Skills · AI Agent Paper Hunter 端到端

自动检索 arXiv 上 AI Agent 领域最新最有用的论文，并通过 Skills 内化到本项目 Memory + Knowledge Graph 的最小可跑通范式。理论锚点见 docs/skills.md §3.2 「Phase 2 缺口 4」。

#1. 链路总览

用户 → /interface/skills "From Template…" 选 paper_hunter → Install
   ↓
Skill 落库（required_tools=[fetch_papers, save_to_memory, update_knowledge_graph]，
           enforcement_mode=strict，3 类 resources）
   ↓
路径 A — UI Preview：点 Skill 卡片的 Preview 按钮，填变量即看 Jinja2 渲染结果（不调 LLM）
路径 B — SubAgent：把 ai-agent-paper-hunter 关联到 SubAgent.skills，启动后 LLM
        在 system prompt 中看到该 Skill 描述 → 自主调用 expand_skill → 触发 fetch_papers
        → save_to_memory + update_knowledge_graph

#2. 准备（一次性）

# 1) 启动服务（已启则跳过）
./scripts/cli.sh start backend ui

# 2) 三步自检：dev cookie + skills 端点
TOKEN=$(NE_AUTH_TOKEN_SECRET=<hex> node apps/negentropy-ui/scripts/sign-dev-cookie.mjs --quiet)
curl -fsS -b "ne_sso=$TOKEN" http://localhost:3292/auth/me
curl -fsS -b "ne_sso=$TOKEN" http://localhost:3192/api/auth/me
curl -fsS -b "ne_sso=$TOKEN" http://localhost:3192/api/interface/skills

#3. 路径 A — UI Preview

适合调试 Jinja2 模板与变量。不会真的拉论文 / 写库。

1. 浏览器访问 http://localhost:3192/interface/skills；

2. 点 From Template… → 选 AI Agent Paper Hunter → Install；

3. 卡片网格中找到 AI Agent Paper Hunter，点眼睛图标 (Preview) 打开预览对话框；

4. Variables (JSON) 输入：

   hljs json复制

   {
     "query": "ReAct agent reasoning",
     "top_n": 3,
     "days_back": 14,
     "topic_tag": "ai-agent"
   }
   

5. 点 Render，下方 RENDERED PROMPT 区块即显示 Jinja2 渲染后的完整 prompt（含 <skill_resources> 块）；

6. RESOURCES 区块列出 3 类资源：corpus:ai-papers-2026 / kg_node:Topic/AgentSkills / url:https://arxiv.org/list/cs.AI/recent；

7. "Heads up" 框说明该 Skill 声明了 3 个 required tools — 这是给 SubAgent 配置者的提醒（路径 B 触发时 strict 模式下缺工具会阻塞）。

#4. 路径 B — SubAgent 自动触发（生产链路）

路径 B 需要后端配置 LLM provider（OpenAI / Anthropic / Vertex AI 至少一个 vendor key）。本 PR 不引入新 LLM 配置，复用既有 ADK runtime。

1. 在 /interface/subagents 创建一个 SubAgent（如 paper-hunter）：
   • tools: ["fetch_papers", "save_to_memory", "update_knowledge_graph"]（必须包含 strict 模式声明的 3 个）；
   • skills: ["ai-agent-paper-hunter-{owner_short}"]（精确名，可在 Skills 卡片上看到）；
2. 启动 SubAgent，发送 user message："采集本周 ReAct agent 相关 arXiv 论文 5 篇"；
3. ADK runtime 在 SubAgent 启动时调 _load_subagent_row：
   • resolve_skills 加载 Skill；
   • build_progressive_disclosure_prompt(agent_tools=...) 检测 strict 模式 + 全部 required_tools 在 SubAgent.tools 中 → 通过；缺一即抛 SkillToolMissingError → SubAgent 降级为无 system prompt 启动（明确"工具不全无法运行"）；
4. LLM 在 system prompt 中看到 <available_skills> - ai-agent-paper-hunter: ... [3 resources]；
5. LLM 决定使用：调 expand_skill("ai-agent-paper-hunter", { query, top_n, days_back, topic_tag }) → 服务端 Jinja2 渲染完整模板 + 资源列表回灌；
6. LLM 按渲染结果指引依次：fetch_papers → 每篇 save_to_memory + update_knowledge_graph；
7. 进 /memory/timeline?metadata.tags=paper 与 /knowledge/graph 即可看到结果。

#5. 排错

#6. 进阶：v0.2 引文图（Phase 3 已落地）

新模板 paper_hunter_v02.yaml 在 v0.1 流程之上叠加 Semantic Scholar 一跳引文：

fetch_papers (arXiv)
  → save_to_memory + update_knowledge_graph (v0.1 不变)
  → fetch_paper_citations (S2 batch lookup + per-paper citations)
  → update_knowledge_graph (Paper:{src}-[cites]->Paper:{tgt})

启用方式：/interface/skills → "From Template..." → 选 AI Agent Paper Hunter v0.2。两个版本可共存（template_id 不同）。

新增变量：citation_top_n（每篇论文返回的引用方上限，默认 5，硬上限 10）。

可选 env：S2_API_KEY 提升免费配额（无 key 时遵循公共 ~100 req/5min 限速；429 由 _call_with_retry 指数退避）。

#7. 进阶：定时调度（Phase 3 已落地）

详见 skills-scheduling.md。最常见 case：每周一 09:00 自动跑：

cron_expr: "0 9 * * 1"
enabled: true
vars: { query: "AI agent", top_n: 10, days_back: 7, topic_tag: "weekly-digest" }

/interface/skills 卡片右上 ⏰ 黄色按钮 → Schedules → 填表 → Create。

重要：scheduler 当前只渲染 prompt + 写入 Memory（app_name=skill_scheduler），不直接调 LLM。要让 LLM 真正消费这些定时记录，需 SubAgent 接入 Memory trigger（Phase 4 路线）。

#7. 引用

• arXiv API Help, "API Basics," info.arxiv.org/help/api. — fetch_papers 严格遵守 ≥3s/req 速率与 Atom feed 解析约定。
• D. Lewis et al., "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks," NeurIPS, 2020.
• S. Yao et al., "ReAct: Synergizing Reasoning and Acting in Language Models," ICLR, 2023.