--- slug: scientific-research-assistant name: scientific-research-assistant version: 1.0.1 displayName: 科研助手 summary: "134个科学技能库,从文献检索到论文写作,科研全流程AI辅助。科研助手基于134个科学技能库,提供从文献检索到论文发表的全流程科研支持,核心功能包括文献检索与综述(PubMed/Google" summary_zh: "134个科学技能库,从文献检索到论文写作,科研全流程AI辅助。科研助手基于134个科学技能库,提供从文献检索到论文发表的全流程科研支持,核心功能包括文献检索与综述(PubMed/Google" license: Proprietary description: "科研助手基于134个科学技能库,提供从文献检索到论文发表的全流程科研支持,核心功能包括文献检索与综述(PubMed/Google Scholar/arXiv)、数据分析与可视化(统计/生信/绘图)、药物发现流程(靶点/筛选/对接/ADMET)、论文写作与发表(IMRaD/投稿/Cover。134个科学技能库,从文献检索到论文写作,科研全流程AI辅助。科研助手基于134个科学技能库,提供从文献检索到论文发表的全流程科研支持,核心功能包括文献检索与综述(PubMed/Google 功能涵盖: scientific, research, assistant。" tags: - 科研辅助 - 文献检索 - 生物信息学 - 论文写作 - 数据分析 - 搜索 - 检索 - 工具 - adata - egfr - 分析 - output - rdkit tools: - read - exec - glob - grep category: "Knowledge" --- # 科研助手 基于 134 个科学技能库,提供从文献检索到论文发表的全流程科研支持。从生物信息学到药物发现,从数据分析到论文写作,多领域跨学科研究助手。 ## 功能一览 1. **文献检索与综述**:PubMed/Google Scholar/arXiv关键词搜索,引用追踪(前向/后向),筛选标准制定(纳入/排除),文献管理(Zotero/Mendeley集成);信息提取(方法/结果/结论),质量评估(随机对照/偏倚风险),主题聚类与知识图谱,研究空白识别;综述写作(背景/方法/结果/讨论/结论),引用格式(APA/Nature/IEEE),图表制作(流程图/森林图)。 2. **数据分析与可视化**:描述性统计(均值/中位数/标准差),推断统计(t检验/ANOVA/卡方/回归),多变量分析(PCA/聚类/因子分析),生存分析(Kaplan-Meier/Cox);生物信息学(序列分析BLAST/单细胞RNA-seq Scanpy/基因调控网络/通路富集KEGG);出版级图表(matplotlib/seaborn/plotly),交互式可视化(Dash/Streamlit),热图/火山图/UMAP/t-SNE。 3. **药物发现流程**:靶点识别(疾病-基因关联Open Targets/通路分析/文献挖掘),虚拟筛选(化合物库ChEMBL/PubChem/ZINC/分子对接AutoDock/DiffDock/药效团搜索/ADMET预测),先导化合物优化(构效关系SAR/类似物生成RDKit/datamol/选择性预测/毒性评估)。 4. **论文写作与发表**:IMRaD格式(Introduction/Methods/Results/Discussion),摘要(结构化/非结构化),图表说明,补充材料;写作流程(大纲→方法→结果→讨论→引言→摘要),引用管理,语言润色;投稿准备(期刊选择/影响因子/开放获取/审稿周期),Cover Letter,格式调整。 5. **基金申请**:假设生成(基于文献空白提出可验证假设),研究计划(具体目标/方法/时间线/预期成果),预算规划(人员/设备/材料/差旅/间接成本),影响陈述(科学意义/社会影响/转化潜力)。 ## 快速掌握 1. 确认运行环境满足依赖说明中的要求 2. 在AI Agent对话中调用本技能,提供必要的输入参数 3. 检查输出结果,根据需要进行后续处理 > 详细的输入输出格式请参考下方章节说明。 ## 应用场景 | 场景 | 输入 | 输出 | |---|---|---| | 药物发现 | 靶点/疾病信息 | 靶点识别→虚拟筛选→SAR分析→对接→报告,输出到`output/{project}/` | | 生物信息学 | 基因组/转录组数据 | 序列分析/单细胞RNA-seq/基因调控网络/通路富集分析结果 | | 蛋白质研究 | 蛋白质序列/结构 | 结构预测/功能注释/蛋白工程建议 | | 医学影像 | DICOM/病理图像 | 医学图像分析结果/病理切片识别 | | 文献综述 | 研究主题 | 文献检索/引用管理/综述写作,输出到`output/{review}/` | | 论文写作 | 研究数据+写作需求 | IMRaD格式论文+图表+参考文献,输出到`output/{paper}/` | | 基金申请 | 研究方向 | 假设/研究计划/预算/影响陈述,输出到`output/{grant}/` | **不适用于**: - 替代科研人员的科学判断和学术决策 - 代替同行评审和伦理审查 - 涉及人类受试者/动物实验的直接操作(需伦理审批) - 临床诊断和医疗决策(需执业医师) ## 操作流程 ### Step 1: 文献检索与综述 1. **文献检索**:PubMed/Google Scholar/arXiv关键词搜索,引用追踪(前向/后向),筛选标准制定(纳入/排除),文献管理(Zotero/Mendeley集成) 2. **文献分析**:信息提取(方法/结果/结论),质量评估(随机对照/偏倚风险),主题聚类与知识图谱,研究空白识别 3. **综述写作**:综述结构(背景/方法/结果/讨论/结论),叙事vs系统性综述,引用格式(APA/Nature/IEEE),图表制作(流程图/森林图) ### Step 2: 数据分析与可视化 1. **统计分析**:描述性统计、推断统计(t检验/ANOVA/卡方/回归)、多变量分析(PCA/聚类/因子分析)、生存分析(Kaplan-Meier/Cox) 2. **生物信息学分析**:序列分析(BLAST/多序列比对)、单细胞RNA-seq(Scanpy:QC/聚类/差异表达)、基因调控网络(Arboreto/GRNBoost2)、通路富集(KEGG/Reactome/GSEA) 3. **可视化**:出版级图表(matplotlib/seaborn/plotly)、交互式可视化(Dash/Streamlit)、热图/火山图/UMAP/t-SNE、网络图(igraph/pyvis) ### Step 3: 药物发现流程(按需) 1. **靶点识别**:疾病-基因关联(Open Targets)、通路分析(Reactome/KEGG)、文献挖掘 2. **虚拟筛选**:化合物库获取(ChEMBL/PubChem/ZINC)、分子对接(AutoDock/DiffDock)、药效团搜索、ADMET预测 3. **先导化合物优化**:构效关系(SAR)分析、类似物生成(RDKit/datamol)、选择性预测、毒性评估 ### Step 4: 论文写作与发表 1. **论文结构**:IMRaD格式(Introduction/Methods/Results/Discussion)、摘要(结构化/非结构化)、图表说明、补充材料 2. **写作流程**:大纲制定→分段写作(方法→结果→讨论→引言→摘要)→引用管理→语言润色 3. **投稿准备**:期刊选择(影响因子/开放获取/审稿周期)、Cover Letter、格式调整、补充材料整理 ### Step 5: 基金申请(按需) 1. **假设生成**:基于文献空白,提出可验证假设 2. **研究计划**:具体目标/方法/时间线/预期成果 3. **预算规划**:人员/设备/材料/差旅/间接成本 4. **影响陈述**:科学意义/社会影响/转化潜力 ## 使用范例 ### 示例1: 药物发现Pipeline **输入**: ## 输入规范 | 参数名 | 类型 | 必填 | 说明 | |:-----|:-----|:-----|:-----| | input | string | 是 | 科研助手处理的输入数据或指令 | | options | object | 否 | 附加配置选项,如模式选择、格式偏好等 | | callback_url | string | 否 | 异步处理完成后的回调通知URL | ``` 寻找EGFR抑制剂用于肺癌治疗,需要完整的药物发现流程。 ``` **输出** (`output/egfr-drug/pipeline.md`): ```markdown # EGFR抑制剂药物发现报告 # ... ## 1. 靶点确认 - 靶点: EGFR (Epidermal Growth Factor Receptor) - 关联确认: Open Targets查询显示EGFR与肺癌关联评分>0.8 - 通路: EGFR signaling pathway (Reactome) # ... ## 2. 化合物筛选 ```python from rdkit import Chem from rdkit.ChEMBL import ChEMBLApi # 或通过API查询 # 查询ChEMBL中EGFR抑制剂 # 筛选条件: IC50 < 50nM # 结果: 找到342个已知EGFR抑制剂 ``` # ... ## 3. SAR分析 - 使用RDKit分析结构-活性关系 - 识别关键药效团: 4-苯胺基喹唑啉骨架 - 活性悬崖: 某些位点的微小变化导致活性骤降 # ... ## 4. 分子对接 - 受体: AlphaFold预测的EGFR结构(AF-P00533) - 对接工具: DiffDock - 结合能: Top10化合物结合能 < -10 kcal/mol # ... ## 5. ADMET预测 | 化合物 | 分子量 | LogP | 溶解度 | 毒性 | |---:|---:|---:|---:|---:| | Compound_1 | 423 | 3.2 | 良好 | 低 | | Compound_2 | 467 | 4.1 | 中等 | 中 | # ... ## 6. 耐药突变分析 - COSMIC查询: T790M、L858R为常见耐药突变 - PubMed搜索: 耐药机制文献综述 # ... ## 结论与建议 推荐Compound_1进入体外实验验证阶段... ``` ### 示例2: 单细胞RNA-seq分析 **输入**: ``` 分析10X Genomics单细胞数据,识别细胞类型,样本来自肿瘤组织。 ``` **输出** (`output/scrna-analysis/analysis.py`): ```python import scanpy as sc import pandas as pd # ... # 1. 数据加载 adata = sc.read_10x_h5("tumor_sample.h5") adata.var_names_make_unique() # ... # 2. 质控 sc.pp.filter_cells(adata, min_genes=200) sc.pp.filter_genes(adata, min_cells=3) adata.var['mt'] = adata.var_names.str.startswith('MT-') sc.pp.calculate_qc_metrics(adata, qc_vars=['mt'], percent_top=None, log1p=False, inplace=True) adata = adata[adata.obs.pct_counts_mt < 20, :] # 过滤高线粒体细胞 # ... # 3. 标准化与降维 sc.pp.normalize_total(adata, target_sum=1e4) sc.pp.log1p(adata) sc.pp.highly_variable_genes(adata, n_top_genes=2000) sc.pp.pca(adata, n_comps=50) # ... # 4. 聚类 sc.pp.neighbors(adata, n_neighbors=10, n_pcs=40) sc.tl.leiden(adata) sc.tl.umap(adata) # ... # 5. 细胞类型注释(基于标记基因) markers = { "T细胞": ["CD3D", "CD3E", "CD8A"], "B细胞": ["CD79A", "MS4A1"], "巨噬细胞": ["CD68", "LYZ"], "肿瘤细胞": ["EPCAM", "KRT19"], } sc.pl.dotplot(adata, markers, groupby='leiden', save="markers.pdf") # ... # 6. 差异表达 sc.tl.rank_genes_groups(adata, 'leiden', method='wilcoxon') sc.pl.rank_genes_groups(adata, n_genes=20, save="deg.pdf") # ... # 7. 通路富集 # 使用GSEA对差异基因进行通路富集分析 # import gseapy # gseapy.enrichr(gene_list=deg_genes, gene_sets='KEGG_2021_Human') ``` ## 异常处置 | 错误场景 | 原因 | 处理方式 | |:---:|:---:|:---:| | 数据库连接超时 | PubMed/ChEMBL等数据库访问受限 | 检查网络,使用本地缓存,重试,国内用代理或镜像 | | Python包冲突 | 科学计算包版本不兼容 | 使用虚拟环境(uv venv/conda),固定版本号 | | 计算资源不足 | 单细胞/分子对接等重计算 | 降低数据量/采样,使用云GPU(阿里云/腾讯云) | | 结果不可复现 | 随机种子未固定/版本不一致 | 固定随机种子(random_state=42),记录版本号,用Docker | | 引用格式错误 | 手动管理引用易出错 | 使用Zotero/Mendeley自动格式化 | | 统计方法误用 | 数据分布假设不满足 | 检查数据分布(正态性检验),选择非参数替代 | | 分子对接失败 | 受体结构缺失或格式错误 | 使用AlphaFold预测结构,检查PDB格式,预处理结构 | | 单细胞质控过度 | 过滤阈值过严丢失细胞群 | 调整阈值,检查过滤前后细胞数,保留中间结果 | ## 前置条件 ### 运行环境 - **Agent平台**: Claude Code / Cursor / Codex / Gemini CLI / Windsurf 等支持SKILL.md的任意Agent - **操作系统**: macOS / Linux / Windows+WSL2(部分Linux专属工具需WSL2) - **运行时**: 需要Agent支持exec(命令行执行)能力 ### 依赖说明(补充) | 依赖项 | 类型 | 是否必需 | 获取方式 | 国内替代方案 | |:------|------:|:------|:------|------:| | Python 3.11+(推荐3.12) | 运行时 | 必需 | 科学计算需要Python环境 | Python官网下载,国内用清华镜像 | | uv(推荐)或pip | 包管理 | 必需 | Python包管理器 | `pip install uv` 或直接用pip+清华源 | | RDKit | 库 | 可选 | 化学信息学 | `pip install rdkit -i https://pypi.tuna.tsinghua.edu.cn/simple` | | Scanpy | 库 | 可选 | 单细胞分析 | 清华源安装 | | scikit-learn | 库 | 可选 | 机器学习 | 清华源安装 | | PyTorch | 库 | 可选 | 深度学习 | 国内有镜像站 | | PubMed/ChEMBL/UniProt | 数据库 | 可选 | 公共科学数据库(免费) | 国内可直接访问PubMed,ChEMBL需代理 | | Modal | 云计算 | 可选 | 重计算任务(GPU) | 阿里云GPU实例/腾讯云GPU | | LLM API | API | 可选 | 由Agent内置LLM提供分析 | 国内Agent(通义/文心/智谱)均可 | ### API Key 配置 - **本Skill本身无需API Key**: 核心分析在本地完成 - **公共数据库**: PubMed/ChEMBL等大部分免费,部分需API Key(如NCBI API Key提高速率) - **云GPU服务**: 阿里云/腾讯云的Access Key通过环境变量传入,不硬编码 - **安全要求**: API Key零暴露,通过环境变量管理,不写入代码/日志/论文 ### 可用性分类 - **分类**: MD+EXEC - **说明**: 纯Markdown,但需要exec能力(命令行执行),用于运行Python科学计算 ## 案例展示 以下案例展示了skill的工作流程和预期输出效果，由LLM按照skill定义的流程生成。 ### 案例1: 文献综述写作(文献检索+质量评估+综述结构) **输入**: ``` 研究主题: 单细胞RNA测序在肿瘤微环境研究中的应用 检索范围: 2019-2024年PubMed收录文献 要求: 系统性综述,包含研究空白识别 输出: 5000字综述+参考文献 ``` **LLM生成输出** (`output/tme-scrna-review/literature-search.md`): ```markdown # 文献检索报告 # ... ## 检索策略 - 数据库: PubMed - 检索词: ("single-cell RNA-seq" OR "scRNA-seq") AND ("tumor microenvironment" OR "TME") - 时间范围: 2019/01/01 - 2024/06/30 - 初检结果: 1,247篇 # ... ## 筛选流程(PRISMA) | 阶段 | 数量 | 说明 | |---:|:---|---:| | 初检结果 | 1,247 | PubMed检索 | | 去重后 | 1,180 | 去除67篇重复 | | 标题/摘要筛选 | 312 | 排除868篇不相关 | | 全文阅读 | 89 | 排除223篇不符合纳入标准 | | 最终纳入 | 52 | 符合全部纳入标准 | # ... ## 纳入标准 - 研究类型: 原始研究(含方法学论文) - 测序技术: 10X Genomics / Smart-seq2 / Drop-seq - 研究对象: 人类肿瘤组织(含泛癌分析) - 发表语言: 英文 # ... ## 文献质量评估(前5篇) | 文献 | 设计 | 样本量 | 质量评分 | 偏倚风险 | |:------:|--------|:-------|:------:|--------| | Zheng et al. 2021 Nature | 多中心 | 196例 | 9/10 | 低 | | Wu et al. 2021 Nat Med | 单中心 | 90例 | 8/10 | 低 | | Kumar et al. 2022 Cell | 泛癌 | 1,163例 | 9/10 | 低 | | Obradovic et al. 2021 Nature | 队列 | 65例 | 7/10 | 中 | | Zhang et al. 2022 Cancer Cell | 多中心 | 285例 | 8/10 | 低 | # ... ## 研究空白识别 1. **纵向动态追踪不足**: 78%研究为横断面,缺少治疗前后纵向对比 2. **罕见细胞群遗漏**: 多数研究聚焦主要细胞群,罕见干细胞亚群研究不足 3. **空间信息缺失**: scRNA-seq丢失空间信息,与空间转录组联合应用研究仅12篇 4. **非模型动物验证缺乏**: 89%研究为人类样本,缺乏小鼠模型验证机制 ``` **LLM生成输出** (`output/tme-scrna-review/review.md`): ```markdown # 单细胞RNA测序在肿瘤微环境研究中的应用:进展、挑战与展望 # ... ## 摘要 # ... 肿瘤微环境(TME)的复杂性是肿瘤耐药和复发的关键因素。单细胞RNA测序(scRNA-seq)技术以其单细胞分辨率解析TME细胞异质性的能力,成为肿瘤研究的革命性工具。本综述系统分析了2019-2024年间52项scRNA-seq在TME研究中的原始研究,从技术方法、细胞图谱、临床转化三个维度梳理研究进展,识别当前研究空白并展望未来方向。 # ... ## 1. 引言 # ... 肿瘤微环境(TME)包含肿瘤细胞、免疫细胞、基质细胞和血管内皮细胞等多种细胞类型,其相互作用决定了肿瘤的进展和治疗响应[1]。传统bulk RNA-seq以组织为单位,掩盖了细胞间异质性。scRNA-seq能够在单细胞水平解析TME的细胞组成和状态转变,为精准医疗提供新视角[2]。 # ... ## 2. 技术方法进展 # ... ### 2.1 测序平台演进 # ... 当前TME研究主要采用三种scRNA-seq平台: # ... | 平台 | 通量 | 灵敏度 | 优势 | 代表研究 | |----|:--:|---:|----|:--:| | 10X Genomics | 10万细胞/样本 | 中 | 高通量,droplet-based | Zheng 2021[3] | | Smart-seq2 | 1千细胞/样本 | 高 | 全长转录本,低丰度基因 | Wu 2021[4] | | Drop-seq | 5万细胞/样本 | 中 | 低成本,开源 | Obradovic 2021[5] | # ... 10X Genomics以其高通量和标准化流程,成为TME研究的主流选择(占纳入文献的73%)。 # ... ### 2.2 分析流程标准化 # ... Scanpy[6]和Seurat[7]是两大主流分析框架。标准流程包括:质控(QC)→标准化→降维(PCA/UMAP)→聚类(Leiden/Louvain)→差异表达→细胞类型注释。 # ... ## 3. TME细胞图谱 # ... ### 3.1 免疫细胞异质性 # ... scRNA-seq揭示了TME中免疫细胞的复杂状态空间: # ... **T细胞耗竭轨迹**: Kumar等[8]对1,163例泛癌样本分析,发现CD8+ T细胞从"效应-耗竭"的连续状态转变,而非离散亚群。这一发现挑战了传统的T细胞分类范式。 # ... **Treg异质性**: Zheng等[3]在结直肠癌中识别出两种功能不同的Treg亚群:组织驻留型(nTreg)和炎症诱导型(iTreg),iTreg高表达CTLA-4和ICOS,与不良预后相关。 # ... ### 3.2 肿瘤相关巨噬细胞(TAM)极化 # ... TAM的M1/M2二分法已被证伪。scRNA-seq揭示TAM存在于连续极化谱上: # ... | TAM亚型 | 标记基因 | 功能 | 临床意义 | |-----|-----|-----|-----| | TREM2+ TAM | TREM2, SPP1 | 免疫抑制 | 耐药相关[9] | | C1Q+ TAM | C1QA, C1QB | 抗原呈递 | 良好预后[9] | | SPP1+ TAM | SPP1, APOE | 血管生成 | 转移相关[8] | # ... ## 4. 临床转化 # ... ### 4.1 生物标志物发现 # ... scRNA-seq已识别多种TME相关生物标志物: # ... - **免疫治疗响应预测**: CD8+ T细胞耗竭程度可预测PD-1抑制剂响应(AUC=0.82)[10] - **预后分层**: TREM2+ TAM比例与多种癌症的不良预后显著相关(HR=1.45)[9] # ... ### 4.2 治疗靶点 # ... 基于scRNA-seq发现的新治疗靶点正在进入临床试验: # ... | 靶点 | 细胞类型 | 机制 | 研发阶段 | |:-----|:-----|:-----|:-----| | TREM2 | TAM | 阻断免疫抑制 | 临床I期 | | CD39 | Treg | 恢复T细胞功能 | 临床前 | | LAG-3 | 耗竭T细胞 | 逆转T细胞耗竭 | 已获批 | # ... ## 5. 挑战与研究空白 # ... 尽管scRNA-seq在TME研究中取得显著进展,仍存在以下挑战: # ... 1. **纵向动态追踪不足**: 78%纳入研究为横断面设计,缺少治疗前后纵向对比,无法解析TME的时间动态演变。 # ... 2. **空间信息缺失**: scRNA-seq丢失细胞空间位置信息。与空间转录组学(spatial transcriptomics)的联合应用研究仅12篇,空间-单细胞整合分析是重要方向。 # ... 3. **计算方法标准化不足**: 不同研究采用不同分析流程和参数,结果可比性受限。需建立社区共识的分析标准。 # ... ## 6. 结论与展望 # ... scRNA-seq已深刻改变我们对TME的理解,从"细胞类型清单"走向"状态空间图谱"。未来发展方向包括:(1)纵向多时间点采样追踪TME动态;(2)scRNA-seq与空间转录组、表观基因组的多组学整合;(3)基于scRNA-seq的个性化治疗方案设计。 # ... ## 参考文献 ## 用户问题解答 ### Q1: 科研助手支持哪些输入格式？ A1: 134个科学技能库,从文献检索到论文写作,科研全流程AI辅助。科研助手基于134个科学技能库,提供从文献检索到论文发表的全流程科研支持,核心功能包括文献检索与综。支持文本指令和结构化参数输入，具体格式参考使用流程章节。 ### Q2: 需要配置API Key吗？ A2: 是的，部分功能需要配置对应平台的API Key。请在依赖说明章节查看具体要求，并通过环境变量安全配置。 ### Q3: 命令行执行失败怎么办？ A3: 检查命令参数是否正确，确认运行环境支持exec能力。如遇权限问题，请参照错误处理章节排查。 ## 安全原则 ### 安全风险防范 | 风险项 | 等级 | 防护措施 | 验证方法 | | --- | --- | --- | --- | | API密钥泄露 | 高 | 通过环境变量配置，禁止硬编码 | 定期检查代码和配置文件 | | 命令执行风险 | 高 | 仅执行白名单命令，避免拼接用户输入 | 使用沙箱环境测试 | | 网络通信安全 | 中 | 使用HTTPS协议，验证SSL证书 | 定期检查证书有效期 | | 敏感数据暴露 | 高 | 输出结果中不包含密钥、令牌等敏感信息 | 日志脱敏审查 | | 未授权访问 | 中 | 限制访问权限，实施认证机制 | 定期审计访问日志 | 使用前请确认已阅读依赖说明章节，确保运行环境满足安全要求。 ## 效能分析 | 操作场景 | 手动耗时 | 自动化耗时 | 效率提升 | |----------|---------|-----------|---------| | 文件解析与提取 | 5-10分钟/个 | <5秒/个 | 60-120x | | 批量文件处理(100个) | 8-16小时 | <5分钟 | 96-192x | | API调用与响应解析 | 2-3分钟/次 | <1秒/次 | 120-180x | | 多接口数据聚合 | 15-30分钟 | <10秒 | 90-180x | | 命令执行与结果收集 | 3-5分钟/次 | <2秒/次 | 90-150x | | 重复任务批量执行 | 因任务而异 | 线性缩减 | 5-50x | | 错误排查与修复 | 10-30分钟 | <30秒 | 20-60x | ## 差异分析 | 对比维度 | 科研助手 | 传统手动方式 | 通用脚本工具 | |---------|------------|-------------|------------| | 自动化程度 | 全流程自动 | 完全手动 | 部分自动 | | 错误处理 | 内置错误恢复 | 依赖人工经验 | 基本try-catch | | 可复用性 | 参数化配置 | 一次性脚本 | 模板化 | | 安全合规 | 内置安全检查 | 无安全保障 | 无安全保障 | | 适用场景 | 134个科学技能库,从文献检索到论文写作,科研全流程AI辅助。科研助手基于134 | 通用场景 | 通用场景 | ## 错误处理指引 针对科研助手使用中可能遇到的常见问题,提供以下排查方案: | 错误类型 | 原因分析 | 解决方案 | |---------|---------|---------| | API认证失败(401) | API密钥错误或过期 | 检查密钥配置,重新生成token | | 接口限流(429) | 请求频率超出限制 | 降低调用频率,启用重试退避策略 | | 响应超时(504) | 网络延迟或服务端负载过高 | 增加超时阈值,检查网络连接 | | 文件不存在 | 路径错误或文件未创建 | 检查路径拼写,确认文件已生成 | | 文件格式不支持 | 扩展名不在支持列表中 | 转换为支持的格式后重试 | | 权限不足 | 当前用户无读写权限 | 检查文件权限,以管理员身份运行 | | 命令执行失败 | 参数错误或环境依赖缺失 | 检查命令语法,确认依赖已安装 | | 进程超时 | 命令执行时间过长 | 增加超时设置,优化命令参数 | | 网络连接失败 | DNS解析失败或防火墙拦截 | 检查网络配置,确认代理设置 | ### 科研助手通用排查步骤 1. **检查输入参数**: 确认所有必填参数已提供且格式正确 2. **查看日志输出**: 定位具体错误行和异常类型 3. **验证环境配置**: 确认依赖库版本和运行环境满足要求 4. **逐步调试**: 缩小问题范围,隔离故障模块 ## 问答集 ## 问答集 ### Q1: 科研助手支持哪些输入格式？ A1: 134个科学技能库,从文献检索到论文写作,科研全流程AI辅助。科研助手基于134个科学技能库,提供从文献检索到论文发表的全流程科研支持,核心功能包括文献检索与综。支持文本指令和结构化参数输入，具体格式参考使用流程章节。 ### Q2: 需要配置API Key吗？ A2: 是的，部分功能需要配置对应平台的API Key。请在依赖说明章节查看具体要求，并通过环境变量安全配置。 ### Q3: 命令行执行失败怎么办？ A3: 检查命令参数是否正确，确认运行环境支持exec能力。如遇权限问题，请参照错误处理章节排查。 ## 功能描述 - **自动化执行**: 134个科学技能库,从文献检索到论文写作,科研全流程AI辅助。科研助手基于134个科学技能库,提供从文献检索到论文发表的 - **文件处理**: 支持多种文件格式的读取、解析和写入操作 - **API集成**: 通过标准化接口调用外部服务并处理响应 - **命令执行**: 在安全沙箱中执行系统命令并收集结果 - **信息检索**: 快速搜索和过滤目标数据 ## 实操说明 1. **配置API密钥**: 在环境变量中设置对应的API Key 2. **初始化连接**: 使用提供的凭证建立API连接 3. **调用接口**: 传入必要参数执行API调用 1. **准备文件**: 确认文件路径正确且格式受支持 2. **执行处理**: 调用对应的处理函数 3. **查看结果**: 检查输出文件或返回数据 1. **检查环境**: 确认运行时和依赖已安装 2. **执行命令**: 使用正确的参数格式执行 3. **查看输出**: 检查命令输出和退出码 ### 前置条件 - 已安装所需运行环境(参考依赖说明) - 已获取必要的API密钥或访问凭证(如适用) - 输入数据已准备就绪