literature-review

文獻回顧

透過多視角對話與系統性搜尋，進行深入文獻回顧。

輸入

• $0 — 研究主題或問題
• $1 — 可選：特定焦點或角度

參考資料

• 多視角對話提示 (STORM)：~/.claude/skills/literature-review/references/dialogue-prompts.md
• 文獻回顧工作流程 (AgentLaboratory)：~/.claude/skills/literature-review/references/review-workflow.md

腳本（來自 literature-search 技能）

# 搜尋 Semantic Scholar
python ~/.claude/skills/deep-research/scripts/search_semantic_scholar.py --query "topic" --max-results 20

# 搜尋 OpenAlex
python ~/.claude/skills/literature-search/scripts/search_openalex.py --query "topic" --max-results 20

# 搜尋 arXiv
python ~/.claude/skills/deep-research/scripts/search_arxiv.py --query "topic" --max-results 10

工作流程

步驟 1：生成專家角色（來自 STORM）

根據主題，建立 3-5 個多元的專家角色：

• 每個角色代表不同的觀點、角色或研究角度
• 例如：「專注於效率的 ML 系統研究員」、「關心理論保證的統計學家」
• 使用參考資料中的角色生成提示

步驟 2：多視角對話

針對每個角色，模擬多輪問答對話：

1. 角色從其獨特角度提出問題
2. 從問題生成搜尋查詢
3. 使用搜尋腳本搜尋文獻
4. 根據檢索到的論文，整合出有引用來源的答案
5. 記錄對話輪次及搜尋結果
6. 每個角色重複 3-5 輪
7. 當角色說「非常感謝您的幫助！」時結束

步驟 3：整合知識

• 將所有角色的對話合併為統一的知識庫
• 移除跨角色的重複內容
• 按主題/子主題組織
• 根據收集的資訊生成大綱

步驟 4：生成文獻回顧

• 根據生成的大綱撰寫結構化的回顧
• 每個論述必須有引用支持
• 包含關鍵論文的摘要表格（方法、貢獻、限制）

輸出

一份結構化的文獻回顧，包含：

1. 大綱 — 層次化的主題結構
2. 各節摘要 — 每個摘要都基於檢索到的論文
3. 論文資料庫 — 所有回顧論文的結構化條目
4. 知識缺口 — 需要進一步研究的領域

規則

• 回顧中的每個句子都必須有收集到的資訊支持
• 若未找到資訊，需明確說明該缺口
• 廣泛引用 — 涵蓋多樣化的方法，不限於最熱門的
• 包含近期論文（近 2-3 年）以及基礎性研究
• 使用行內引用：「Smith 等人 [1] 提出...」

相關技能

• 上游：literature-search、deep-research
• 下游：related-work-writing、research-planning
• 另見：survey-generation