研究助手

给墨鱼一个研究方向，它帮你搜论文、读摘要、做对比分析，甚至生成文献综述初稿。

场景描述

你正在做 AI Agent 相关的研究，需要跟踪最新论文、对比不同方法、整理文献综述。让 Hermes Agent 通过 arxiv 技能和搜索能力帮你加速。

前置准备

• ✅ arxiv 技能已安装
• ✅ web-content-fetch 或 defuddle 技能已安装
• ✅ LLM 已配置（长上下文模型更佳）

第一步：论文搜索

你：搜索 arXiv 上最近一周关于 AI Agent 的论文，
    筛选出引用量最高的 5 篇，
    给我标题、摘要翻译和核心贡献。

Hermes 会：

1. 调用 arxiv 技能搜索
2. 筛选和排序
3. 翻译摘要并提取关键信息

搜索结果示例：

Hermes：找到 5 篇相关论文——

📄 1. "AgentBench: Evaluating LLMs as Agents"
   核心贡献：提出了多维度 Agent 评测基准，覆盖 8 个真实场景
   引用：1,200+ | 发布：2024-03
   
📄 2. "AutoGen: Enabling Next-Gen LLM Applications"
   核心贡献：多 Agent 对话框架，支持自定义 Agent 间通信
   引用：980+ | 发布：2024-02

📄 3. "ToolLLM: Facilitating Large Language Models to Master Tools"
   核心贡献：大规模工具学习，支持 16,000+ API 调用
   引用：750+ | 发布：2024-01
   ...

第二步：深度阅读

你：帮我读一下这篇论文 https://arxiv.org/abs/xxxx.xxxxx
    重点分析：
    1. 核心方法是什么？
    2. 与现有方法相比有哪些创新？
    3. 实验结果如何？
    4. 有什么局限性？

深度阅读输出示例：

Hermes：论文分析如下——

🔍 核心方法
  提出 ReAct 框架，将推理（Reasoning）和行动（Acting）
  交织执行，而非传统链式思考后执行。

🆕 创新点
  - 首次证明"边想边做"比"想完再做"效果提升 15-20%
  - 在 HotpotQA 和 ALFWorld 上达到 SOTA
  
📊 实验结果
  HotpotQA: EM 64.2%（+8.1%）
  ALFWorld: 成功率 74.5%（+12.3%）
  
⚠️ 局限性
  - 每次推理需调用 LLM 3-5 次，成本较高
  - 在需要长期规划的任务上表现不稳定
  - 依赖 prompt 工程，鲁棒性有待验证

第三步：对比分析

你：对比以下三篇论文的方法差异：
    1. 论文 A：ReAct 框架
    2. 论文 B：Plan-and-Execute 框架  
    3. 论文 C：自适应 Agent 框架
    从方法、效果、适用场景三个维度做对比表。

第四步：生成文献综述

你：基于我们讨论的这些论文，
    写一份 2000 字左右的文献综述，
    主题是"大语言模型驱动的自主 Agent"，
    要求引用格式标准，逻辑清晰。

第五步：持续跟踪

你：创建一个每周任务，搜索 arXiv 上 AI Agent 领域的新论文，
    筛选与我研究方向相关的，
    生成摘要报告发到飞书。

进阶玩法

• 知识库联动：搜索结果自动保存到 Obsidian
• 多源搜索：同时搜索 arXiv、Semantic Scholar、Google Scholar
• 论文推荐：基于你的阅读历史推荐相关论文
• 实验复现：让墨鱼帮你理解并复现论文中的实验

深入阅读

• arxiv 技能源码 — 内置学术搜索技能
• web-content-fetch 技能源码 — 内置网页抓取技能