Now liveThe Skillselion MCP - thousands of ranked skills, loaded into your agent mid-task. No install.Get it →
fei0810 avatar

Bear Scoop

  • 60 installs
  • 66 repo stars
  • Updated June 13, 2026
  • fei0810/bear-research-skills

Helps with ai & agent building tasks.

About

bear-scoop is a Claude Code skill for ai & agent building. It helps solo builders move faster with AI-assisted development.

  • bear-scoop
  • AI & Agent Building
  • AI-coding skill

Bear Scoop by the numbers

  • 60 all-time installs (skills.sh)
  • Ranked #6,460 of 16,546 AI & Agent Building skills by installs in the Skillselion catalog
  • Data as of Aug 3, 2026 (Skillselion catalog sync)
npx skills add https://github.com/fei0810/bear-research-skills --skill bear-scoop

Add your badge

Show developers this skill is listed on Skillselion. Paste this into your README.

Listed on Skillselion
Installs60
repo stars66
Last updatedJune 13, 2026
Repositoryfei0810/bear-research-skills

What it does

Helps with ai & agent building tasks.

Files

SKILL.mdMarkdownGitHub ↗

bear-scoop · 选题撞车检测

一个任务:在你投入之前,看看谁坐在离你最近的位置。抢发你的那组人,用的词往往不是你会用的词——这里从你不会想到的角度去搜。

先读 references/sci-cli.md——CLI 检测步骤、用法和铁律。 再读 references/output-system.md——三层输出体系和 HTML 外壳规范。

Flags

  • 默认:全角度扫描
  • -r:只看近一两年和预印本(撞车风险最高的地方)

步骤(固定顺序)

Step 0 — 确认 CLI 可用 运行 sci --version。未安装就给安装命令并停止;认证错误就提示 sci init 并停止。

Step 1 — 压缩 idea 把 idea 提炼成一句话并确认。模糊的 idea 搜出来的是噪音,不是信号。

Step 2 — 分解成 5–6 个正交角度 同一项工作,从不同立场描述: 1. 字面表述(用户自己的说法) 2. 方法中心(技术 / 工具,剥离应用场景) 3. 问题中心(要解决的问题,剥离方法) 4. 结论中心(预期会声称的具体结果) 5. 相邻领域的表达方式(另一个学科会怎么叫这件事) 6. 抢发者的标题(如果有人比你快发了,那篇论文会叫什么)

在输出里明确列出这 5–6 个角度,每个附一行说明和实际使用的查询词。 用户需要看见你从哪些方向搜了,才能判断覆盖是否够全,也能自己补充遗漏的角度。列完后直接开始检索,不等待用户确认(除非 idea 本身太模糊)。

Step 3 — 分角度检索 宽泛角度用 ultra_low(免费),有收获的两三个用 low 复跑。加 -r 时偏向近期结果。每个角度用独立的 --prefix

Step 4 — 合并去重 按 DOI 或标题去重。

Step 5 — 按邻近程度分四层

  • 直接撞车:问题 + 方法 + 结论都重叠
  • 方法孪生:你的方法,别人的问题
  • 问题孪生:你的问题,别人的方法
  • 邻居:相关但不重叠

每篇附一行"为什么它在这一层"。最危险的那篇单独在最上方点名。

分层前先给每篇候选做四轴评分,每轴 0 到 2 分: 1. 问题重叠:是否解决同一个问题 2. 方法重叠:是否使用同一技术路线 3. 结论重叠:是否会声称相同或高度相似的发现 4. 场景重叠:人群、数据、材料、任务或应用场景是否接近

分层规则: 1. 直接撞车:总分 7 到 8,且问题、方法、结论三轴都不低于 1 2. 方法孪生:方法 2 分,问题或场景明显不同 3. 问题孪生:问题 2 分,方法明显不同 4. 邻居:总分 1 到 3,或只共享背景领域

如果评分和直觉冲突,按评分分层,并在"为什么它在这一层"里解释冲突。

输出格式

搜索角度列表后,直接给撞车地图(★ 是你的 idea,从危险到安全向外展开):

── 撞车地图 ──────────────── [你的 idea] ──

[!] 直接撞车
    Smith 2023 — "论文标题"
    邻近度  ████████░░

    方法孪生
    Jones 2022 — "论文标题"
    邻近度  ██████░░░░

    问题孪生
    Wang 2021 — "论文标题"
    邻近度  ████░░░░░░

    邻居
    Li 2020 — "论文标题"
    邻近度  ██░░░░░░░░

──────────────────────────────────────────

没有文献的层:— [层名] 此层未检索到,不从地图消失。 结尾两句:哪里拥挤,哪里安静。

输出物

检索结束后创建 {topic-slug}/ 子文件夹,输出四个东西:

1. 终端 — 直接 print TUI 格式(撞车地图 ASCII) 2. `report.md` — 按 output-system.md 的结构化 Markdown 规范生成:稳定 YAML front matter + 一眼结论 + 撞车分层 + 选题动作建议 + 证据表 + 详细证据 + 检索透明度 + 可复用 JSON 3. `report.html` — 自包含 HTML,按 output-system.md 规范生成 4. `references.bib` — 合并所有 query 生成的 .bib 文件,去重后只保留报告中实际引用的文献条目

HTML 签名体验:SVG 撞车雷达 + 四层文献 tabs,强调色 #2563eb(蓝)。雷达悬停 tooltip 用 JS mousemove 实现(不用 <title>)。HTML 组件规范见 output-system.md 的 bear-scoop 节。

简单查询只给 1–2 条轻量下一步。开题或担心抢发时给具体建议:是否继续推进、该避开哪个点、题目怎么改。

诚实边界

没有检索到直接撞车,不等于你是新的。可能是刚刚发出的预印本、付费墙后面的文章、未收录的期刊、或者根本还没人投稿。报告检索到的内容和它说明了什么——不要说"你是安全的"。完整的新颖性论证是产品级任务,交给 SciMaster。

Gotchas

  • 雷达图点位不能为空:用 CSS div 同心圆时无法在圆环上放置点位,必须用 SVG。空圆环对用户没有任何信息价值。
  • 四轴评分不要过于严格:问题/方法/结论/场景四轴各 0-2 分,总分 8 分。现实中 7 分和 8 分的文献对用户来说撞车风险相同,不要因为一轴差 1 分就把论文从"直接撞车"降到"方法孪生",这会低估真实风险。
  • 综述类文献不要放进直接撞车:综述和原创研究的竞争性质不同。综述几乎不构成"你的选题被抢发"的威胁,应归入"邻居"层。
  • 不要因为找不到直接撞车就报告"安全":数据库覆盖有限,这个结论没有依据。

Related skills

This week in AI coding

Five minutes, every Monday - the tools, releases and tactics for developers.

unsubscribe anytime.