AI铺子
返回Skills库

文献综述

MIT
📊 数据知识
K-Dense-AI数据库Markdown

基于 PubMed、arXiv、bioRxiv 等多个学术数据库开展系统性文献综述与荟萃分析，输出专业格式的 Markdown 与 PDF 文档，引用经校验并支持 APA 等多种引用样式。

文献综述

概述

遵循严格的学术方法论进行系统、全面的文献综述。搜索多个文献数据库，按主题综合发现，验证所有引文的准确性，并生成markdown和PDF格式的专业输出文档。

该技能集成了多个科学技能用于数据库访问（gget、bioservices、datacommons-client），并提供了专门的引文验证、结果聚合和文档生成工具。

何时使用此技能

在以下情况下使用此技能：

  • 为研究或发表进行系统文献综述
  • 跨多个来源综合特定主题的当前知识
  • 进行荟萃分析或范围综述
  • 撰写研究论文或学位论文的文献综述部分
  • 调查研究领域的最新进展
  • 识别研究空白和未来方向
  • 需要验证引文和专业格式

使用科学图表进行视觉增强

⚠️ 强制要求：每个文献综述必须至少包含1-2个使用scientific-schematics技能生成的AI生成图表。

这不是可选的。没有视觉元素的文献综述是不完整的。在最终确定任何文档之前：

  1. 至少生成一个示意图或图表（例如，系统综述的PRISMA流程图）
  2. 对于全面综述，最好有2-3个图表（搜索策略流程图、主题综合图、概念框架）

如何生成图表：

  • 使用 scientific-schematics 技能生成AI驱动的出版质量图表
  • 只需用自然语言描述您想要的图表
  • Nano Banana Pro将自动生成、审查和完善示意图

如何生成示意图：

python scripts/generate_schematic.py "your diagram description" -o figures/output.png

AI将自动：

  • 创建具有正确格式的出版质量图像
  • 通过多次迭代进行审查和完善
  • 确保可访问性（色盲友好、高对比度）
  • 将输出保存在figures/目录中

何时添加示意图：

  • 系统综述的PRISMA流程图
  • 文献搜索策略流程图
  • 主题综合图
  • 研究空白可视化图
  • 引文网络图
  • 概念框架图
  • 任何受益于可视化的复杂概念

有关创建示意图的详细指导，请参阅scientific-schematics技能文档。

核心工作流程

文献综述遵循结构化的多阶段工作流程：

阶段1：规划和范围界定

  1. 定义研究问题：使用PICO框架（人群、干预、比较、结果）进行临床/生物医学综述
  • 示例："CRISPR-Cas9（I）治疗镰状细胞病（P）与标准治疗（C）相比的疗效如何？"
  1. 确定范围和目标：
  • 定义清晰、具体的研究问题
  • 确定综述类型（叙述性、系统性、范围性、荟萃分析）
  • 设置边界（时间范围、地理范围、研究类型）
  1. 制定搜索策略：
  • 从研究问题中识别2-4个主要概念
  • 列出每个概念的同义词、缩写和相关术语
  • 规划布尔运算符（AND、OR、NOT）以组合术语
  • 选择至少3个互补数据库
  1. 设置纳入/排除标准：
  • 日期范围（例如，最近10年：2015-2024）
  • 语言（通常为英语，或指定多语言）
  • 发表类型（同行评审、预印本、综述）
  • 研究设计（RCT、观察性、体外等）
  • 清楚记录所有标准

阶段2：系统文献搜索

  1. 多数据库搜索：

选择适合该领域的数据库：

生物医学与生命科学：

  • 使用 gget 技能：gget search pubmed "search terms" 搜索PubMed/PMC
  • 使用 gget 技能：gget search biorxiv "search terms" 搜索预印本
  • 使用 bioservices 技能搜索ChEMBL、KEGG、UniProt等

通用科学文献：

  • 通过直接API搜索arXiv（物理、数学、计算机科学、q-bio的预印本）
  • 通过API搜索Semantic Scholar（2亿+论文，跨学科）
  • 使用Google Scholar进行全面覆盖（手动或谨慎爬取）

专业数据库：

  • 使用 gget alphafold 搜索蛋白质结构
  • 使用 gget cosmic 搜索癌症基因组学
  • 使用 datacommons-client 搜索人口统计/统计数据
  • 根据领域使用适当的专业数据库
  1. 记录搜索参数：
   ## 搜索策略

   ### 数据库：PubMed
   - **搜索日期**：2024-10-25
   - **日期范围**：2015-01-01 至 2024-10-25
   - **搜索字符串**：

("CRISPR"[Title] OR "Cas9"[Title])

AND ("sickle cell"[MeSH] OR "SCD"[Title/Abstract])

AND 2015:2024[Publication Date]

   - **结果**：247篇文章

对每个搜索的数据库重复此操作。

  1. 导出和聚合结果：
  • 从每个数据库以JSON格式导出结果
  • 将所有结果合并到一个文件中
  • 使用 scripts/search_databases.py 进行后处理：
     python search_databases.py combined_results.json \
       --deduplicate \
       --format markdown \
       --output aggregated_results.md

阶段3：筛选和选择

  1. 去重：
   python search_databases.py results.json --deduplicate --output unique_results.json
  • 按DOI（主要）或标题（后备）删除重复项
  • 记录删除的重复项数量
  1. 标题筛选：
  • 根据纳入/排除标准审查所有标题
  • 排除明显不相关的研究
  • 记录在此阶段排除的数量
  1. 摘要筛选：
  • 阅读剩余研究的摘要
  • 严格应用纳入/排除标准
  • 记录排除原因
  1. 全文筛选：
  • 获取剩余研究的全文
  • 根据所有标准进行详细审查
  • 记录排除的具体原因
  • 记录最终纳入的研究数量
  1. 创建PRISMA流程图：
   初始搜索：n = X
   ├─ 去重后：n = Y
   ├─ 标题筛选后：n = Z
   ├─ 摘要筛选后：n = A
   └─ 纳入综述：n = B

阶段4：数据提取和质量评估

  1. 从每个纳入的研究中提取关键数据：
  • 研究元数据（作者、年份、期刊、DOI）
  • 研究设计和方法
  • 样本量和人群特征
  • 关键发现和结果
  • 作者指出的局限性
  • 资金来源和利益冲突
  1. 评估研究质量：
  • 对于RCT：使用Cochrane偏倚风险工具
  • 对于观察性研究：使用Newcastle-Ottawa量表
  • 对于系统综述：使用AMSTAR 2
  • 对每项研究进行评级：高、中、低或极低质量
  • 考虑排除极低质量的研究
  1. 按主题组织：
  • 识别跨研究的3-5个主要主题
  • 按主题对研究进行分组（研究可能出现在多个主题中）
  • 注意模式、共识和争议

阶段5：综合和分析

  1. 从模板创建综述文档：
   cp assets/review_template.md my_literature_review.md
  1. 撰写主题综合（而非逐项研究总结）：
  • 按主题或研究问题组织结果部分
  • 在每个主题内综合跨多项研究的发现
  • 比较和对比不同的方法和结果
  • 识别共识领域和争议点
  • 突出最有力的证据

示例结构：

   #### 3.3.1 主题：CRISPR递送方法

   已研究多种递送方法用于治疗性基因编辑。病毒载体（AAV）在15项研究^1-15^中使用，
   显示出高转导效率（65-85%）但引起免疫原性担忧^3,7,12^。相比之下，脂质纳米颗粒显示出较低的
   效率（40-60%）但改善了安全性^16-23^。
  1. 批判性分析：
  • 评估跨研究的方法学优势和局限性
  • 评估证据的质量和一致性
  • 识别知识空白和方法学空白
  • 注意需要未来研究的领域
  1. 撰写讨论：
  • 在更广泛的背景下解释发现
  • 讨论临床、实践或研究意义
  • 承认综述本身的局限性
  • 如适用，与以前的综述进行比较
  • 提出具体的未来研究方向

阶段6：引文验证

关键：所有引文必须在最终提交前进行准确性验证。

  1. 验证所有DOI：
   python scripts/verify_citations.py my_literature_review.md

该脚本：

  • 从文档中提取所有DOI
  • 验证每个DOI正确解析
  • 从CrossRef检索元数据
  • 生成验证报告
  • 输出正确格式的引文
  1. 审查验证报告：
  • 检查任何失败的DOI
  • 验证作者姓名、标题和发表详细信息匹配
  • 更正原始文档中的任何错误
  • 重新运行验证直到所有引文通过
  1. 一致格式化引文：
  • 选择一种引文格式并在全文中使用（参见 references/citation_styles.md）
  • 常见格式：APA、Nature、Vancouver、Chicago、IEEE
  • 使用验证脚本输出正确格式化引文
  • 确保文中引文与参考文献列表格式匹配

阶段7：文档生成

  1. 生成PDF：
   python scripts/generate_pdf.py my_literature_review.md \
     --citation-style apa \
     --output my_review.pdf

选项：

  • --citation-style：apa、nature、chicago、vancouver、ieee
  • --no-toc：禁用目录
  • --no-numbers：禁用章节编号
  • --check-deps：检查是否安装了pandoc/xelatex
  1. 审查最终输出：
  • 检查PDF格式和布局
  • 验证所有部分都存在
  • 确保引文正确渲染
  • 检查图表/表格是否正确显示
  • 验证目录准确
  1. 质量检查清单：
  • [ ] 所有DOI已通过verify_citations.py验证
  • [ ] 引文格式一致
  • [ ] 包含PRISMA流程图（对于系统综述）
  • [ ] 搜索方法已完整记录
  • [ ] 纳入/排除标准已清楚说明
  • [ ] 结果按主题组织（而非逐项研究）
  • [ ] 质量评估已完成
  • [ ] 已承认局限性
  • [ ] 参考文献完整且准确
  • [ ] PDF生成无错误

数据库特定搜索指南

PubMed / PubMed Central

通过 gget 技能访问：

# 搜索PubMed
gget search pubmed "CRISPR gene editing" -l 100

# 使用过滤器
# 使用PubMed高级搜索构建器构建复杂查询
# 然后通过gget或直接Entrez API执行

搜索提示：

  • 使用MeSH术语："sickle cell disease"[MeSH]
  • 字段标签：[Title]、[Title/Abstract]、[Author]
  • 日期过滤器：2020:2024[Publication Date]
  • 布尔运算符：AND、OR、NOT
  • 参见MeSH浏览器：https://meshb.nlm.nih.gov/search

bioRxiv / medRxiv

通过 gget 技能访问：

gget search biorxiv "CRISPR sickle cell" -l 50

重要注意事项：

  • 预印本未经同行评审
  • 谨慎验证发现
  • 检查预印本是否已发表（CrossRef）
  • 记录预印本版本和日期

arXiv

通过直接API或WebFetch访问：

# 示例搜索类别：
# q-bio.QM（定量方法）
# q-bio.GN（基因组学）
# q-bio.MN（分子网络）
# cs.LG（机器学习）
# stat.ML（机器学习统计）

# 搜索格式：category AND terms
search_query = "cat:q-bio.QM AND ti:\"single cell sequencing\""

Semantic Scholar

通过直接API访问（需要API密钥，或使用免费层）：

  • 跨所有领域2亿+论文
  • 非常适合跨学科搜索
  • 提供引文图和论文推荐
  • 用于查找高影响力论文

专业生物医学数据库

使用适当技能：

  • ChEMBL：bioservices 技能用于化学生物活性
  • UniProt：gget 或 bioservices 技能用于蛋白质信息
  • KEGG：bioservices 技能用于通路和基因
  • COSMIC：gget 技能用于癌症突变
  • AlphaFold：gget alphafold 用于蛋白质结构
  • PDB：gget 或直接API用于实验结构

引文链式搜索

通过引文网络扩展搜索：

  1. 前向引文（引用关键论文的论文）：
  • 使用Google Scholar"被引用"
  • 使用Semantic Scholar或OpenAlex API
  • 识别在开创性工作基础上构建的较新研究
  1. 后向引文（关键论文中的参考文献）：
  • 从纳入的论文中提取参考文献
  • 识别高引用的基础工作
  • 查找被多个纳入研究引用的论文

引文格式指南

references/citation_styles.md中有详细的格式化指南。快速参考：

APA（第7版）

  • 文中：(Smith et al., 2023)
  • 参考文献：Smith, J. D., Johnson, M. L., & Williams, K. R. (2023). Title. *Journal*, *22*(4), 301-318. https://doi.org/10.xxx/yyy

Nature

  • 文中：上标数字^1,2^
  • 参考文献：Smith, J. D., Johnson, M. L. & Williams, K. R. Title. *Nat. Rev. Drug Discov.* 22, 301-318 (2023).

Vancouver

  • 文中：上标数字^1,2^
  • 参考文献：Smith JD, Johnson ML, Williams KR. Title. Nat Rev Drug Discov. 2023;22(4):301-18.

在最终确定之前始终验证引文，使用verify_citations.py。

优先考虑高影响力论文（关键）

始终优先考虑来自知名作者和顶级期刊的有影响力、高引用论文。 在文献综述中，质量比数量更重要。

引文计数阈值

使用引文计数识别最有影响力的论文：

| 论文年龄 | 引文阈值 | 分类 |

|-----------|-----------|--------|

| 0-3年 | 20+引用 | 值得注意 |

| 0-3年 | 100+引用 | 高影响力 |

| 3-7年 | 100+引用 | 重要 |

| 3-7年 | 500+引用 | 里程碑论文 |

| 7年以上 | 500+引用 | 开创性工作 |

| 7年以上 | 1000+引用 | 基础性 |

期刊和场所层级

优先考虑来自更高层级场所的论文：

  • 层级1（始终首选）：Nature、Science、Cell、NEJM、Lancet、JAMA、PNAS、Nature Medicine、Nature Biotechnology
  • 层级2（强偏好）：高影响力专业期刊（IF>10）、顶级会议（ML/AI的NeurIPS、ICML）
  • 层级3（相关时包括）：受人尊敬的专业期刊（IF 5-10）
  • 层级4（谨慎使用）：低影响力同行评审场所

作者声誉评估

优先考虑来自以下机构的论文：

  • 资深研究人员，具有高h指数（在既定领域>40）
  • 知名机构的领先研究组（哈佛、斯坦福、麻省理工、牛津等）
  • 在相关领域具有多篇层级1发表的作者
  • 具有公认专业知识的研究人员（奖项、编辑职位、学会会员）

识别开创性论文

对于任何主题，通过以下方式识别基础工作：

  1. 高引文计数（通常5年以上论文500+）
  2. 经常被其他纳入研究引用（出现在许多参考文献列表中）
  3. 发表在层级1场所（Nature、Science、Cell家族）
  4. 由领域先驱撰写（通常被引用为建立概念）

最佳实践

搜索策略

  1. 使用多个数据库（最少3个）：确保全面覆盖
  2. 包括预印本服务器：捕获最新的未发表发现
  3. 记录所有内容：搜索字符串、日期、结果计数以确保可重复性
  4. 测试和完善：运行试点搜索，审查结果，调整搜索术语
  5. 按引文排序：可用时，按引文计数对搜索结果进行排序，首先突出有影响力的工作

筛选和选择

  1. 使用多个数据库（最少3个）：确保全面覆盖
  2. 包括预印本服务器：捕获最新的未发表发现
  3. 记录所有内容：搜索字符串、日期、结果计数以确保可重复性
  4. 测试和完善：运行试点搜索，审查结果，调整搜索术语

筛选和选择

  1. 使用明确标准：在筛选之前记录纳入/排除标准
  2. 系统筛选：标题 → 摘要 → 全文
  3. 记录排除：记录排除研究的原因
  4. 考虑双重筛选：对于系统综述，让两名评审员独立筛选

综合

  1. 按主题组织：按主题而非按单项研究分组
  2. 跨研究综合：比较、对比、识别模式
  3. 批判性：评估证据的质量和一致性
  4. 识别空白：注意缺失或研究不足的内容

质量和可重复性

  1. 评估研究质量：使用适当的质量评估工具
  2. 验证所有引文：运行verify_citations.py脚本
  3. 记录方法学：提供足够的细节供他人重复
  4. 遵循指南：使用PRISMA进行系统综述

写作

  1. 客观：公平呈现证据，承认局限性
  2. 系统：遵循结构化模板
  3. 具体：在可用时包括数字、统计数据、效应大小
  4. 清晰：使用清晰的标题、逻辑流程、主题组织

常见陷阱

  1. 单数据库搜索：遗漏相关论文；始终搜索多个数据库
  2. 无搜索记录：使综述不可重复；记录所有搜索
  3. 逐项研究总结：缺乏综合；改为按主题组织
  4. 未验证引文：导致错误；始终运行verify_citations.py
  5. 搜索过宽：产生数千个不相关结果；用具体术语完善
  6. 搜索过窄：遗漏相关论文；包括同义词和相关术语
  7. 忽略预印本：遗漏最新发现；包括bioRxiv、medRxiv、arXiv
  8. 无质量评估：同等对待所有证据；评估和报告质量
  9. 发表偏倚：仅发表阳性结果；注意潜在偏倚
  10. 搜索过时：领域快速演变；清楚说明搜索日期

示例工作流程

生物医学文献综述的完整工作流程：

# 1. 从模板创建综述文档
cp assets/review_template.md crispr_sickle_cell_review.md

# 2. 使用适当技能搜索多个数据库
# - 使用gget技能搜索PubMed、bioRxiv
# - 使用直接API访问arXiv、Semantic Scholar
# - 以JSON格式导出结果

# 3. 聚合和处理结果
python scripts/search_databases.py combined_results.json \
  --deduplicate \
  --rank citations \
  --year-start 2015 \
  --year-end 2024 \
  --format markdown \
  --output search_results.md \
  --summary

# 4. 筛选结果并提取数据
# - 手动筛选标题、摘要、全文
# - 将关键数据提取到综述文档中
# - 按主题组织

# 5. 按照模板结构撰写综述
# - 带有明确目标的引言
# - 详细方法学部分
# - 按主题组织的结果
# - 批判性讨论
# - 清晰的结论

# 6. 验证所有引文
python scripts/verify_citations.py crispr_sickle_cell_review.md

# 审查引文报告
cat crispr_sickle_cell_review_citation_report.json

# 修复任何失败的引文并重新验证
python scripts/verify_citations.py crispr_sickle_cell_review.md

# 7. 生成专业PDF
python scripts/generate_pdf.py crispr_sickle_cell_review.md \
  --citation-style nature \
  --output crispr_sickle_cell_review.pdf

# 8. 审查最终PDF和markdown输出

与其他技能的集成

该技能与其他科学技能无缝协作：

数据库访问技能

  • gget：PubMed、bioRxiv、COSMIC、AlphaFold、Ensembl、UniProt
  • bioservices：ChEMBL、KEGG、Reactome、UniProt、PubChem
  • datacommons-client：人口统计、经济学、健康统计

分析技能

  • pydeseq2：RNA-seq差异表达（用于方法部分）
  • scanpy：单细胞分析（用于方法部分）
  • anndata：单细胞数据（用于方法部分）
  • biopython：序列分析（用于背景部分）

可视化技能

  • matplotlib：为综述生成图表和图
  • seaborn：统计可视化

写作技能

  • brand-guidelines：将机构品牌应用于PDF
  • internal-comms：为不同受众调整综述
  • venue-templates：在为发表准备综述时获取特定期刊/会议场所的写作风格指南

特定场所的写作风格

在为特定期刊准备文献综述时，请参阅venue-templates技能获取写作风格指导：

  • venue_writing_styles.md：跨场所的主样式对比
  • nature_science_style.md：Nature/Science流畅摘要风格、故事驱动的结构
  • cell_press_style.md：Cell Press图形摘要、Highlights格式
  • medical_journal_styles.md：NEJM/Lancet/JAMA结构化摘要、PRISMA合规性

这些指南有助于将您综述的语气、摘要格式和结构调整为符合目标场所的期望。

资源

捆绑资源

脚本：

  • scripts/verify_citations.py：验证DOI并生成格式化引文
  • scripts/generate_pdf.py：将markdown转换为专业PDF
  • scripts/search_databases.py：处理、去重和格式化搜索结果

参考资料：

  • references/citation_styles.md：详细的引文格式化指南（APA、Nature、Vancouver、Chicago、IEEE）
  • references/database_strategies.md：全面的数据库搜索策略

资产：

  • assets/review_template.md：包含所有部分的完整文献综述模板

外部资源

指南：

  • PRISMA（系统综述）：http://www.prisma-statement.org/
  • Cochrane手册：https://training.cochrane.org/handbook
  • AMSTAR 2（综述质量）：https://amstar.ca/

工具：

  • MeSH浏览器：https://meshb.nlm.nih.gov/search
  • PubMed高级搜索：https://pubmed.ncbi.nlm.nih.gov/advanced/
  • 布尔搜索指南：https://www.ncbi.nlm.nih.gov/books/NBK3827/

引文格式：

  • APA样式：https://apastyle.apa.org/
  • Nature组合：https://www.nature.com/nature-portfolio/editorial-policies/reporting-standards
  • NLM/Vancouver：https://www.nlm.nih.gov/bsd/uniform_requirements.html

依赖项

所需CLI工具

# parallel-cli（主要 - 用于网页搜索和URL提取）
curl -fsSL https://parallel.ai/install.sh | bash
# 或：uv tool install "parallel-web-tools[cli]"
# 身份验证：parallel-cli auth

所需Python包

pip install requests  # 用于引文验证

所需系统工具

# 用于PDF生成
brew install pandoc  # macOS
apt-get install pandoc  # Linux

# 用于LaTeX（PDF生成）
brew install --cask mactex  # macOS
apt-get install texlive-xetex  # Linux

检查依赖项：

python scripts/generate_pdf.py --check-deps

总结

该literature-review技能提供：

  1. 系统方法学，遵循学术最佳实践
  2. 多数据库集成，通过现有科学技能
  3. 引文验证，确保准确性和可信度
  4. 专业输出，markdown和PDF格式
  5. 全面指导，涵盖整个综述过程
  6. 质量保证，具有验证和验证工具
  7. 可重复性，通过详细的文档要求

进行全面、严格的文献综述，满足学术标准，并提供任何领域当前知识的综合。

兼容工具

Claude CodeOpenClawHermes Agent

站内相关工具

相关教程

数据来源：claude-scientific-skills（MIT 许可） | 查看上游来源

上游项目：K-Dense-AI/scientific-agent-skills / claude-scientific-skills | 收录时间：2026-08-20 | 更新：2026-08-20

本页面内容基于上游开源许可项目整理，仅供学习参考。AI铺子不对第三方内容承担责任， 详情请参阅免责声明。