chore: import zh skill research-ideation

README.wehub.md

@@ -0,0 +1,9 @@
+# WeHub 来源说明
+
+- Skill 名称：`research-ideation`
+- 中文类目：研究构思与头脑风暴
+- 上游仓库：`galaxy-dawn__claude-scholar`
+- 上游路径：`skills/research-ideation/SKILL.md`
+- 上游链接：https://github.com/galaxy-dawn/claude-scholar/blob/HEAD/skills/research-ideation/SKILL.md
+- 本仓库为 WeHub 中文 Skill 汉化包，基于 skill 市场筛选 Top200 清单整理
+- 原作者、版权和许可证信息以上游仓库为准

SKILL.md

@@ -0,0 +1,209 @@
+---
+name: research-ideation
+description: 当用户要求"头脑风暴研究想法"、"使用 5W1H 框架"、"识别研究空白"、"进行差距分析"、"启动研究项目"、"进行文献综述"、"定义研究问题"、"选择研究方法"、"规划研究"，或提及研究项目启动阶段时，应使用本技能。提供从想法生成到规划的研究启动工作流的全面指导。
+version: 0.1.0
+---
+
+# 研究构思
+
+支持研究项目启动阶段的完整工作流，从模糊想法到可追踪的研究合约：研究问题、假设、证据需求、证伪标准、方法选择与下一步行动。
+
+## 核心功能
+
+### 1. 想法头脑风暴（5W1H 框架）
+
+使用 5W1H 框架系统地头脑风暴研究想法：
+- **What**：研究什么问题或现象
+- **Why**：为什么这个问题很重要
+- **Who**：目标受众与利益相关者
+- **When**：研究的时间范围与背景
+- **Where**：应用场景与领域
+- **How**：初步的研究方法论思路
+
+**与 superpowers:brainstorming 集成**：可调用 superpowers:brainstorming 技能进行交互式头脑风暴，帮助快速生成和评估研究想法。
+
+### 2. 文献综述
+
+系统地检索、分析和综合相关文献：
+- 构建有效的检索关键词
+- 通过 WebSearch 在学术数据库（arXiv、Google Scholar 等）中检索
+- 筛选和评估论文质量
+- 识别研究趋势与空白
+- 从带有证据标注的来源生成结构化文献综述
+- **Zotero 集成**：论文通过 DOI 自动添加到 Zotero，按主题组织到集合中，开放获取的 PDF 自动附加以供全文阅读
+
+### 3. 差距分析
+
+系统地识别和评估研究空白：
+- **文献空白**：识别尚未充分研究的主题或问题
+- **方法空白**：发现现有方法的局限性和改进机会
+- **应用空白**：识别理论到实践转化的机会
+- **跨学科空白**：发现不同领域交叉处的研究机会
+- **时间空白**：识别随时间变化而产生的新研究需求
+
+**分析维度：**
+- 研究主题的覆盖范围
+- 现有方法的优缺点比较
+- 实验设置的完整性
+- 数据集和基准的可用性
+- 理论与实践的差距
+
+### 4. 研究问题定义
+
+基于文献分析制定具体的研究问题：
+- 识别研究空白与机会
+- 应用 SMART 原则制定问题
+- 评估重要性、新颖性和可行性
+- 定义研究目标和预期贡献
+- 撰写「研究问题卡片」，陈述假设、现有证据、缺失证据、支持标准、证伪标准以及最小下一步行动
+- 在将卡片转化为正式提案之前，通过提案就绪关卡
+
+### 5. 方法选择
+
+选择合适的研究方法：
+- 分析现有方法的优缺点
+- 评估方法适用性
+- 确定所需技术与资源
+- 考虑方法的可行性
+
+### 6. 研究规划
+
+制定详细的研究计划：
+- 规划研究时间线
+- 定义里程碑和交付物
+- 识别潜在风险
+- 评估资源需求
+
+## 使用时机
+
+### 适合使用本技能的场景
+
+请在以下情形中使用 research-ideation 技能：
+
+1. **启动新研究项目**——已有研究兴趣但尚无明确研究问题
+2. **文献综述**——需要系统性地了解某一研究领域
+3. **研究问题制定**——需要将模糊想法转化为具体的研究问题
+4. **方法选择**——需要选择合适的研究方法和技术路线
+5. **研究规划**——需要规划研究时间线和资源
+
+### 典型工作流
+
+```
+研究兴趣 → 想法头脑风暴（5W1H）→ 研究问题卡片 → 证据记录 → 差距分析 → 提案就绪关卡 → 选择方法或实验 → 决策
+```
+
+**有条件输出：**
+- `research-question-card.md`——在研究启动或引入阶段始终生成此文件
+- `literature-review.md`——仅当带有证据标注的来源足以进行综合时生成
+- `research-proposal.md`——仅当所选的研究问题卡片通过证据关卡时生成
+- `references.bib`——仅当存在可靠的引文元数据时生成
+- 包含已整理论文和 PDF 的 Zotero 集合——仅当 Zotero 已配置、可写入，且用户未要求干跑/审计模式时创建
+
+## 与其他系统的集成
+
+### 完整研究工作流
+
+```
+research-ideation（研究启动）
+    ↓
+实验执行（由用户完成）
+    ↓
+results-analysis（结果分析）
+    ↓
+ml-paper-writing（论文写作）
+```
+
+### 数据流
+
+- **研究问题卡片**→ 指导文献范围、实验设计和方法选择
+- **证据记录**→ 将来源类型、主张强度及允许/禁止措辞带入文献综合、项目知识以及后续的主张审计
+- **提案就绪关卡**→ 防止仅有摘要或网页占位符的证据转化为正式提案
+- **实验结果**→ 结果分析用于统计分析和主张候选
+- **分析结果**→ 结果报告和论文写作，附带明确的证据限制
+
+### Zotero 集成
+
+通过 Zotero MCP 服务器，research-ideation 工作流实现了文献管理自动化：
+
+- **论文发现**：WebSearch 在学术数据库中检索相关论文
+- **自动导入**：从检索结果中提取 DOI / arXiv ID / 落地页 URL，然后使用 `zotero_add_items_by_identifier` 优先导入论文/预印本，而非回退到网页
+- **集合整理**：`zotero_create_collection` 创建按主题分类的集合，带有标准子集合（核心论文、方法、应用、基线、待读）
+- **PDF 附件**：`zotero_add_items_by_identifier(..., attach_pdf=true)` 运行 PDF 级联策略（落地页 PDF 提示 → 直接 PDF → Unpaywall），也可使用 `zotero_find_and_attach_pdfs` 作为后续补充扫描
+- **全文阅读**：`zotero_get_item_fulltext` 读取已索引的 PDF 内容用于分析和笔记
+- **库检索**：`zotero_search_items` 和 `zotero_get_collection_items` 浏览已有论文以避免重复
+
+### 关键配置
+
+- **文献检索范围**：默认检索过去 3 年的论文，可配置
+- **输出格式**：Markdown 格式，便于编辑和版本控制
+- **引文管理**：以 BibTeX 格式生成参考文献
+- **Zotero 集合命名**：格式为 `Research-{topic}-{YYYY}`
+- **PDF 自动附加**：默认对开放获取论文通过 Unpaywall 启用
+
+## 其他资源
+
+### 参考文件
+
+详细的方法指南，按需加载：
+
+- **`references/5w1h-framework.md`**——5W1H 框架指南
+  - What、Why、Who、When、Where、How——六个维度
+  - 头脑风暴研究想法的系统方法
+  - 与 superpowers:brainstorming 的集成
+  - 使用示例和最佳实践
+
+- **`references/literature-search-strategies.md`**——文献检索策略
+  - 关键词构建技巧
+  - 学术数据库选择（arXiv、Google Scholar）
+  - 检索技巧和筛选标准
+  - 论文质量评估方法
+  - DOI 提取与 Zotero 自动导入工作流
+
+- **`references/zotero-integration-guide.md`**——Zotero MCP 集成指南
+  - 可用的 Zotero MCP 工具（浏览、添加、引用）
+  - 集合组织策略与命名规范
+  - 自动化工作流：WebSearch → DOI → Zotero 导入 → PDF 附件
+  - 全文阅读与结构化笔记
+  - 常见问题与故障排查
+
+- **`references/gap-analysis-guide.md`**——差距分析指南
+  - 5 类差距分析（文献空白、方法空白、应用空白、跨学科空白、时间空白）
+  - 5 个分析维度
+  - 识别研究机会的系统方法
+  - 使用示例和最佳实践
+
+- **`references/research-question-formulation.md`**——研究问题制定
+  - 应用 SMART 原则
+  - 问题类型分类（探索性、验证性、应用性）
+  - 评估标准（重要性、新颖性、可行性）
+  - 定义研究目标和贡献
+
+- **`references/research-contract.md`**——研究合约
+  - 研究问题卡片模板
+  - 证据记录模板
+  - 主张候选模板
+  - 主张强度规则
+
+- **`references/method-selection-guide.md`**——方法选择指南
+  - 常见研究方法分类
+  - 方法适用性分析
+  - 优缺点比较
+  - 资源需求评估
+
+- **`references/research-planning.md`**——研究规划
+  - 时间线规划方法
+  - 里程碑定义技巧
+  - 风险识别与缓解
+  - 资源分配策略
+
+### 示例文件
+
+完整的工作示例：
+
+- **`examples/example-literature-review.md`**——文献综述示例
+  - 展示结构化文献综述格式
+  - 包含研究趋势分析与空白识别
+
+- **`examples/example-research-proposal.md`**——研究提案示例
+  - 展示完整的研究提案结构
+  - 包含问题、方法和计划的完整示例

examples/example-literature-review.md

@@ -0,0 +1,126 @@
+---
+name: literature-review-transformer-explainability
+description: 文献综述示例：Transformer 模型可解释性研究
+metadata:
+  type: reference
+---
+
+# 文献综述示例：Transformer 模型可解释性研究
+
+## 研究主题
+
+本文献综述聚焦于 Transformer 模型的可解释性研究，特别是注意力机制的解释和理解。
+
+## 1. 引言
+
+### 1.1 研究背景
+
+Transformer 模型自 2017 年提出以来，已成为自然语言处理领域的主流架构。然而，其内部工作机制仍然不够透明，限制了模型的可信度和在关键应用中的部署。
+
+### 1.2 研究重要性
+
+**学术价值**：
+- 深入理解深度学习模型的工作原理
+- 为模型改进提供理论指导
+- 推动可解释 AI 领域发展
+
+**实际价值**：
+- 提高模型可信度
+- 辅助模型调试和优化
+- 满足监管和伦理要求
+
+### 1.3 综述范围
+
+本综述涵盖 2020-2024 年间发表的相关工作，重点关注：
+- 注意力机制的可视化和分析
+- 模型内部表示的探测
+- 可解释性评估方法
+- 应用案例研究
+
+## 2. 主要研究方向
+
+### 2.1 注意力可视化方法
+
+**代表性工作**：
+
+**Clark et al. (2019) - "What Does BERT Look At?"**
+- 会议：ACL 2019
+- 贡献：系统分析 BERT 的注意力模式
+- 发现：不同层的注意力关注不同语言现象
+- 引用次数：1200+
+
+**Vig (2019) - "A Multiscale Visualization of Attention"**
+- 会议：ACL 2019 Demo
+- 贡献：开发交互式注意力可视化工具
+- 工具：BertViz（开源）
+- 影响：广泛使用的可视化工具
+
+**主要发现**：
+- 早期层关注句法结构
+- 中间层关注语义关系
+- 后期层关注任务相关特征
+
+### 2.2 模型探测方法
+
+**代表性工作**：
+
+**Tenney et al. (2019) - "BERT Rediscovers the Classical NLP Pipeline"**
+- 会议：ACL 2019
+- 贡献：使用探测任务分析 BERT 的语言知识
+- 方法：Edge probing tasks
+- 发现：BERT 隐式学习了传统 NLP 流程
+
+**Rogers et al. (2020) - "A Primer on BERTology"**
+- 期刊：TACL 2020
+- 贡献：系统综述 BERT 的可解释性研究
+- 影响：成为该领域的重要参考文献
+- 引用次数：800+
+
+**主要发现**：
+- 模型学习了丰富的语言知识
+- 不同层编码不同层次的信息
+- 知识分布在多个层中
+
+## 3. 研究趋势与空白
+
+### 3.1 当前研究趋势
+
+**从静态分析到动态分析**：
+- 早期工作主要分析训练好的模型
+- 近期工作开始关注训练过程中的动态变化
+
+**从单一方法到综合方法**：
+- 结合多种可解释性技术
+- 跨层次、跨模态的分析
+
+**从理解到应用**：
+- 将可解释性用于模型改进
+- 辅助模型调试和优化
+
+### 3.2 研究空白
+
+**理论基础不足**：
+- 缺乏统一的可解释性理论框架
+- 注意力权重与模型行为的因果关系不明确
+
+**评估标准缺失**：
+- 缺乏标准化的评估方法
+- 人类评估成本高且主观性强
+
+**长文本处理**：
+- 现有方法主要针对短文本
+- 长文本的注意力模式更复杂
+
+## 4. 总结
+
+本综述系统梳理了 Transformer 模型可解释性研究的主要方向和代表性工作。主要发现包括：
+
+1. **注意力机制**：不同层关注不同语言现象，但注意力权重不能完全解释模型行为
+2. **内部表示**：模型隐式学习了丰富的语言知识，分布在多个层中
+3. **研究空白**：理论基础、评估标准、长文本处理等方面仍需深入研究
+
+**未来研究方向**：
+- 建立统一的可解释性理论框架
+- 开发标准化的评估方法
+- 探索长文本的可解释性
+- 将可解释性用于模型改进

examples/example-research-proposal.md

@@ -0,0 +1,208 @@
+# 研究提案示例：基于稀疏注意力的长文本 Transformer
+
+## 研究主题
+
+开发一种新的稀疏注意力机制，使 Transformer 模型能够高效处理长文本（10k+ tokens），同时保持或提升性能。
+
+## 1. 研究问题
+
+### 1.1 核心问题
+
+**如何设计一种稀疏注意力机制，使 Transformer 能够在保持性能的同时，将计算复杂度从 O(n²) 降低到 O(n log n)？**
+
+### 1.2 子问题
+
+1. 哪些注意力连接对模型性能最重要？
+2. 如何自适应地选择重要的注意力连接？
+3. 稀疏化对不同任务的影响如何？
+4. 如何在训练和推理中高效实现稀疏注意力？
+
+## 2. 研究目标
+
+### 2.1 主要目标
+
+1. **方法创新**：提出新的自适应稀疏注意力机制
+2. **性能提升**：在长文本任务上达到或超越现有方法
+3. **效率提升**：将计算和内存成本降低 50% 以上
+4. **理论理解**：分析稀疏化对模型能力的影响
+
+### 2.2 预期贡献
+
+**学术贡献**：
+- 新的稀疏注意力机制设计
+- 长文本处理的理论分析
+- 开源实现和预训练模型
+
+**实际价值**：
+- 降低长文本处理成本
+- 使更长的上下文成为可能
+- 提高推理速度
+
+## 3. 研究方法
+
+### 3.1 核心思路
+
+**自适应稀疏注意力**：
+- 动态选择重要的注意力连接
+- 保留局部注意力（相邻 tokens）
+- 学习全局注意力模式
+- 任务自适应的稀疏化策略
+
+### 3.2 技术方案
+
+**阶段 1：稀疏模式设计**
+- 分析现有稀疏模式（Longformer, BigBird）
+- 设计新的自适应选择机制
+- 理论分析复杂度和表达能力
+
+**阶段 2：模型实现**
+- 实现高效的稀疏注意力算子
+- 集成到 Transformer 架构
+- 优化训练和推理效率
+
+**阶段 3：实验验证**
+- 在多个长文本任务上评估
+- 与现有方法对比
+- 消融实验分析
+
+## 4. 实验计划
+
+### 4.1 数据集
+
+| 任务 | 数据集 | 序列长度 | 评估指标 |
+|------|--------|---------|---------|
+| 文档分类 | Hyperpartisan | 4k-16k | F1 |
+| 问答 | NarrativeQA | 8k-32k | F1, EM |
+| 摘要 | arXiv | 4k-8k | ROUGE |
+
+### 4.2 基线方法
+
+- **Vanilla Transformer**：标准 Transformer（作为上界）
+- **Longformer**：固定稀疏模式
+- **BigBird**：随机+全局+局部
+- **Reformer**：LSH 注意力
+
+### 4.3 评估维度
+
+**性能**：
+- 任务准确率
+- 与基线对比
+
+**效率**：
+- 训练时间
+- 推理速度
+- 内存占用
+
+**可扩展性**：
+- 不同序列长度的表现
+- 参数量的影响
+
+## 5. 时间线规划
+
+### 5.1 研究阶段划分
+
+**Phase 1: 准备阶段**（第1-2个月）
+- 文献调研和综述
+- 问题定义和方法设计
+- 初步实验环境搭建
+- **里程碑**：研究提案完成
+
+**Phase 2: 探索阶段**（第3-4个月）
+- 稀疏模式设计和理论分析
+- 初步实现和概念验证
+- 小规模实验验证可行性
+- **里程碑**：概念验证完成
+
+**Phase 3: 开发阶段**（第5-7个月）
+- 完整模型实现
+- 优化训练和推理效率
+- 在多个数据集上进行实验
+- **里程碑**：完整实验结果
+
+**Phase 4: 完成阶段**（第8-9个月）
+- 消融实验和深入分析
+- 论文撰写和修改
+- 代码整理和开源准备
+- **里程碑**：论文投稿
+
+### 5.2 关键检查点
+
+**月度检查**：
+- 进度回顾和问题识别
+- 实验结果分析
+- 计划调整
+
+**季度评审**：
+- 里程碑评估
+- 风险评估和应对
+- 资源需求调整
+
+## 6. 资源需求
+
+### 6.1 计算资源
+
+**GPU 需求**：
+- 探索阶段：2-4 GPU（V100 或 A100）
+- 开发阶段：4-8 GPU
+- 完成阶段：8-16 GPU（大规模实验）
+
+**存储需求**：
+- 数据集：200 GB
+- 模型检查点：100 GB
+- 实验日志：50 GB
+- 总计：约 350 GB
+
+**预计计算时间**：
+- 模型训练：约 500 GPU 小时
+- 实验评估：约 200 GPU 小时
+- 总计：约 700 GPU 小时
+
+### 6.2 人力资源
+
+**研究负责人**（1人）：
+- 研究规划和指导
+- 论文撰写
+- 时间投入：50%
+
+**研究助理**（1-2人）：
+- 实验实现和运行
+- 数据分析
+- 时间投入：100%
+
+### 6.3 其他资源
+
+**数据集**：
+- Hyperpartisan（公开）
+- NarrativeQA（公开）
+- arXiv（公开）
+
+**软件工具**：
+- PyTorch
+- Transformers
+- Weights & Biases（实验跟踪）
+
+## 7. 总结
+
+本研究提案旨在开发一种新的自适应稀疏注意力机制，解决 Transformer 在长文本处理中的效率问题。
+
+**核心创新**：
+- 自适应选择重要的注意力连接
+- 将计算复杂度从 O(n²) 降低到 O(n log n)
+- 在保持性能的同时提高效率
+
+**预期成果**：
+- 在长文本任务上达到或超越现有方法
+- 将计算和内存成本降低 50% 以上
+- 开源实现和预训练模型
+
+**可行性**：
+- 基于成熟的 Transformer 架构
+- 有充足的计算资源支持
+- 9 个月的研究周期合理
+- 团队具备相关技术背景
+
+**影响力**：
+- 学术贡献：新的稀疏注意力机制和理论分析
+- 实际价值：降低长文本处理成本，使更长的上下文成为可能
+
+本研究具有明确的目标、可行的方法和充足的资源支持，预期能够产生有价值的学术成果和实际应用。

references/5w1h-framework.md

@@ -0,0 +1,164 @@
+---
+name: 5W1H-framework-for-research-ideation
+description: 5W1H 框架帮助研究者从多个维度构思和评估研究想法
+metadata:
+  type: reference
+---
+
+# 5W1H Framework for Research Ideation
+
+## 概述
+
+5W1H 框架是一个系统化的思维工具，帮助研究者从多个维度构思和评估研究想法。通过回答6个关键问题，可以快速建立对研究主题的全面理解。
+
+## 框架组成
+
+### What（什么）
+
+**核心问题**：研究什么问题或现象？
+
+**思考维度**：
+- 具体的研究对象是什么
+- 要解决的核心问题是什么
+- 研究的范围和边界在哪里
+- 预期的研究成果是什么
+
+**示例**：
+- "研究 Transformer 模型的可解释性"
+- "探索少样本学习在医疗图像分析中的应用"
+- "分析强化学习中的样本效率问题"
+
+### Why（为什么）
+
+**核心问题**：为什么这个问题重要？
+
+**思考维度**：
+- 这个问题的学术价值是什么
+- 解决这个问题有什么实际意义
+- 当前研究的局限性是什么
+- 为什么现在是研究这个问题的好时机
+
+**评估标准**：
+- **学术重要性**：是否推动领域发展
+- **实际影响**：是否解决真实问题
+- **时效性**：是否符合当前研究趋势
+- **可行性**：是否有足够的资源和技术支持
+
+### Who（谁）
+
+**核心问题**：目标受众和利益相关者是谁？
+
+**思考维度**：
+- 谁会关心这个研究
+- 谁会使用研究成果
+- 谁会从中受益
+- 需要与谁合作
+
+**利益相关者分类**：
+- **学术界**：同领域研究者、审稿人、引用者
+- **工业界**：产品团队、工程师、决策者
+- **用户**：最终使用者、受影响群体
+- **合作者**：导师、同事、跨学科专家
+
+### When（何时）
+
+**核心问题**：研究的时间范围和背景是什么？
+
+**思考维度**：
+- 研究的时间跨度是多久
+- 何时是最佳的研究时机
+- 相关技术和数据何时可用
+- 预期何时产出成果
+
+**时间规划**：
+- **短期**（3-6个月）：初步探索、文献综述、方法验证
+- **中期**（6-12个月）：完整实验、论文撰写、投稿
+- **长期**（1-2年）：系统研究、多篇论文、理论贡献
+
+### Where（何处）
+
+**核心问题**：研究的应用场景和领域是什么？
+
+**思考维度**：
+- 研究应用在哪些具体场景
+- 在哪些领域或行业有价值
+- 地理或文化背景是否重要
+- 实验在哪里进行
+
+**应用场景分类**：
+- **学术场景**：理论验证、方法比较、基准测试
+- **工业场景**：产品开发、系统优化、问题诊断
+- **社会场景**：政策制定、公共服务、社会影响
+- **跨领域**：多学科交叉、技术迁移
+
+### How（如何）
+
+**核心问题**：初步的研究方法思路是什么？
+
+**思考维度**：
+- 采用什么研究方法或技术路线
+- 需要什么数据和资源
+- 如何验证研究假设
+- 预期的技术挑战是什么
+
+**方法类型**：
+- **理论研究**：数学证明、理论分析、模型推导
+- **实验研究**：算法设计、实验验证、性能评估
+- **应用研究**：系统开发、案例研究、用户测试
+- **综合研究**：文献综述、元分析、系统评价
+
+## 使用示例
+
+### 示例 1：Transformer 可解释性研究
+
+**What**：研究 Transformer 模型的注意力机制可解释性
+**Why**：提高模型透明度，增强用户信任，满足监管要求
+**Who**：NLP 研究者、模型开发者、监管机构
+**When**：6-12个月，当前 Transformer 广泛应用但缺乏解释
+**Where**：文本分类、机器翻译、问答系统等 NLP 任务
+**How**：设计可视化工具，分析注意力权重，进行消融实验
+
+### 示例 2：少样本学习在医疗影像中的应用
+
+**What**：探索少样本学习方法在医疗图像诊断中的有效性
+**Why**：医疗数据标注成本高，少样本学习可降低数据需求
+**Who**：医疗 AI 研究者、放射科医生、医院
+**When**：12-18个月，随着少样本学习技术成熟
+**Where**：X光片、CT扫描、MRI 等医疗影像诊断
+**How**：元学习、迁移学习、数据增强，在真实医疗数据集上验证
+
+## 最佳实践
+
+### 1. 迭代式思考
+
+不要期望一次性回答所有问题。先快速过一遍6个问题，然后反复迭代细化。
+
+### 2. 优先级排序
+
+根据研究阶段调整关注重点：
+- **早期**：重点关注 What、Why、Who
+- **中期**：重点关注 How、When、Where
+- **后期**：全面审视所有维度
+
+### 3. 团队协作
+
+与导师、同事讨论 5W1H 问题，获得多角度反馈。
+
+### 4. 文档记录
+
+将 5W1H 分析结果记录下来，作为研究提案的基础。
+
+## 与 superpowers:brainstorming 集成
+
+可以调用 `superpowers:brainstorming` skill 进行交互式头脑风暴：
+
+**使用场景**：
+- 需要快速生成多个研究想法
+- 需要评估想法的可行性
+- 需要团队协作式讨论
+
+**集成方式**：
+1. 使用 5W1H 框架初步构思想法
+2. 调用 superpowers:brainstorming 进行深入探索
+3. 将头脑风暴结果整理回 5W1H 框架
+4. 形成结构化的研究提案

references/gap-analysis-guide.md

@@ -0,0 +1,261 @@
+# Gap Analysis Guide for Research
+
+## 概述
+
+Gap Analysis（研究空白分析）是识别现有研究中未被充分探索的领域、方法或应用的系统化过程。通过识别这些空白，研究者可以找到有价值的研究机会和创新方向。
+
+## 为什么需要 Gap Analysis
+
+**学术价值**：
+- 确保研究的原创性和新颖性
+- 避免重复已有的研究工作
+- 识别高影响力的研究方向
+
+**实践价值**：
+- 发现理论到实践的转化机会
+- 识别技术改进的空间
+- 找到跨学科合作的可能性
+
+## Gap Analysis 的类型
+
+### 1. 文献空白（Literature Gap）
+
+**定义**：尚未被充分研究或完全未被研究的主题或问题。
+
+**识别方法**：
+- 系统化文献综述发现研究较少的子领域
+- 分析综述论文中提到的「未来工作」
+- 识别被引用较少但重要的研究方向
+- 发现新兴技术或应用场景
+
+**示例**：
+- 「Transformer 在时间序列预测中的应用研究较少」
+- 「少样本学习在医疗影像中的研究刚刚起步」
+- 「多模态学习在机器人控制中的应用尚未充分探索」
+
+### 2. 方法空白（Methodological Gap）
+
+**定义**：现有方法的局限性和改进机会。
+
+**识别方法**：
+- 分析现有方法的优缺点
+- 识别方法在特定场景下的失效情况
+- 发现计算效率或可扩展性问题
+- 识别理论与实践的差距
+
+**示例**：
+- 「现有注意力机制在长序列上效率低下」
+- 「当前强化学习方法样本效率不足」
+- 「现有可解释性方法难以应用于大规模模型」
+
+### 3. 应用空白（Application Gap）
+
+**定义**：理论到实践的转化机会，或在新场景中的应用潜力。
+
+**识别方法**：
+- 识别理论研究缺乏实际应用验证
+- 发现成功方法在新领域的应用机会
+- 识别工业界需求与学术研究的脱节
+- 发现技术迁移的可能性
+
+**示例**：
+- 「自监督学习在工业质检中的应用尚未充分探索」
+- 「图神经网络在金融风控中的应用研究较少」
+- 「联邦学习在医疗数据隐私保护中的实际部署案例不足」
+
+### 4. 跨学科空白（Interdisciplinary Gap）
+
+**定义**：不同领域交叉产生的研究机会。
+
+**识别方法**：
+- 识别不同领域的相似问题
+- 发现方法在跨领域迁移的可能性
+- 识别需要多学科协作的复杂问题
+- 发现新兴交叉领域
+
+**示例**：
+- 「认知科学与深度学习的交叉研究」
+- 「量子计算与机器学习的结合」
+- 「生物学启发的神经网络架构设计」
+
+### 5. 时间空白（Temporal Gap）
+
+**定义**：随时间变化产生的新研究需求。
+
+**识别方法**：
+- 识别新技术带来的新问题
+- 发现数据分布随时间变化的影响
+- 识别社会需求变化带来的新挑战
+- 发现技术演进产生的新机会
+
+**示例**：
+- 「大语言模型时代的提示工程研究」
+- 「后疫情时代的远程协作技术」
+- 「隐私法规变化对机器学习的影响」
+
+## 分析维度
+
+### 1. 研究主题的覆盖程度
+
+**评估指标**：
+- 相关论文数量和质量
+- 研究的深度和广度
+- 主流会议和期刊的关注度
+- 研究团队的活跃程度
+
+**判断标准**：
+- **充分研究**：>100篇高质量论文，多个活跃团队
+- **适度研究**：20–100篇论文，有一定关注
+- **研究不足**：<20篇论文，关注度低
+- **未被研究**：几乎没有相关文献
+
+### 2. 现有方法的优缺点对比
+
+**评估内容**：
+- 方法的理论基础
+- 实验性能表现
+- 计算复杂度
+- 可扩展性和泛化能力
+- 实际应用的可行性
+
+**空白识别**：
+- 所有方法都存在的共同局限
+- 特定场景下的失效情况
+- 理论与实践的差距
+
+### 3. 实验设置的完整性
+
+**评估内容**：
+- 实验场景的多样性
+- 基准数据集的覆盖范围
+- 评估指标的全面性
+- 消融实验的充分性
+
+**空白识别**：
+- 缺少特定场景的实验验证
+- 评估指标不够全面
+- 缺少与强基线的对比
+
+### 4. 数据集和基准的可用性
+
+**评估内容**：
+- 公开数据集的数量和质量
+- 标准基准的建立情况
+- 数据集的多样性和代表性
+- 数据标注的质量
+
+**空白识别**：
+- 缺少特定领域的数据集
+- 现有数据集存在偏差或局限
+- 缺少标准化的评估基准
+
+### 5. 理论与实践的差距
+
+**评估内容**：
+- 理论假设与实际情况的匹配度
+- 方法在实际应用中的可行性
+- 理论保证与实验结果的一致性
+- 工业界采用情况
+
+**空白识别**：
+- 理论研究缺乏实际验证
+- 实际问题缺乏理论支持
+- 技术转化存在障碍
+
+## 使用方法
+
+### Step 1：系统化文献综述
+
+- 收集相关领域的代表性论文（20–100篇）
+- 按主题、方法、应用场景分类
+- 识别研究趋势和热点
+
+### Step 2：构建对比矩阵
+
+创建表格对比现有研究：
+
+| 研究 | 方法 | 数据集 | 性能 | 局限性 |
+|------|------|--------|------|--------|
+| Paper A | Method X | Dataset 1 | 85% | 计算复杂度高 |
+| Paper B | Method Y | Dataset 2 | 82% | 泛化能力弱 |
+
+### Step 3：识别空白模式
+
+- 所有研究都未涉及的主题
+- 所有方法都存在的共同局限
+- 缺少的实验场景或数据集
+- 理论与实践的脱节
+
+### Step 4：评估空白的价值
+
+对每个识别的空白评估：
+- **重要性**：解决该空白的学术/实践价值
+- **新颖性**：是否有人正在研究
+- **可行性**：是否有足够的资源和技术支持
+
+## 示例分析
+
+### 示例 1：Transformer 在时间序列预测中的应用
+
+**文献综述发现**：
+- Transformer 在 NLP 领域应用广泛（>1000篇论文）
+- 在计算机视觉中也有大量研究（>500篇论文）
+- 在时间序列预测中的研究较少（<50篇论文）
+
+**识别的空白**：
+- **文献空白**：时间序列领域的 Transformer 研究不足
+- **方法空白**：现有方法未充分利用时间序列的特性
+- **应用空白**：缺少在金融、能源等领域的应用验证
+
+**研究机会**：设计专门针对时间序列的 Transformer 变体
+
+### 示例 2：联邦学习的隐私保护
+
+**文献综述发现**：
+- 联邦学习理论研究充分（>200篇论文）
+- 隐私保护机制研究较多（>150篇论文）
+- 实际部署案例较少（<20篇论文）
+
+**识别的空白**：
+- **应用空白**：理论到实践的转化不足
+- **方法空白**：现有方法在实际场景中效率低
+- **时间空白**：新隐私法规带来的新挑战
+
+**研究机会**：开发高效的隐私保护联邦学习系统
+
+## 最佳实践
+
+### 1. 保持客观性
+
+避免为了找空白而找空白。真正的研究空白应该是：
+- 有学术或实践价值的
+- 可行的（有资源和技术支持）
+- 符合研究兴趣的
+
+### 2. 多维度分析
+
+不要只关注一种类型的空白，综合考虑：
+- 文献空白 + 方法空白 = 创新方法
+- 应用空白 + 跨学科空白 = 新应用场景
+- 时间空白 + 文献空白 = 新兴研究方向
+
+### 3. 验证空白的真实性
+
+在确定研究方向前，再次验证：
+- 是否有最新的相关工作（搜索最近3个月的论文）
+- 是否有人正在研究（检查 arXiv 预印本）
+- 是否有技术或数据限制
+
+### 4. 记录分析过程
+
+将 Gap Analysis 的结果记录下来：
+- 识别的空白列表
+- 每个空白的评估（重要性、新颖性、可行性）
+- 选择的研究方向和理由
+
+### 5. 与导师和同行讨论
+
+Gap Analysis 的结果应该与导师、同事讨论：
+- 验证空白的真实性和价值
+- 获得不同角度的反馈
+- 避免主观偏见

references/literature-search-strategies.md

@@ -0,0 +1,202 @@
+# 文献搜索策略
+
+系统化的文献搜索方法，帮助研究者高效地找到相关文献。
+
+## 1. 关键词构建
+
+### 1.1 核心概念识别
+
+从研究兴趣中提取核心概念：
+
+**示例**：研究兴趣 "Transformer 模型的可解释性"
+- 核心概念 1：Transformer
+- 核心概念 2：Interpretability / Explainability
+
+### 1.2 同义词和变体
+
+为每个核心概念列出同义词和变体：
+
+| 核心概念 | 同义词/变体 |
+|---------|------------|
+| Transformer | Attention mechanism, Self-attention, BERT, GPT |
+| Interpretability | Explainability, Transparency, Understanding |
+
+### 1.3 布尔运算符
+
+使用布尔运算符组合关键词：
+
+```
+(Transformer OR "attention mechanism" OR BERT OR GPT)
+AND
+(interpretability OR explainability OR transparency)
+```
+
+### 1.4 领域特定术语
+
+添加领域特定的术语：
+
+- **方法术语**：probing, attention visualization, saliency maps
+- **应用领域**：NLP, computer vision, speech recognition
+- **评估指标**：faithfulness, plausibility, human evaluation
+
+## 2. 学术数据库选择
+
+### 2.1 主要数据库
+
+| 数据库 | 特点 | 适用场景 |
+|--------|------|---------|
+| **arXiv** | 预印本，更新快 | 获取最新研究进展 |
+| **Semantic Scholar** | AI 驱动，引用分析 | 发现相关论文，分析影响力 |
+| **Google Scholar** | 覆盖面广 | 全面搜索，找遗漏论文 |
+| **ACL Anthology** | NLP 专业 | NLP 领域深度搜索 |
+| **IEEE Xplore** | 工程技术 | 计算机视觉、硬件相关 |
+
+### 2.2 搜索策略
+
+**arXiv 搜索**：
+```
+cat:cs.LG AND (transformer OR attention) AND (interpretability OR explainability)
+```
+
+**Semantic Scholar 搜索**：
+- 使用自然语言查询
+- 利用"Highly Influential Citations"筛选
+- 查看"Related Papers"发现相关工作
+
+**Google Scholar 搜索**：
+- 使用引号精确匹配："transformer interpretability"
+- 限制时间范围：2020-2024
+- 排除专利：-patent
+
+## 3. 搜索技巧
+
+### 3.1 迭代搜索
+
+1. **初始搜索** - 使用核心关键词
+2. **分析结果** - 查看高引用论文的关键词
+3. **优化查询** - 添加新发现的术语
+4. **重复迭代** - 直到找到足够相关的论文
+
+### 3.2 引用追踪
+
+**前向引用**（Forward Citation）：
+- 查看哪些新论文引用了这篇论文
+- 了解研究的后续发展
+
+**后向引用**（Backward Citation）：
+- 查看这篇论文引用了哪些论文
+- 了解研究的基础和背景
+
+### 3.3 作者追踪
+
+- 识别领域内的关键研究者
+- 查看他们的其他相关工作
+- 关注他们的最新研究
+
+## 4. 论文筛选标准
+
+### 4.1 初步筛选（基于标题和摘要）
+
+**包含标准**：
+- 直接相关于研究主题
+- 发表在顶级会议/期刊（NeurIPS, ICML, ICLR, ACL, AAAI）
+- 引用次数较高（相对于发表时间）
+- 作者来自知名机构或研究组
+
+**排除标准**：
+- 与研究主题无关
+- 发表在低质量会议/期刊
+- 明显过时的方法（除非是经典论文）
+
+### 4.2 深度筛选（基于全文）
+
+**质量评估**：
+1. **方法创新性** - 是否提出新方法或新视角
+2. **实验充分性** - 实验设计是否合理，结果是否可信
+3. **写作质量** - 论文是否清晰易懂
+4. **可重现性** - 是否提供代码和数据
+
+**相关性评估**：
+1. **直接相关** - 核心方法或问题直接相关
+2. **间接相关** - 相关技术或应用场景
+3. **背景知识** - 提供必要的背景和基础
+
+### 4.3 文献管理
+
+**集成工具**：
+- **Zotero**（主要工具，已通过 MCP 集成）
+  - 通过 `zotero_add_items_by_identifier` 智能导入论文，优先落成 paper/preprint
+  - 通过 `zotero_create_collection` 自动创建和组织集合
+  - 通过 PDF cascade（页面显式 PDF → direct PDF → Unpaywall）尽可能补齐 PDF
+  - 通过 `zotero_get_item_fulltext` 读取 PDF 全文进行分析
+  - 通过 `zotero_search_items` 搜索已有论文避免重复导入
+- Mendeley - 社交功能，PDF 标注（备选）
+- Papers - Mac 专用，界面优雅（备选）
+
+**组织策略**：
+
+使用 Zotero 集合结构组织文献：
+
+```
+📁 Research-{topic}-{date}
+  ├── 📁 Core Papers（核心论文）
+  ├── 📁 Methods（方法论文）
+  ├── 📁 Applications（应用论文）
+  ├── 📁 Baselines（基线论文）
+  └── 📁 To-Read（待读论文）
+```
+
+- 核心论文：直接相关、高引用的关键论文
+- 方法论文：技术方法参考，可借鉴的方法论
+- 应用论文：应用场景参考，领域实践
+- 基线论文：实验对比基准，需要复现的工作
+- 待读论文：初步筛选，待深入阅读
+
+## 5. DOI 提取与自动导入
+
+### 5.1 DOI 提取方法
+
+从 WebSearch 搜索结果中提取 DOI 的常见方式：
+
+**URL 中的 DOI**：
+- `https://doi.org/10.xxxx/xxxxx` - 直接 DOI 链接
+- `https://dl.acm.org/doi/10.xxxx/xxxxx` - ACM Digital Library
+- `https://ieeexplore.ieee.org/document/xxxxx` - IEEE（需从页面提取）
+- `https://arxiv.org/abs/xxxx.xxxxx` - arXiv（DOI 格式：`10.48550/arXiv.xxxx.xxxxx`）
+
+**常见 DOI 格式**：
+- `10.xxxx/xxxxx` - 标准 DOI 前缀
+- 以 `10.` 开头，包含 `/` 分隔符
+- 例：`10.1038/s41586-023-06747-5`（Nature）
+- 例：`10.48550/arXiv.2301.00234`（arXiv）
+
+### 5.2 自动导入流程
+
+```
+WebSearch 搜索论文
+    ↓
+从搜索结果中提取 DOI / arXiv ID / landing-page URL
+    ↓
+add_items_by_identifier 批量导入到 Zotero
+    ↓
+工具内部自动执行 PDF cascade
+    ↓
+必要时用 `zotero_reconcile_collection_duplicates` 做导入后去重清理
+    ↓
+get_item_fulltext 读取全文进行分析
+```
+
+**操作示例**：
+
+1. 使用 WebSearch 搜索 `"transformer interpretability" site:arxiv.org OR site:doi.org`
+2. 从结果中收集 DOI 列表
+3. 调用 `zotero_add_items_by_identifier(..., attach_pdf=true)` 批量导入（建议每批不超过 10 篇，避免 API 速率限制）
+4. 仅对仍然缺 PDF 的条目，再调用 `zotero_find_and_attach_pdfs` 做补挂
+5. 使用 `zotero_get_item_fulltext` 阅读关键论文全文
+
+### 5.3 无 DOI 论文处理
+
+部分论文可能没有标准 DOI：
+- **arXiv 预印本**：使用 `10.48550/arXiv.{id}` 格式
+- **会议论文集**：尝试从出版商页面获取 DOI
+- **无法获取 DOI**：优先识别 arXiv ID、页面中的 `citation_doi` / `citation_pdf_url`；只有都失败时才保存为 `webpage`。如果关键论文仍缺 PDF，请在 Zotero Desktop 中手动附加。

references/method-selection-guide.md

@@ -0,0 +1,217 @@
+# 方法选择指南
+
+帮助研究者选择适合的研究方法和技术路线。
+
+## 1. 常见研究方法分类
+
+### 1.1 理论分析方法
+
+**特点**：通过数学推导和理论分析来理解问题
+
+**适用场景**：
+- 需要理论保证的问题
+- 算法复杂度分析
+- 收敛性证明
+- 泛化界分析
+
+**示例**：
+- PAC 学习理论
+- 优化算法收敛性分析
+- 神经网络表达能力分析
+
+**所需技能**：
+- 数学基础（概率论、优化理论）
+- 理论计算机科学
+- 证明技巧
+
+### 1.2 实证研究方法
+
+**特点**：通过实验验证假设和评估方法
+
+**适用场景**：
+- 新方法性能评估
+- 假设验证
+- 方法对比
+- 参数敏感性分析
+
+**示例**：
+- 在多个数据集上评估新模型
+- 消融实验分析组件贡献
+- 超参数搜索和优化
+
+**所需资源**：
+- 计算资源（GPU/TPU）
+- 标准数据集
+- 评估指标和工具
+
+### 1.3 系统构建方法
+
+**特点**：构建完整的系统或工具
+
+**适用场景**：
+- 端到端应用系统
+- 工具和框架开发
+- 集成多个技术
+- 实际部署需求
+
+**示例**：
+- 对话系统
+- 推荐系统
+- 代码生成工具
+- 数据处理框架
+
+**所需资源**：
+- 工程能力
+- 系统设计经验
+- 用户反馈渠道
+- 维护和迭代能力
+
+### 1.4 数据分析方法
+
+**特点**：通过数据分析发现规律和洞察
+
+**适用场景**：
+- 探索性研究
+- 现象分析
+- 模型行为理解
+- 错误分析
+
+**示例**：
+- 注意力模式可视化
+- 模型预测错误分析
+- 数据集偏差分析
+- 训练动态分析
+
+**所需技能**：
+- 数据可视化
+- 统计分析
+- 模型解释技术
+
+## 2. 方法选择决策框架
+
+### 2.1 问题类型匹配
+
+| 问题类型 | 推荐方法 | 原因 |
+|---------|---------|------|
+| 理论问题 | 理论分析 | 需要严格证明 |
+| 性能提升 | 实证研究 | 需要实验验证 |
+| 实际应用 | 系统构建 | 需要端到端解决方案 |
+| 现象理解 | 数据分析 | 需要探索和发现 |
+
+### 2.2 资源约束考虑
+
+**计算资源有限**：
+- 优先选择轻量级方法
+- 使用预训练模型
+- 考虑模型压缩技术
+- 使用小规模数据集验证
+
+**时间紧迫**：
+- 选择成熟的方法
+- 使用现有工具和框架
+- 避免从零开始
+- 优先快速原型
+
+**数据有限**：
+- 使用迁移学习
+- 数据增强技术
+- Few-shot 学习方法
+- 合成数据生成
+
+## 3. 方法优缺点对比
+
+### 3.1 理论分析方法
+
+**优点**：
+- 提供理论保证
+- 深入理解问题本质
+- 结果具有普适性
+- 不依赖大量实验
+
+**缺点**：
+- 需要强数学背景
+- 可能与实际有差距
+- 证明过程耗时
+- 难以处理复杂系统
+
+### 3.2 实证研究方法
+
+**优点**：
+- 直接验证性能
+- 结果直观可信
+- 易于复现
+- 适用范围广
+
+**缺点**：
+- 需要大量计算资源
+- 结果可能过拟合数据集
+- 缺乏理论解释
+- 超参数调优困难
+
+### 3.3 系统构建方法
+
+**优点**：
+- 解决实际问题
+- 产生实用价值
+- 综合多种技术
+- 易于产业化
+
+**缺点**：
+- 工程量大
+- 维护成本高
+- 学术贡献可能有限
+- 难以发表顶会
+
+### 3.4 数据分析方法
+
+**优点**：
+- 发现新现象
+- 提供洞察
+- 成本相对较低
+- 可视化效果好
+
+**缺点**：
+- 可能缺乏深度
+- 难以量化贡献
+- 结果可能主观
+- 需要领域知识
+
+## 4. 资源需求评估
+
+### 4.1 计算资源
+
+| 方法类型 | GPU 需求 | 训练时间 | 存储需求 |
+|---------|---------|---------|---------|
+| 理论分析 | 无 | 无 | 低 |
+| 小规模实验 | 1-2 GPU | 数小时-数天 | 中 |
+| 大规模实验 | 4-8 GPU | 数天-数周 | 高 |
+| 系统构建 | 可变 | 持续 | 高 |
+
+### 4.2 人力资源
+
+**单人项目**：
+- 理论分析（如有背景）
+- 小规模实证研究
+- 数据分析
+
+**团队项目**：
+- 大规模实证研究
+- 系统构建
+- 跨领域研究
+
+### 4.3 时间资源
+
+**3个月内**：
+- 小规模实验
+- 数据分析
+- 理论分析（简单问题）
+
+**6个月内**：
+- 中等规模实验
+- 系统原型
+- 理论分析（复杂问题）
+
+**1年内**：
+- 大规模实验
+- 完整系统
+- 深入理论研究

references/research-contract.md

@@ -0,0 +1,118 @@
+---
+name: research-contract
+description: 研究合约——在 Claude Scholar 工作流中传递研究状态
+metadata:
+  type: reference
+---
+
+# 研究合约
+
+使用本合约在 Claude Scholar 工作流中传递研究状态。
+
+目标是保留：
+- 正在研究什么问题，
+- 当前存在哪些证据，
+- 根据这些证据可得出什么主张，
+- 尚存哪些不确定性，
+- 下一步应做什么决策或行动。
+
+## 研究问题卡片
+
+当一个模糊的想法演变为研究方向时，使用此卡片。
+
+```md
+## 研究问题卡片
+
+问题：
+类型：探索性 | 验证性 | 应用性
+假设：
+为何重要：
+当前证据：
+缺失证据：
+什么能支持它：
+什么能证伪它：
+最小下一步行动：
+决策：探索 | 深入阅读 | 运行实验 | 停止
+```
+
+## 证据记录
+
+对论文证据、项目笔记、实验输出和分析产物使用此记录。
+
+```md
+## 证据记录
+
+证据 ID：
+来源：
+来源类型：完整论文 | 预印本 | 数据集 | 实验产物 | 项目笔记 | 仅摘要 | 网页占位符
+支持：
+反驳：
+方法 / 数据集 / 评估指标：
+局限性：
+项目相关性：
+主张强度：推测性 | 观察到 | 有支持 | 强有力
+```
+
+证据 ID 格式：
+- 使用 `ER-YYYYMMDD-shortslug-NN`，例如 `ER-20260513-tta-eeg-01`。
+- 在项目或研究线索内保持 ID 唯一。
+- 使用稳定、可读的短标识。不要使用模糊的 ID，如 `E1`、`paper1` 或 `source-a`。
+- 当同一证据记录在下游被引用时，重复使用同一证据 ID；仅为不同的来源、产物或分析结果创建新 ID。
+
+## 主张候选
+
+当分析或综合得出可能日后进入报告、论文、反驳或项目计划的表述时，使用此候选。
+
+```md
+## 主张候选
+
+主张：
+来源证据：
+允许的措辞：
+禁止的更强措辞：
+不确定性：
+下一步核查：
+决策：保留 | 弱化 | 修订 | 丢弃
+```
+
+## 来源可信度等级
+
+使用来源可信度来决定一条笔记能否支持下游综合。
+
+- `完整论文` / `预印本`：当相关方法、数据集、评估指标和局限性均被指明时，可以支持「观察到」、「有支持」或「强有力」的主张。
+- `数据集` / `实验产物`：当分析单元、评估指标、来源出处和分析局限性均被指明时，可以支持项目主张。
+- `项目笔记`：可以支持假设和计划，但不能支持基于文献的主张，除非它链接到独立的证据记录。
+- `仅摘要` / `网页占位符`：仅能支持发现和「待阅读」路由。除非后来被完整论文、预印本或经过验证的产物取代，否则不得用于支持「知识」、手稿或反驳主张。
+
+## 主张提升门禁
+
+在主张进入「知识」、「写作」、报告、手稿草稿或反驳之前，请检查：
+
+1.  该主张至少有一个证据记录 ID。
+2.  来源类型对于预期的主张来说足够强。
+3.  主张强度没有被静默升级。
+4.  允许的措辞和禁止的更强措辞均已记录。
+5.  矛盾的证据或缺失的证据已保留。
+
+如果任何一项未通过，则将该主张保留为假设、动机、警告或「待阅读」项目。不要将其打磨成持久的结论。
+
+## 提案就绪门禁
+
+仅在以下条件满足时才生成 `research-proposal.md`：
+
+- 已选定一个研究问题卡片，
+- 当前证据足以证明问题和方法的合理性，
+- 缺失证据已明确且可处理，
+- 最小下一步行动比「深入阅读」更具体，
+- 关键动机主张有引用或证据记录可用。
+
+如果这些条件不满足，则生成 `research-question-card.md`、差距笔记或信息收集摘要，而非提案。
+
+## 强度规则
+
+- `推测性`：合理的想法，仅有薄弱或间接证据。
+- `观察到`：在论文、笔记或实验中已见到，但尚不足以形成持久的结论。
+- `有支持`：有明确的证据支持，如论文结果、实验或分析包。
+- `强有力`：有多个证据锚点或统计严谨的项目证据支持。
+
+在没有指明证明升级合理性的证据之前，不得将主张提升到更强的等级。

references/research-planning.md

@@ -0,0 +1,174 @@
+# 研究计划制定
+
+系统化的研究计划制定方法，确保研究项目顺利推进。
+
+## 1. 时间线规划
+
+### 1.1 研究阶段划分
+
+**典型研究周期**（以6个月为例）：
+
+| 阶段 | 时间 | 主要任务 | 交付物 |
+|------|------|---------|--------|
+| **Phase 1: 准备** | 第1个月 | 文献调研、问题定义 | 文献综述、研究提案 |
+| **Phase 2: 探索** | 第2-3个月 | 初步实验、方法验证 | 概念验证、初步结果 |
+| **Phase 3: 开发** | 第4-5个月 | 方法优化、全面实验 | 完整实验结果 |
+| **Phase 4: 完成** | 第6个月 | 论文撰写、代码整理 | 论文草稿、开源代码 |
+
+### 1.2 时间分配原则
+
+**80/20 原则**：
+- 80% 时间用于核心工作（实验、分析、写作）
+- 20% 时间用于辅助工作（文献、工具、沟通）
+
+**缓冲时间**：
+- 每个阶段预留 20% 缓冲时间
+- 应对意外情况和延期
+
+**并行任务**：
+- 文献调研贯穿整个过程
+- 论文写作可以提前开始（Introduction, Related Work）
+- 代码整理与实验同步进行
+
+## 2. 里程碑定义
+
+### 2.1 关键里程碑
+
+**Milestone 1: 研究提案完成**
+- 时间：第1个月末
+- 标准：
+  - 文献综述完成（20-30篇核心论文）
+  - 研究问题明确定义
+  - 方法路线初步确定
+  - 实验计划制定
+
+**Milestone 2: 概念验证**
+- 时间：第3个月末
+- 标准：
+  - 初步实验完成
+  - 方法可行性验证
+  - 至少一个正面结果
+  - 识别主要挑战
+
+**Milestone 3: 完整实验**
+- 时间：第5个月末
+- 标准：
+  - 所有实验完成
+  - 结果达到预期
+  - 消融实验完成
+  - 可视化和分析完成
+
+**Milestone 4: 论文提交**
+- 时间：第6个月末
+- 标准：
+  - 论文草稿完成
+  - 代码开源准备
+  - 内部审阅通过
+  - 准备投稿
+
+### 2.2 检查点设置
+
+**每周检查**：
+- 进度回顾
+- 问题识别
+- 计划调整
+
+**每月评审**：
+- 里程碑评估
+- 风险评估
+- 资源调整
+
+## 3. 风险识别与应对
+
+### 3.1 常见风险
+
+**技术风险**：
+- 方法不work
+- 实验结果不理想
+- 计算资源不足
+- 技术难度超预期
+
+**应对策略**：
+- 准备备选方案
+- 早期概念验证
+- 申请额外资源
+- 寻求技术支持
+
+**时间风险**：
+- 进度延期
+- 依赖项延迟
+- 意外事件
+
+**应对策略**：
+- 预留缓冲时间
+- 并行任务
+- 优先级管理
+- 及时调整计划
+
+**资源风险**：
+- GPU 不可用
+- 数据集问题
+- 人员变动
+
+**应对策略**：
+- 多个资源渠道
+- 数据集备选
+- 知识文档化
+
+### 3.2 风险监控
+
+**红色预警**（立即处理）：
+- 核心方法失败
+- 关键资源缺失
+- 严重进度延期
+
+**黄色预警**（密切关注）：
+- 部分实验不理想
+- 资源紧张
+- 轻微延期
+
+**绿色状态**（正常推进）：
+- 按计划进行
+- 资源充足
+- 结果符合预期
+
+## 4. 资源分配
+
+### 4.1 计算资源
+
+**GPU 分配**：
+- 探索阶段：1-2 GPU
+- 开发阶段：2-4 GPU
+- 完成阶段：4-8 GPU（大规模实验）
+
+**存储分配**：
+- 数据集：100-500 GB
+- 模型检查点：50-200 GB
+- 实验日志：10-50 GB
+
+### 4.2 人力分配
+
+**单人项目**：
+- 文献调研：20%
+- 实验开发：50%
+- 论文写作：20%
+- 其他：10%
+
+**团队项目**：
+- 研究负责人：规划、指导、写作
+- 研究助理：实验、分析、编码
+- 合作者：特定模块、审阅
+
+### 4.3 时间分配
+
+**每周时间**（40小时）：
+- 核心研究：25-30小时
+- 文献阅读：5-8小时
+- 会议讨论：3-5小时
+- 其他事务：2-5小时
+
+**每日时间**：
+- 深度工作：4-6小时（上午）
+- 实验监控：2-3小时
+- 文献和写作：1-2小时
+- 沟通协作：1小时

references/research-question-formulation.md

@@ -0,0 +1,210 @@
+# 研究问题制定
+
+将研究兴趣转化为具体、可执行的研究问题的系统化方法。
+
+## 1. SMART 原则
+
+好的研究问题应该满足 SMART 原则：
+
+### 1.1 Specific（具体的）
+
+**不好的问题**：
+- "如何提高模型性能？"（太宽泛）
+
+**好的问题**：
+- "如何通过改进注意力机制来提高 Transformer 在长文本理解任务上的性能？"
+
+**关键要素**：
+- 明确的研究对象（Transformer）
+- 具体的改进方向（注意力机制）
+- 明确的任务场景（长文本理解）
+- 清晰的目标（提高性能）
+
+### 1.2 Measurable（可衡量的）
+
+研究问题应该有明确的评估标准：
+
+**示例**：
+- "提高性能" → "在 SQuAD 数据集上提高 F1 分数"
+- "改善可解释性" → "提高人类评估的 faithfulness 分数"
+
+**评估维度**：
+- 定量指标：准确率、F1、BLEU、困惑度
+- 定性指标：人类评估、案例分析
+- 效率指标：训练时间、推理速度、内存占用
+
+### 1.3 Achievable（可实现的）
+
+考虑资源和能力限制：
+
+**资源评估**：
+- 计算资源：GPU 数量和类型
+- 数据资源：数据集的可获得性和质量
+- 时间资源：研究周期（3个月、6个月、1年）
+- 人力资源：团队规模和专业技能
+
+**可行性检查**：
+- 是否有类似工作作为基础？
+- 所需技术是否已经成熟？
+- 数据集是否公开可用？
+- 计算成本是否在预算内？
+
+### 1.4 Relevant（相关的）
+
+研究问题应该对学术界或工业界有价值：
+
+**学术价值**：
+- 填补研究空白
+- 挑战现有假设
+- 提供新的理论视角
+- 推动方法论进步
+
+**实际价值**：
+- 解决实际应用问题
+- 提高系统性能
+- 降低成本或资源消耗
+- 改善用户体验
+
+### 1.5 Time-bound（有时限的）
+
+设定合理的研究时间框架：
+
+**短期目标**（1-3个月）：
+- 文献调研和问题定义
+- 初步实验和概念验证
+
+**中期目标**（3-6个月）：
+- 方法开发和优化
+- 全面实验和分析
+
+**长期目标**（6-12个月）：
+- 论文撰写和投稿
+- 代码开源和社区推广
+
+## 2. 研究问题类型
+
+### 2.1 探索性问题（Exploratory）
+
+**特点**：探索未知领域，发现新现象
+
+**示例**：
+- "Transformer 的注意力机制在处理长文本时表现出什么模式？"
+- "大语言模型在推理任务中使用了哪些内部表示？"
+
+**适用场景**：
+- 新兴研究领域
+- 缺乏理论基础的现象
+- 需要深入理解的复杂系统
+
+### 2.2 验证性问题（Confirmatory）
+
+**特点**：验证假设或理论
+
+**示例**：
+- "增加模型深度是否能提高长文本理解性能？"
+- "预训练是否对低资源语言任务有帮助？"
+
+**适用场景**：
+- 有明确假设需要验证
+- 挑战现有理论或观点
+- 复现和扩展已有工作
+
+### 2.3 应用性问题（Applied）
+
+**特点**：解决实际应用问题
+
+**示例**：
+- "如何在保持性能的同时将模型大小减少50%？"
+- "如何使对话系统更好地理解用户意图？"
+
+**适用场景**：
+- 有明确的应用需求
+- 需要在约束条件下优化
+- 工业界合作项目
+
+## 3. 研究问题评估标准
+
+### 3.1 重要性（Significance）
+
+**评估维度**：
+- **学术影响**：是否推动领域发展？
+- **实际价值**：是否解决重要问题？
+- **受众规模**：有多少人关心这个问题？
+
+**评分标准**（1-5分）：
+- 5分：突破性问题，影响整个领域
+- 4分：重要问题，多个研究组关注
+- 3分：有价值问题，部分研究者关注
+- 2分：边缘问题，少数人关注
+- 1分：琐碎问题，几乎无人关注
+
+### 3.2 新颖性（Novelty）
+
+**评估维度**：
+- **问题新颖性**：是否是新问题？
+- **方法新颖性**：是否用新方法？
+- **视角新颖性**：是否有新视角？
+
+**评分标准**（1-5分）：
+- 5分：全新问题或突破性方法
+- 4分：新问题或显著改进的方法
+- 3分：新视角或方法组合
+- 2分：增量改进
+- 1分：重复已有工作
+
+### 3.3 可行性（Feasibility）
+
+**评估维度**：
+- **技术可行性**：现有技术能否实现？
+- **资源可行性**：资源是否充足？
+- **时间可行性**：时间是否合理？
+
+**评分标准**（1-5分）：
+- 5分：完全可行，资源充足
+- 4分：基本可行，资源足够
+- 3分：有挑战，需要努力
+- 2分：困难较大，需要突破
+- 1分：几乎不可行
+
+### 3.4 综合评估
+
+**决策矩阵**：
+
+| 重要性 | 新颖性 | 可行性 | 建议 |
+|--------|--------|--------|------|
+| 高 | 高 | 高 | 优先执行 |
+| 高 | 高 | 中 | 值得尝试 |
+| 高 | 中 | 高 | 稳妥选择 |
+| 中 | 高 | 高 | 可以考虑 |
+| 低 | * | * | 重新考虑 |
+
+## 4. 支持与证伪检查
+
+每个研究问题都必须说明什么结果会支持它，什么结果会削弱或推翻它。
+
+### 4.1 必填字段
+
+```md
+Question:
+Hypothesis:
+Current evidence:
+Missing evidence:
+What would support it:
+What would falsify it:
+Minimal next action:
+Decision: explore | read more | run experiment | stop
+```
+
+### 4.2 决策含义
+
+- `explore`：问题可能有价值，但还缺少基本文献或问题边界。
+- `read more`：需要先补关键相关工作、baseline、dataset 或 metric。
+- `run experiment`：问题、假设、支持证据和最小实验已经足够明确。
+- `stop`：重要性、新颖性、可行性或证据边界不足，不建议继续投入。
+
+### 4.3 写作要求
+
+- 不要只写"值得研究"；必须说明为什么值得研究。
+- 不要只写"需要更多实验"；必须说明最小下一步实验是什么。
+- 不要只写"有文献支持"；必须列出当前证据和缺失证据。
+- 不要把探索性问题写成已经验证的结论。

references/zotero-integration-guide.md

@@ -0,0 +1,189 @@
+# Zotero MCP 集成指南
+
+通过 Zotero MCP 服务器实现文献管理的自动化集成。
+
+## 1. 可用工具
+
+### 1.1 浏览工具
+
+| 工具 | 功能 | 使用场景 |
+|------|------|---------|
+| `zotero_get_collections` | 列出所有集合 | 查看已有研究项目 |
+| `zotero_get_collection_items` | 获取集合中的条目 | 浏览特定集合的论文 |
+| `zotero_search_items` | 搜索库中的条目 | 按关键词查找已有论文 |
+| `zotero_get_item_metadata` | 批量获取条目元数据 | 获取论文详细信息 |
+| `zotero_get_item_fulltext` | 获取 PDF 全文 | 阅读论文内容 |
+
+### 1.2 添加工具
+
+| 工具 | 功能 | 使用场景 |
+|------|------|---------|
+| `zotero_add_items_by_identifier` | 智能导入论文 | 先解析 DOI / arXiv / PDF，再尽量落成 paper 或 preprint |
+| `zotero_add_items_by_doi` | 通过 DOI 添加论文 | 自动获取元数据，并默认尝试 PDF cascade |
+| `zotero_add_items_by_arxiv` | 通过 arXiv ID 添加预印本 | 适合 arXiv-only 论文，并默认尝试 arXiv PDF |
+| `zotero_add_item_by_url` | 保存网页为条目 | 仅在确实需要保留网页资源时使用 |
+| `zotero_create_collection` | 创建集合 | 组织研究项目 |
+| `zotero_find_and_attach_pdfs` | 批量补挂 PDF | 对已有条目再跑一遍 PDF cascade |
+| `zotero_add_linked_url_attachment` | 附加 URL 链接 | 关联在线资源 |
+
+### 1.3 引用工具
+
+| 工具 | 功能 | 使用场景 |
+|------|------|---------|
+| `inject_citations` | 注入引用到 Word | 生成引用格式 |
+
+## 2. 集合组织策略
+
+### 2.1 命名规范
+
+```
+Research-{主题关键词}-{YYYY}
+```
+
+示例：
+- `Research-TransformerInterpretability-2026`
+- `Research-BrainDecoding-2026`
+- `Research-RLHF-2026`
+
+### 2.2 标准子集合结构
+
+```
+📁 Research-{topic}-{date}
+  ├── 📁 Core Papers（核心论文）
+  ├── 📁 Methods（方法论文）
+  ├── 📁 Applications（应用论文）
+  ├── 📁 Baselines（基线论文）
+  └── 📁 To-Read（待读论文）
+```
+
+各子集合用途：
+
+| 子集合 | 收录标准 | 典型数量 |
+|--------|---------|---------|
+| Core Papers | 直接相关、高引用的关键论文 | 5-15 篇 |
+| Methods | 技术方法参考，可借鉴的方法论 | 10-20 篇 |
+| Applications | 应用场景参考，领域实践 | 5-10 篇 |
+| Baselines | 实验对比基准，需要复现的工作 | 3-8 篇 |
+| To-Read | 初步筛选，待深入阅读 | 不限 |
+
+## 3. 自动化工作流
+
+### 3.1 论文发现与导入
+
+```
+WebSearch 搜索论文
+    ↓
+从搜索结果中提取 DOI / arXiv ID / landing-page URL
+    ↓
+add_items_by_identifier 智能导入到 Zotero
+    ↓
+工具内部先尝试页面显式 PDF，再回退到 Unpaywall
+    ↓
+如果 Zotero Web API 无法直接挂上 PDF，而本地 Zotero Desktop 正在运行，则自动走本地修复路径
+    ↓
+必要时运行 `zotero_reconcile_collection_duplicates` 做标准导入后去重
+    ↓
+get_item_fulltext 读取全文进行分析
+```
+
+默认终端输出只需要告诉用户：
+- Imported as paper + PDF attached
+- Imported as paper
+- Saved as webpage + PDF attached
+- Saved as webpage
+- Collection dedupe summary: duplicate groups N, duplicates trashed M
+- Missing PDF postpass: repaired N items
+
+只有在调试时，才展开 `route`、`pdf_source` 等实现细节。import ledger 属于内部状态，不应假设存在公开 MCP tool 用于读取它。
+
+### 3.2 DOI 提取技巧
+
+**从搜索结果 URL 中识别 DOI**：
+- `https://doi.org/10.xxxx/xxxxx` — 直接 DOI 链接
+- `https://dl.acm.org/doi/10.xxxx/xxxxx` — ACM Digital Library
+- `https://arxiv.org/abs/xxxx.xxxxx` — arXiv（DOI：`10.48550/arXiv.xxxx.xxxxx`）
+
+**常见 DOI 格式**：
+- 以 `10.` 开头，包含 `/` 分隔符
+- 例：`10.1038/s41586-023-06747-5`（Nature）
+- 例：`10.48550/arXiv.2301.00234`（arXiv）
+- 例：`10.1145/3580305.3599256`（ACM/KDD）
+
+**CrossRef 查询**：
+- 当 URL 中没有明显 DOI 时，可通过论文标题在 CrossRef 搜索获取 DOI
+
+### 3.3 全文阅读与笔记
+
+```
+get_item_fulltext 获取全文
+    ↓
+分析论文内容
+    ↓
+提取关键信息
+    ↓
+生成结构化笔记
+```
+
+### 3.4 笔记模板
+
+每篇论文的结构化笔记应包含：
+
+```markdown
+## [论文标题]
+
+**基本信息**：
+- 作者：
+- 会议/期刊：
+- 年份：
+- DOI：
+
+**研究问题**：
+- 解决什么问题？
+- 为什么重要？
+
+**核心方法**：
+- 主要技术路线
+- 关键创新点
+
+**关键发现**：
+- 主要实验结果
+- 重要结论
+
+**局限性**：
+- 方法局限
+- 实验局限
+
+**与本研究的关联**：
+- 可借鉴之处
+- 差异和改进空间
+```
+
+## 4. 常见问题
+
+### 4.1 API 速率限制
+
+Zotero API 有速率限制，批量添加时建议：
+- 每批不超过 10 篇论文
+- 批次之间适当间隔
+- 如遇到 429 错误，等待后重试
+
+### 4.2 PDF 全文索引延迟
+
+新上传的 PDF 需要时间索引：
+- `zotero_get_item_fulltext` 返回空时，稍后重试
+- Zotero 客户端需要运行才能完成索引
+- 大型 PDF 索引时间较长
+
+### 4.3 DOI 无法识别
+
+部分论文可能没有标准 DOI：
+- arXiv 预印本：使用 `10.48550/arXiv.{id}` 格式
+- Workshop 论文：尝试从出版商页面获取
+- 无法获取 DOI：优先尝试识别 arXiv ID 或页面中的 `citation_doi` / `citation_pdf_url`；只有仍无法确认 identifier 时，才回退为 `webpage`
+
+### 4.4 OA PDF 不可用
+
+非开放获取论文无法通过 Unpaywall 获取 PDF：
+- 检查作者主页是否有预印本版本
+- 检查 arXiv 是否有对应版本
+- 若仍拿不到 PDF，可在 Zotero Desktop 中手动附加 PDF，之后再运行全文或注释相关工作流