YGao2005/scholar-feed-mcp

Добавляет статью в коллекцию, адресуемую по collection_id ИЛИ collection_name (получить-или-создать по имени — не нужно сначала искать id). Вложенность через "/": имя коллекции "AgentOPA/Formal" помещает статью в папку "AgentOPA". МУТИРУЕТ: также автоматически сохраняет статью в библиотеку. Идемпотентна (добавление уже находящейся в коллекции статьи ничего не делает). Требует SF_API_KEY.

Записывает ВАШ вердикт по статье: почему она важна для вашей работы, когда её использовать или почему вы её отклонили. Одна заметка на статью, upsert (повторная запись заменяет её), поэтому вызывать можно сколько угодно раз. Требует SF_API_KEY. ПОЧЕМУ ЭТО ВАЖНО: эта заметка - единственное, что переживает между сессиями. list_library возвращает note_text для каждой сохранённой статьи, поэтому вердикт, записанный сейчас, будущая сессия прочитает ВМЕСТО перечитывания статьи и повторного вывода того же заключения. ПИШИТЕ СУЖДЕНИЕ, А НЕ КРАТКОЕ СОДЕРЖАНИЕ: в статье уже есть llm_summary и аннотация, поэтому пересказ содержания статьи ничего не добавляет. Пишите то, чего они не могут: как статья относится к ВАШЕЙ задаче. Предпочитайте утверждение, которое кто-то позже сможет опровергнуть («нужен размеченный журнал трассировки, которого у нас нет», «наш бейзлайн: побейте его на конфигурации 7B»), а не неопровержимый вердикт («интересно», «не очень релевантно»), потому что механизм можно перепроверить, когда обстоятельства меняются, а впечатление - нет. Указывайте основание, когда оно шаткое: вердикт, сформированный только по аннотации, заслуживает пометки «(только аннотация)», поскольку fetch_fulltext по умолчанию берёт около 800 символов раздела результатов, а не всю статью. Передайте action='get', чтобы прочитать существующую заметку перед перезаписью: это стоит сделать, если предыдущая сессия уже могла оценить эту статью. Чтобы исправить заметку, просто напишите исправленный текст (он заменит старый).

Отвечает на вопрос, используя ТОЛЬКО сохранённые статьи - синтез по вашей библиотеке (или одной коллекции) со встроенными цитатами [arXiv-ID]. Обратная функция для find_gaps (которая находит важные работы, которых вам НЕ ХВАТАЕТ): ask_library рассуждает на основе того, что У ВАС ЕСТЬ. Опционально ограничивает область одной коллекцией (collection_name или collection_id); если опустить оба, используется вся библиотека. Только чтение. Требует SF_API_KEY (читает ваш сохранённый набор). Бесплатные аккаунты получают 1 вопрос в месяц; Pro увеличивает это до 200 в день.

Отвечает на вопрос «превзойдён ли метод, который я использую, и чем?» на основе обоснованной базы знаний с разрешением сущностей, содержащей текстовые записи критики и рёбра доминирования в бенчмарках (без вызова LLM во время запроса). Принимает family (например, 'rag', 'peft', 'kvcache') и method (например, 'SnapKV', 'LoRA') и возвращает вердикт: насколько метод превзойдён, КТО его критикует (дословные цитаты + цитирующая статья), КТО обходит его в бенчмарках (победитель, цифры, условия, исходная статья) и какие альтернативы в той же подзадаче ещё не превзойдены. Без method возвращает карту всего семейства: наиболее превзойдённые бейзлайны, конкурирующие подзадачи и актуальный рубеж. Имена методов сопоставляются без учёта регистра и пробелов, а при отсутствии совпадения выдаются подсказки «возможно, вы имели в виду». Это полезно при выборе или рецензировании техники для известной проблемной области, а также для проверки, превзойдён ли бейзлайн, на который опирается статья. Не требует Pro API-ключа. Охватывает около 10 семейств задач разработчика и продолжает расширяться; параметр family перечисляет их, или можно передать family='list' для актуального набора. Оговорка о покрытии: данные берутся только из таблиц бенчмарков arXiv, поэтому «превзойдён» означает, что метод был побит в опубликованном сравнении (а не то, что он мёртв или непригоден), продакшен-фреймворки (LangChain, LlamaIndex и т.д.) появляются только как бейзлайны и никогда как победители, а результаты - это сигнал из литературы, а не рекомендация к развёртыванию. ОБОСНОВАННОСТЬ: насколько можно доверять отдельной записи. Каждое утверждение проходит через детерминированный фильтр, сверяющийся с исходным LaTeX статьи (критика должна содержать дословную цитату-шингл, найденную в источнике; ребро бенчмарка должно содержать все свои числа в источнике), так что выдуманная цитата или ячейка таблицы не может попасть в базу знаний. Чего фильтр НЕ проверяет, так это АТРИБУЦИЮ: цитата настоящая, но её субъект может быть на уровне класса или местоимением («эти методы», «они»), а не конкретным названным методом, поэтому отнести запись к конкретному методу иногда можно только путём логического вывода. Сквозная точность не измерялась…

Получает новые подходящие статьи с момента последней доставки дайджеста в том же формате, что и результаты search_papers. Опционально ограничивает область одним наблюдением по watch_name или watch_id; если оба опущены — применяет ко всем наблюдениям. Только для чтения и идемпотентный — НЕ продвигает никакой watermark (только доставка дайджеста делает это), поэтому его можно безопасно вызывать многократно (без отметки о прочтении). Это внутрисессионный запрос «что нового в моих наблюдениях?». Требует SF_API_KEY.

Находит окрестность соавторства одного или нескольких авторов. Получает список author_ids, возвращает ребра {from, to, papers_count, last_collab_year}, где 'from' — один из входных авторов, а 'to' — любой соавтор, появившийся в совместной статье в пределах окна. Используется для сортировки рецензентов AC (поиск конфликтов), уточнения исследователей (с кем они на самом деле работают?) или расширения начального набора авторов до исследовательского сообщества. window_years по умолчанию 10. Результат ограничен 500 ребрами, отсортирован по papers_count DESC.

Создаёт новую именованную коллекцию. MUTATES. Если коллекция с таким именем уже существует, возвращает существующую (get-or-create — никогда не вызывает ошибку при дубликате). Используйте "/" для вложения в папку, например "AgentOPA/Formal" — папка определяется из имени, поэтому не нужно сначала создавать родительскую. Требуется SF_API_KEY.

Создаёт постоянное наблюдение - ежедневно проверяется по вновь проиндексированным статьям, выводит новые совпадения через дайджест по электронной почте и через check_watches. МУТИРУЕТ. Получает или создаёт по имени (повторное создание с существующим именем возвращает его без изменений - никогда не выдаёт ошибку при дубликате). ДВЕ формы: (1) структурированный фильтр v2 через criteria (collections/authors/categories/text/has_code/min_novelty/similar, объединённые по И) - компонуемая, настраиваемая агентом форма, рекомендуется; сначала настройте с помощью preview_watch, а затем отредактируйте через update_watch. Структурированные наблюдения по умолчанию ранжируются по 'rising' (прогнозируемый прорывной импакт) и ужесточаются с помощью min_impact_pct для наблюдения, фильтрующего шум и показывающего только прорывные статьи в вашей нише. (2) один устаревший селектор-источник (q ИЛИ collection_name ИЛИ collection_id ИЛИ anchor_paper_id); если указан criteria, он имеет приоритет. Требуется SF_API_KEY.

Удаляет отслеживание, заданное по watch_id ИЛИ имени. ИЗМЕНЯЕТ. Идемпотентно: удаление несуществующего отслеживания не выполняет никаких действий (без ошибки). Чтобы изменить отслеживание на месте (rename / novelty_min / retarget criteria), используйте update_watch вместо delete-and-recreate. Требует SF_API_KEY.

Встраивает текстовую строку в 768-мерный вектор Gemini Flash. Используется для поиска в стиле HyDE: (1) создаёт гипотетическую короткую статью, которая идеально отвечает на запрос пользователя, (2) встраивает её с task_type='RETRIEVAL_DOCUMENT' (по умолчанию — соответствует стороне эмбеддингов корпуса), (3) передаёт полученный эмбеддинг обратно через инструменты поискового типа, чтобы найти реальные статьи, ближайшие к гипотетической. task_type='RETRIEVAL_QUERY' соответствует стороне запроса и полезен для прямого встраивания запроса пользователя без HyDE. Только для Pro — требует SF_API_KEY на аккаунте Pro; анонимные и бесплатные вызывающие получают ошибку 403 pro_required. Стоимость: ~$0,0001 за вызов; ограничение скорости: 30 запросов в минуту на один ключ API.

Читает фактический текст статей arXiv по разделам. Выбор раздела управляет расходом контекста: запрашивайте один или два нужных раздела, а не всю статью: «all» это примерно 13,5 КБ на статью, а для 8 статей около 108 КБ. Названия разделов выводятся автоматически: проверьте low_confidence_sections, прежде чем считать какой-то раздел собственным заголовком статьи. Источником служит HTML arXiv с разметкой разделов, затем LaTeX, затем PDF; код 404 означает, что все три варианта не сработали.

Двухрежимный инструмент для работы с авторами. Укажите ровно один из параметров: q или id. Q-MODE (q=...): ищет исследователей по теме или имени. Использует сходство эмбеддингов для тем ('efficient LLM inference') и нечёткое сопоставление для имён ('Yann LeCun'). Возвращает список подходящих авторов с полями author_id, name, h_index, total_papers, primary_field, research_topics. ID-MODE (id=...): получает профиль одного автора по author_id (полученному из предыдущего вызова в режиме q-mode или из результатов co_author_graph). Возвращает h-index, общее количество цитирований, глобальный рейтинг, основную область, распределение оценок новизны, исследовательские темы, оценки code/venue, годы активности и топ-10 статей автора по рейтинговому баллу.

Находит важные работы, которые вы НЕ СОХРАНИЛИ для коллекции или темы: анализ «что я упускаю?». Возвращает две категории: foundational_gaps (канонические якоря графа цитирования в нише, отсутствующие в вашей библиотеке) и frontier_gaps (недавние высокооригинальные работы в нише, ещё не сохранённые). Принимает ровно один источник: collection_name, collection_id или topic. Бэкенд определяет нишу, выполняет поиск по цепочке цитирования и недавним новинкам, а затем вычитает ваше сохранённое множество. Только для чтения. Требует SF_API_KEY (он нужен для вычитания вашей библиотеки) и доступен только в Pro, бесплатные аккаунты увидят предложение обновить тариф.

Получает граф цитирования для статьи, отсортированный по rank_score цитирующей статьи (сначала с наибольшим влиянием). 'citing' = исходящие ссылки, которые цитирует эта статья; 'cited_by' = входящие цитирования из других статей. Ответ по умолчанию — компактная форма с 12 полями на статью — передайте verbose=true для полной формы с 28 полями.

Возвращает КАНДИДАТОВ В ФУНДАМЕНТАЛЬНЫЕ РАБОТЫ для исследовательской темы: только дешёвый поиск, без синтеза. Ранжирует работы по смеси числа цитирований (вес 0.6, отражает важность) и семантического сходства с вашей темой (вес 0.4). Используйте это, чтобы начать обзор литературы или быстро оценить ландшафт. Для синтезированного ориентировочного отчёта (ключевые концепции, открытые проблемы, порядок чтения) используйте навык /field-guide, который внутри себя вызывает этот инструмент. Не требует ключа Pro API. Вызовы LLM не производятся.

Возвращает ОСНОВОПОЛАГАЮЩУЮ РАБОТУ ДЛЯ НИШИ СТАТЬИ через граф цитирования - относительный вопрос («что является основополагающим для конкретной подобласти ЭТОЙ статьи», часто сама эта работа цитируется скромно), а не очевидные глобальные ориентиры. Привязывается к статье, берёт её окрестность эмбеддингов в качестве ниши и ранжирует то, что цитируется в нише, по трём уровням: niche_roots (основополагающие работы для конкретной ниши, ранжированные по тому, насколько специфично окрестность на них опирается - выявляет канонические якоря, которые пропускает семантический поиск), field_level (более широкие вторичные основы) и discipline (универсальные ориентиры, такие как Attention Is All You Need, свёрнутые в сторону). Каждая статья содержит свидетельство cited_by_in_niche, чтобы утверждение было обоснованным, а не голословным. Используйте этот инструмент для отслеживания предшествующих работ / происхождения статьи или для поиска канонических методов, на которых построена ниша. Дополняет get_field_orientation (который привязан к теме и работает только на поиске). Не требует Pro-ключа и вызовов LLM.

Получает полные сведения об одной или нескольких статьях по arXiv ID. Передайте одноэлементный массив для одной статьи; передайте несколько ID для пакетного получения до 50 статей за один вызов. Передайте format='bibtex', чтобы получить запись цитирования .bib (bibtex работает только для одной статьи; для нескольких статей в формате bibtex вызывайте инструмент повторно). По умолчанию возвращает компактный набор из 13 полей (arxiv_id, title, authors, year, categories, has_code, github_url, citation_count, venue_name, llm_summary, llm_significance, llm_novelty_score, impact_pct): impact_pct - это процентиль влияния по прогнозу ML от 0 до 100, вычисленный ВНУТРИ когорты arXiv-категории самой статьи, то есть это относительный ранг внутри когорты, а не абсолютная оценка; для более старых статей, выпадающих из недавнего окна оценки ~90 дней, он равен NULL. Передайте verbose=true для полного набора полей со структурированным извлечением (method_name, contribution_type, task_category, datasets, baselines) и institution_tags. Используйте fields='arxiv_id,title,abstract', чтобы выбрать точное подмножество полей, или fetch_fulltext с sections='all' для получения полного текста статьи.

Лайкает статью — калибровочный сигнал «больше похожего», который настраивает ленту «Для вас» пользователя на похожие работы. Только INSERT и идемпотентно (двойной лайк — пустая операция, никогда не отменяет лайк). Отличается от save_paper: лайк выражает предпочтение для ранжирования; сохранение добавляет закладку для последующего чтения. Требует SF_API_KEY.

Перечисляет коллекции (именованные группы сохранённых статей) аутентифицированного пользователя с количеством статей. Только для чтения. Используйте перед add_to_collection, чтобы просмотреть существующие коллекции. Требует SF_API_KEY.

Перечисляет сохранённые статьи пользователя (их библиотеку), сначала новые. Только чтение. Используйте это, чтобы просмотреть список для чтения или увидеть, что уже сохранено, перед тем как сохранить больше. Требуется SF_API_KEY. ФОРМА: вызывающие агенты получают компактную запись — llm_summary (~300 символов) ВМЕСТО аннотации, с опущенными пустыми полями, а не отправленными как null. Каждая статья также несёт состояние, которое превращает это в базу знаний, а не в список закладок: note_text (собственный зафиксированный вердикт пользователя, если он есть), is_read и collections (категории, в которые она помещена, например 'AgentOPA/G4'). СНАЧАЛА читайте note_text. Статья, несущая его, уже была оценена в предыдущей сессии — используйте этот вердикт вместо повторного чтения статьи и повторного вывода. Если его нет, подумайте о том, чтобы записать его с помощью annotate_paper, чтобы следующая сессия унаследовала ваш вывод. Передавайте verbose=true (или fields=...) только когда вам действительно нужна полная аннотация или все 28 полей; по умолчанию запись примерно в 4 раза меньше и подходит для обзора того, что у вас уже есть.

Перечисляет watches аутентифицированного пользователя с именем, однострочным кратким описанием, last_evaluated_at и pending_hits (количество новых совпадений с момента последней доставки дайджеста). Только чтение. Используйте перед create_watch, чтобы увидеть, что уже отслеживается. Требуется SF_API_KEY.

Выполняет пробный прогон структурированного фильтра по недавним статьям БЕЗ создания отслеживания - цикл настройки. Возвращает {window_days, needs_similarity, match_count, sample}, чтобы вы могли итерировать (добавить категорию, повысить min_novelty, изменить отношение коллекции) перед сохранением с помощью create_watch. Структурированные отслеживания по умолчанию ранжируют по 'rising' (прогнозируемый прорывной эффект) и ужесточают с помощью min_impact_pct для антишумового отслеживания, которое показывает только прорывные статьи в вашей нише. ПРИМЕЧАНИЕ: для фильтра по схожести match_count ограничен 200 (окно косинусного поиска) и поэтому насыщается на уровне 200 по широким/горячим темам - настраивайте по оценкам sample и сужайте с помощью categories/min_novelty (или более высокого порога схожести), а не полагайтесь только на match_count. Только для чтения. Требует SF_API_KEY.

Удаляет статью из коллекции по идентификатору коллекции (collection_id) или имени коллекции (collection_name). MUTATES (статья остаётся в вашей библиотеке; она только удаляется из этой коллекции). Идемпотентна. Требует SF_API_KEY.

Сохраняет статью в библиотеку Scholar Feed аутентифицированного пользователя (закладка). ИЗМЕНЯЕТ библиотеку и влияет на персонализацию пользователя — сохранённые статьи — самый сильный сигнал в ленте For You и в email-дайджесте. Идемпотентно: повторный вызов для уже сохранённой статьи оставляет её сохранённой. Требует SF_API_KEY. Чтобы одним шагом поместить её в именованную коллекцию, используйте add_to_collection (он тоже сохраняет).

Ищет по корпусу Scholar Feed из 600 000+ статей по CS/AI/ML. По умолчанию работает семантический (эмбеддинговый) поиск, поэтому находит концептуально связанные работы, даже когда формулировки различаются. КАЖДЫЙ ПАРАМЕТР ОПИСЫВАЕТ СОБСТВЕННОЕ ПОВЕДЕНИЕ И ГРАНИЦЫ ОХВАТА: прочитайте те, которыми собираетесь пользоваться; это описание покрывает только то, что не может рассказать ни один отдельный параметр. ОГРАНИЧЕНИЕ ВЫДАЧИ: семантическое ранжирование отдаёт предпочтение свежим и стилистически близким статьям и регулярно ПРОПУСКАЕТ старую высокоцитируемую якорную работу в области (H2O для вытеснения KV, GRIT для объединённых эмбеддингов и генерации). Чтобы добраться до канонической работы в области, прочитайте первые пять аннотаций в поисках повторяющихся упоминаний бейзлайнов («мы сравниваем с X») и найдите это название напрямую, либо вызовите get_foundational_lineage. ТРИ НЕСВЯЗАННЫХ ПОНЯТИЯ ВЛИЯНИЯ, которые легко перепутать: подтверждённые цитирования (sort='impactful', min_citations) | процентиль прогноза на ~90 дней, который равен NULL на старых статьях и тем самым исключает их (sort='trending', impact_min) | популярность на GitHub (sort='community', min_stars). ВАША БИБЛИОТЕКА ОТМЕЧЕНА ПРЯМО В ВЫДАЧЕ на авторизованных вызовах: каждый результат несёт is_saved и is_read, а результат, который вы ранее аннотировали, несёт note_text, ваш собственный прошлый вывод. Читайте note_text ВМЕСТО того, чтобы заново делать вывод из аннотации; повторная оценка статьи, по которой вы уже вынесли решение, это самый частый способ, которым агент тратит исследовательскую сессию впустую. is_saved=false это реальное измерение; на анонимных вызовах эти ключи отсутствуют полностью, поэтому никогда не читайте отсутствующий is_saved как false. Статьи, которые вы раньше не видели, ранжируются точно так же, как и прежде, ничего не понижается за то, что оно не было просмотрено.

Удаляет статью из библиотеки Scholar Feed аутентифицированного пользователя. ИЗМЕНЯЕТ библиотеку. Идемпотентна: удаление статьи, которой нет в сохранённых, оставляет её несохранённой. Примечание: сохранённая библиотека — это надмножество всех коллекций, поэтому отмена сохранения статьи ТАКЖЕ удаляет её из каждой коллекции, в которой она находилась. Чтобы оставить её в коллекции, используйте вместо этого remove_from_collection (это оставляет статью сохранённой). Требует SF_API_KEY.

Обновляет существующее наблюдение на месте: переименовывает, изменяет novelty_min или ПЕРЕНАЦЕЛИВАЕТ его структурированный фильтр criteria. МУТИРУЕТ. Адресуется по watch_id ИЛИ имени. Изменение criteria заменяет определение и очищает ожидающие попадания наблюдения (чтобы устаревшие совпадения не доставлялись); следующая ежедневная оценка перезаполняет список. Структурированные наблюдения ранжируются по 'rising' (прогнозируемая ударная сила прорыва) по умолчанию и ужесточают порог с помощью min_impact_pct для защиты от шума — такое наблюдение показывает только прорывные статьи в вашей нише. Сначала настройте новые критерии с помощью preview_watch. Требует SF_API_KEY.