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

Researchclaw Cn

  • 5 installs
  • 20 repo stars
  • Updated April 7, 2026
  • othmanadi/researchclaw-skill

Helps with ai & agent building tasks during AI-assisted development.

About

researchclaw-cn is a Claude Code skill for ai & agent building. It helps solo builders move faster with AI-assisted coding.

  • researchclaw-cn
  • AI & Agent Building
  • AI-coding skill

Researchclaw Cn by the numbers

  • 5 all-time installs (skills.sh)
  • Ranked #13,065 of 16,546 AI & Agent Building skills by installs in the Skillselion catalog
  • Data as of Aug 4, 2026 (Skillselion catalog sync)
npx skills add https://github.com/othmanadi/researchclaw-skill --skill researchclaw-cn

Add your badge

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

Listed on Skillselion
Installs5
repo stars20
Last updatedApril 7, 2026
Repositoryothmanadi/researchclaw-skill

What it does

Helps with ai & agent building tasks during AI-assisted development.

Files

SKILL.mdMarkdownGitHub ↗

ResearchClaw 技能 — 自主研究管线(中文版)

重要提示:本技能需要先安装 [AutoResearchClaw](https://github.com/aiming-lab/AutoResearchClaw)。 本技能是封装层,不能独立运行。请先安装上游项目,再安装本技能。

本技能封装了 AutoResearchClaw,一个 23 阶段的自主研究管线。输入一个研究主题,即可自动完成从文献综述到论文生成的全流程,包括真实引文检索、沙箱实验执行、多智能体同行评审和引文验证。

诚实原则: 本技能不会虚构功能。每个命令都映射到真实的上游功能。如果某些功能失败,技能会报告实际错误并建议具体的修复方案——绝不假装问题不存在。

命令列表

命令功能
/researchclaw显示帮助信息和可用子命令
/researchclaw:setup检查并安装所有前置依赖(Python、Docker、LaTeX、pip 包)
/researchclaw:config交互式配置向导 — 生成可用的 config.yaml
/researchclaw:run启动研究管线
/researchclaw:status查看管线运行状态
/researchclaw:resume从上次成功的阶段恢复运行
/researchclaw:diagnose自动检测并解释常见故障
/researchclaw:validate运行前验证配置、依赖和连接性

---

/researchclaw — 帮助

调用时不带子命令,显示命令列表和状态摘要:

1. 检查 researchclaw CLI 是否已安装:which researchclaw 2. 检查当前目录是否有 config.yaml 3. 打印上方命令表 4. 根据缺失的组件建议下一步操作

---

/researchclaw:setup — 前置依赖安装

必须:安装任何内容前先征求用户同意。 展示缺失项并获得明确批准。

运行前置检查脚本:

bash "${CLAUDE_SKILL_DIR}/scripts/check-prereqs.sh"

脚本检查每个依赖并输出 JSON 报告。根据报告:

1. Python 3.11+:检查 python3 --version。如果缺失或版本太旧,建议 pyenv install 3.11 或系统包管理器。 2. pip / uv:检查 pip3 --versionuv --version。如果没有 uv,建议安装(更快)。 3. Docker:检查 docker info。如果 Docker 守护进程未运行,如实告知用户——本技能无法在大多数系统上启动 Docker。 4. LaTeX:检查 pdflatex --version。如果缺失,建议 sudo apt-get install texlive-full(Linux)或 brew install --cask mactex(macOS)。如实说明:这是大型下载(2-4 GB)。 5. AutoResearchClaw:检查 pip3 show researchclaw。如果未安装:

   pip3 install researchclaw

或从源码安装:

   git clone https://github.com/aiming-lab/AutoResearchClaw.git
   cd AutoResearchClaw
   pip3 install -e ".[all]"

中国大陆用户:使用国内镜像加速安装:

pip install researchclaw[all] -i https://pypi.tuna.tsinghua.edu.cn/simple

本技能无法做到的事:

  • 启动 Docker 守护进程(需要系统级权限)
  • 在 Linux 上不用 sudo 安装 LaTeX
  • 修复阻止 API 访问的网络/防火墙问题
  • 提供 LLM API 密钥——用户必须自己提供

---

/researchclaw:config — 交互式配置向导

通过分批询问用户来生成可用的 config.yaml。每批使用 AskUserQuestion

第一批 — 必要设置(必须询问):

1. 研究主题:你想研究什么?(自由文本) 2. LLM 提供商:使用哪个 LLM API?选项:openaianthropicazuredeepseeklocal 3. API 密钥:提供 API 密钥,或保存密钥的环境变量名(如 OPENAI_API_KEY) 4. 模型:使用哪个模型?按提供商建议默认值:

  • openai:gpt-4o
  • anthropic:claude-sonnet-4-20250514
  • deepseek:deepseek-chat

第二批 — 实验设置(带智能默认值询问):

5. 实验模式simulated(无代码执行,最快)、sandbox(本地执行)或 ssh_remote(GPU 服务器)。默认:simulated 6. 自动审批门控:跳过阶段 5、9、20 的人工审批?默认:首次运行选 true 7. 输出目录:保存产物的位置。默认:artifacts/

第三批 — 可选高级设置(提供但不要求):

8. 论文模板neuripsicmliclrgeneric。默认:neurips 9. 最大迭代次数:迭代管线模式。默认:3 10. 文献来源arxivsemantic_scholarboth。默认:both

收集答案后,使用 assets/config-template.yaml 中的模板生成 config.yaml。写入当前目录并展示给用户。

---

/researchclaw:run — 执行管线

起飞前检查(启动前必须运行):

1. 静默运行 /researchclaw:validate 逻辑 2. 如果任何检查失败,报告并询问用户是继续还是先修复

启动管线:

researchclaw run --topic "$ARGUMENTS" --config config.yaml --auto-approve 2>&1 | tee researchclaw-run.log

如果 $ARGUMENTS 为空,从 config.yaml 读取主题。

执行期间:

  • 管线运行 23 个阶段。每个阶段在 artifacts/<run-id>/stage-N/ 中产生输出
  • 通过检查阶段目录是否存在来监控进度
  • 如果管线失败,捕获错误输出并自动运行 /researchclaw:diagnose 逻辑

完成后:

  • 报告哪些阶段成功、哪些失败
  • 显示生成论文的路径
  • 显示总执行时间

---

/researchclaw:status — 管线状态

检查管线运行的当前状态:

1. 找到最新的 artifacts/rc-* 目录 2. 统计已完成的阶段数 3. 检查 pipeline_summary.json——如果存在则运行已完成 4. 报告:阶段 X/23 已完成。当前阶段:[阶段名称]。状态:[运行中/失败/完成]

阶段名称映射:

阶段名称
1主题初始化
2问题分解
3文献检索
4文献分析
5研究方向(门控)
6假设生成
7实验设计
8实验评审
9实验审批(门控)
10代码生成
11代码评审
12实验执行
13结果收集
14结果分析
15论文大纲
16章节撰写
17论文初稿
18同行评审
19修订
20最终审查(门控)
21引文验证
22可视化
23最终导出

---

/researchclaw:resume — 恢复失败的运行

从上次成功的阶段恢复:

1. 找到最新的运行目录 2. 找到最后完成的阶段 3. 运行:

   researchclaw run --config config.yaml --from-stage STAGE_NAME --output <run-dir> --auto-approve

已知问题(上游): --from-stage 标志在所有版本中可能不正确工作。如果恢复失败,如实告知用户并建议重新开始。

---

/researchclaw:diagnose — 自动诊断故障

读取最近的日志和错误输出来识别问题:

tail -100 researchclaw-run.log 2>/dev/null || tail -100 researchclaw-resume.log 2>/dev/null

常见故障模式和修复:

错误模式原因修复
HTTP 401API 密钥无效或过期检查 config.yamlllm.api_key 或环境变量
HTTP 429API 速率限制等待 60 秒后恢复,或切换模型
Stage 10 失败代码生成产生无效 Python检查生成的代码,使用更强模型
Docker 错误Docker 未运行或权限不足运行 docker info 验证
pdflatex 未找到LaTeX 未安装安装 texlive-full
quality_score < threshold质量门控太严格降低 quality.min_score(默认 2.0 很严格)
MemoryError内存不足(需要 32GB+)使用 simulated 模式

---

/researchclaw:validate — 运行前验证

运行所有检查但不启动管线:

1. 配置语法:验证 YAML 可解析 2. 配置完整性:检查 API 密钥和研究主题已设置 3. API 连通性:测试 LLM 端点 4. Docker 健康docker info(如果是沙箱模式) 5. 磁盘空间:低于 10 GB 时警告 6. 写入权限:测试可以写入 artifacts/

以通过/失败清单形式报告结果。

---

中国大陆用户特别说明

推荐使用 DeepSeek

DeepSeek 在中国大陆访问更稳定:

llm:
  provider: deepseek
  model: deepseek-chat
  api_key_env: DEEPSEEK_API_KEY

网络代理

如果无法访问 arXiv 或 Semantic Scholar:

export HTTP_PROXY=http://your-proxy:port
export HTTPS_PROXY=http://your-proxy:port

镜像源加速

pip install researchclaw[all] -i https://pypi.tuna.tsinghua.edu.cn/simple

---

原则

1. 绝不撒谎。 如果某个功能坏了,如实说明。如果上游不存在某个功能,不假装存在。 2. 始终测试。 每次管线执行前运行验证。每次操作后检查结果。 3. 行动前先询问。 未经用户明确批准,绝不安装包、修改配置或启动长时间运行的进程。 4. 如实报告。 显示实际错误信息,不显示美化的摘要。 5. 保持更新。 本技能针对 AutoResearchClaw v0.3.x。

Related skills

This week in AI coding

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

unsubscribe anytime.