前言¶
做研究或寫綜述時，常見困境不是找不到 PDF，而是讀完後留不下可複用的結構：方法、結論、侷限散落在高亮和便籤裏，多篇之間也難以橫向對照。檢索工具解決的是「有沒有這篇」，後續仍要靠人工整理筆記和對比表。
下面介紹 SkillHub 上的 文獻挖掘專家（@user_8d26dabd/literature-mining）。它是一套面向 Agent 的文獻閱讀方法論工具包，用結構化筆記、文獻矩陣和 Gap 識別，把閱讀過程固定成可重複的流程，而不是堆鏈接。
這是什麼¶
文獻挖掘專家 是社區來源（community）的 Agent Skill，當前版本 v2.0.10，分類爲 knowledge-management，由發佈者 user_8d26dabd 維護；SkillHub 頁面標註作者爲劉楠。官方簡介概括爲：用 結構化筆記 + 文獻矩陣 + Gap 識別 幫你讀透文獻，而不是隻「搜到」一堆。
該 Skill 標籤爲 requires_api_key=false，安裝後不需要額外配置 API Key 即可按 Skill 說明使用。
核心功能¶
依據官方簡介，可覈實的能力包括以下幾項（均圍繞「讀透」而非單純檢索）：
- 結構化筆記：把單篇文獻拆成固定字段（如問題、方法、數據、結論等），便於回顧和引用。
- 文獻矩陣：多篇文獻在同一維度上並排對比，適合綜述選題和 Related Work 起草。
- Gap 識別：在已有文獻脈絡上標出未覆蓋的問題、方法或證據空白，爲研究方向提供線索。
Skill 基於通用 SKILL.md 格式，由 Agent 讀取技能說明後按流程協助你完成上述步驟；具體字段與模板以安裝包內 SKILL.md 爲準。
安裝與啓用¶
方式一：SkillHub CLI¶
先確認本機已安裝 skillhub（安裝方式見 SkillHub 安裝文檔）。安裝技能時必須用 --dir 指向當前 Agent 的 skills 目錄，否則默認目錄可能不會被識別。
command -v skillhub && skillhub --version
skillhub install user_8d26dabd/literature-mining --dir <skills 目錄>
常用目錄示例（按你實際使用的客戶端選擇）：
- Cursor：
~/.cursor/skills/ - Claude Code：
~/.claude/skills/ - Codex：
~/.codex/skills/或項目下的.agents/skills/
安裝完成後，按所用客戶端要求刷新或重啓 Agent，使新 Skill 生效。
方式二：讓 AI 按官方指引安裝¶
SkillHub 頁面提供的安裝提示詞爲：
請根據 https://skillhub.cn/install/skillhub.md，安裝 `@user_8d26dabd/literature-mining`。
將上述內容發給支持 Skill 安裝的 Agent，由它按文檔完成 CLI 檢查與 --dir 安裝。
典型用法¶
官方未單獨給出分步驟教程，典型用法與簡介中的能力對應，可在啓用 Skill 後向 Agent 說明你的材料與目標，例如：
- 提供一篇或多篇文獻（正文、摘要或你自己的摘錄），要求按 Skill 中的結構化筆記模板輸出單篇卡片。
- 在已有多篇筆記的基礎上，要求生成文獻矩陣（同一批文獻在方法、數據集、結論等維度上的對照表）。
- 在矩陣或筆記彙總後，要求基於現有文獻指出研究 Gap，並區分「尚未被驗證的假設」與「已被多篇支持的方向」。
每一步應引用你提供的原文或筆記，避免 Agent 脫離材料發揮。若 Skill 包內對工作流有更細的階段劃分，以 SKILL.md 爲準。
適用場景與注意¶
適合誰
- 需要系統讀文獻的研究生、科研工程師、技術寫作者。
- 正在寫綜述、開題或調研報告，需要矩陣化對比和 Gap 梳理的場景。
使用注意
- 輸出質量取決於你提供的文獻內容與 Skill 內模板；Skill 不能替代閱讀原文，也不能保證引文零誤差，關鍵結論應回查原文。
- 社區 Skill，版本與下載量以 SkillHub 爲準（截至資料抓取：評分 100000，下載 8378 次）；與頁面展示的安裝數可能不同步，以商店頁面爲準。
- 不涉及
requires_api_key時仍可能受 Agent 自身模型與配額限制。
結尾¶
文獻挖掘專家把「結構化筆記、文獻矩陣、Gap 識別」收進一個可安裝的 Skill，適合已經能拿到文獻、但缺一套固定閱讀流程的人。需要安裝或查看詳情時，可打開 SkillHub 頁面：
- 商店頁：https://www.skillhub.cn/skills/user_8d26dabd/literature-mining
- 座標：
@user_8d26dabd/literature-mining
