors: string[];
abstract: string;
publishDate: string;
citationCount: number;
url: string;
source: string;
pdfUrl?: string;
doi?: string;
venue?: string;
journal?: string;
openAccess?: boolean;
concepts?: string[];
meshTerms?: string[];
}
interface ConceptCard {
concept: string;
definition: string;
coreComponents: Component[];
applications: Application[];
relatedConcepts: RelatedConcept[];
learningPath: LearningPhase[];
codeExamples?: CodeExample[];
papers?: Paper[];
}项目已通过全面测试，所有功能正常工作。
# 运行所有测试（91 个用例）
bun test tests/validators.test.ts tests/paper-viz.test.ts测试覆盖：
- SlideBuilder: 幻灯片生成、分页、主题、边界情况
- HTML Generator: HTML 结构、CSS 变量、XSS 防御
- GraphDataAdapter: 节点半径计算、边粗细计算、类别颜色
- PaperVizBridge: 论文数据桥接、过滤、截断
- Graph HTML: D3 CDN、数据嵌入、交互组件
- Validators: 参数验证（paper-viz / graph-interactive）
# 测试基础功能
bun run cli.ts search "transformer" --limit 5
bun run cli.ts learn "BERT" --depth intermediate
bun run cli.ts detect --domain "NLP" --known "transformer"
# 测试可视化功能
bun run cli.ts paper-viz "https://arxiv.org/abs/1706.03762" --output test.html
bun run cli.ts graph-interactive dl-graph --output test-graph.html
# 测试高级功能
bun run cli.ts compare concepts CNN RNN
bun run cli.ts critique "paper-url" --focus "novelty"查看 TEST_RESULTS.md 了解详细的测试结果和覆盖范围。
lit <command> [options]
命令:
search <query> 检索相关文献
download <query> 检索并下载 PDF
learn <concept> 学习概念并生成知识卡片
detect --domain <d> 检测知识盲区
track <action> 进展追踪
analyze <url> 分析论文
graph <concepts...> 构建知识图谱
compare <type> <items...> 对比分析
critique <url> 批判性分析论文
path <from> <to> 查找学习路径
review-search <query> 搜索并识别综述论文
review-graph <query|url> 从综述构建知识图谱
query concept <name> 按概念查找关联文献
query paper <url> 按论文查找关联概念
graph-stats <name> 显示图谱统计信息
graph-list 列出所有图谱
graph-viz <name> 图谱可视化
graph-export <name> 导出图谱数据
paper-viz <url> 生成论文可视化演示 HTML
graph-interactive <name> 生成交互式知识图谱 HTML
config <action> 配置管理
选项:
--help, -h 显示帮助信息
--output <file> 输出文件路径
--limit <n> 结果数量限制
--source <s1,s2,...> 数据源 (逗号分隔)
--domain <hint> 领域提示 (biomedical|cs|engineering|physics|general)
--download 同时下载 PDF (用于 search 命令)
--depth <d> 学习深度 (beginner|intermediate|advanced)
--mode <m> 分析模式 (quick|standard|deep)
--theme <t> 演示主题 (academic-dark|academic-light)
--format <f> 输出格式 (mermaid|json)
--focus <areas> 关注领域 (逗号分隔)
--graph <name> 指定图谱名称 (查询命令)
--enrich 搜索并关联关键论文 (review-graph)
--auto-confirm 自动确认综述 (review-graph)
--ppt 同时导出 PPT (paper-viz)
--figures <dir> 手动指定图表目录 (paper-viz)
--no-paper-viz 不嵌入论文数据 (graph-interactive)详细使用说明请参考 ADVANCED_FEATURES.md。
- 创建目录结构：
mkdir -p my-feature/scripts-
编写功能描述 (
skill.md) -
实现核心脚本 (
scripts/main.ts) -
定义类型 (
scripts/types.ts) -
在
cli.ts中注册命令
- 使用 TypeScript 严格模式
- 遵循 ESLint 规则
- 编写单元测试
- 添加 JSDoc 注释
- Semantic Scholar API: 10 req/s，已实现自动重试和延迟
- arXiv API: 3 req/s，推荐用于批量操作
- OpenAlex API: 10 req/s (100/s with mailto param)
- PubMed API: 3 req/s (10/s with NCBI_API_KEY)
- CrossRef API: 5 req/s (使用 CROSSREF_MAILTO 进入礼貌池)
- DBLP API: 1 req/s (请求间隔较长)
- IEEE Xplore: 200 req/day (免费 tier)
- CORE: 1 req/10s (免费 tier)
- 建议: 使用互补搜索策略自动平衡多源负载
- 使用领域提示:
--domain biomedical自动选择最优数据源组合 - 配置邮箱: 设置
CROSSREF_MAILTO和UNPAYWALL_EMAIL提升访问速率 - 配置 SERPER_API_KEY: 提供 web 搜索降级能力
- 选择合适的分析模式: quick 用于快速浏览，deep 用于深度研究
- 批量下载 PDF: 使用
lit download批量下载开放获取论文 - 批量操作间隔: 避免短时间内大量请求
欢迎贡献！
- Fork 本仓库
- 创建特性分支 (
git checkout -b feature/amazing-feature) - 提交更改 (
git commit -m 'Add amazing feature') - 推送到分支 (
git push origin feature/amazing-feature) - 开启 Pull Request
MIT License - 详见 LICENSE 文件。
- arXiv - 开放获取的论文仓库
- Semantic Scholar - 学术搜索引擎
- OpenAlex - 开放学术元数据目录
- PubMed - 生物医学文献数据库
- CrossRef - DOI 注册与元数据
- DBLP - 计算机科学文献库
- CORE - 开放获取全文聚合
- Unpaywall - 开放获取 PDF 查找
- D3.js - 数据驱动的可视化库
- Bun - 快速的 JavaScript 运行时
- 所有 AI 提供商 - 提供强大的语言模型支持
设计灵感：
- frontend-slides - 论文幻灯片演示的设计参考
- Argo Scholar - 交互式知识图谱的设计参考
- 问题反馈: GitHub Issues
- 功能建议: GitHub Discussions
⭐ 如果这个项目对你有帮助，请给它一个 Star！⭐
Made with ❤️ by the ScholarGraph Team