军师 (Junshi)
把 Claude Code 变成你的专属科研军师：每天读文献、盯 arXiv，产出按分数排序、可直接动手验证的研究点子。
数据流向披露清晰（仅写 ~/.claude/research-junshi/，无上传/遥测），自动化脚本对既有 cron 有检查与替换确认，且在 SKILL.md 和 README 中明确警告 --dangerously-skip-permissions 会绕过全部权限提示且无技术范围限制。扣分项：自动化路径确实采用无权限约束的 headless 执行，隔离与恢复机制依赖用户自律；未验证的发布者使归属与维护责任不确定。
指令自洽，setup_automation.sh 有找不到 claude、缺少 profile 等失败分支并给出可理解的提示，重复 cron 有检测。扣分项：静态审阅上限 10；依赖的外部资源（arXiv API、WebSearch、WebFetch、poppler）无测试覆盖，references/venues.md 未在证据中提供，无法确认关键引用文件存在；对异常输入（坏 PDF、空搜索结果）的处理仅靠模型自觉。
触发条件在 frontmatter 中写得非常具体（研究想法、文献追踪、digest 等），适用领域与非适配说明较清楚，输出格式明确。扣分项：核心功能依赖 arXiv API 与网络搜索的可达性（对中国大陆用户 arXiv 基本可达但部分站点/WebSearch 可能不稳定），边界条件证据有限。
文档分层好（README + SKILL.md），Apache-2.0 完整，安装与依赖说明清楚，说明了生成文件位置。扣分项：无版本号、无 changelog、无维护者/更新路径承诺；被引用的 references/venues.md 未在证据中出现，存在隐藏假设。
工作流完整、输出格式可直接使用（digest 模板含评分、首实验、风险），README 有示例输出。扣分项：静态上限 7；核心价值（想法质量、论文筛选准确性）完全依赖 LLM 每日执行，无任何代表性真实输出验证，与人工文献调研相比的边际收益证据有限。
有可审计的源码与脚本、示例输出对照。扣分项：静态上限 5；无测试、无 CI 证据、无第三方执行证据，示例 digest 是虚构演示而非可复现结论。
- 自动化模式使用 --dangerously-skip-permissions，绕过全部权限提示且无技术范围限制，仅在可信本地环境使用；启用前请审查 setup_automation.sh。
- 被引用的 references/venues.md 未在本次证据中出现，请确认安装后该文件存在。
- 核心功能依赖 arXiv API 与网络搜索，中国大陆网络环境下部分搜索服务可能不稳定。
- 每日生成的'研究想法'质量未经任何验证，仅作头脑风暴参考，不可作为研究决策依据。
- 发布者身份未经认证，无版本号与更新路径，建议锁定特定 commit 使用。
这个 Skill 能做什么，适合哪些场景？
军师是一个面向研究人员的 Claude Code 技能。首次运行时它会读取你的论文 PDF，建立研究画像（领域、方法、开放问题、初步结果）。之后每天它会通过 arXiv API 和网页搜索抓取最新的 arXiv 论文和你指定顶会的论文，选出最相关的内容做摘要，并基于你的画像生成 8–10 个研究点子，按新颖性、可行性和影响力加权打分，保留最好的 3–5 个写成每日情报。适用领域不限于机器学习，内置了从经济学到物理学的顶会知识。它不会替你读论文写综述，而是像一个直言不讳的资深合作者，专注提出大胆、可检验的方向。
首次运行时对话式收集研究领域、目标会议、arXiv 分类和论文目录，用 Read 工具或 pdftotext 解析你的 PDF，把画像和配置保存到 ~/.claude/research-junshi/。每次日报运行时：用 WebFetch 调 arXiv API（按分类和关键词，两次搜索共约 100 条候选，精选 10 条）；用 WebSearch 按 references/venues.md 的模式并行搜索你的目标顶会（选 3–5 篇）；为每篇论文总结核心思想、关键洞察、遗留问题和与你工作的关联；结合画像中的初步结果生成 8–10 个点子；按 Novelty×0.4 + Feasibility×0.3 + Impact×0.3 打分；将完整日报保存到 ~/.claude/research-junshi/digests/日期.md。可选通过 setup_automation.sh 安装 cron 任务实现每日自动运行。
- 刚换方向的研究者：把新领域的论文放进一个文件夹，快速建立研究画像并获得切入建议。
- 日常跟进文献的研究生：每天早上收一份摘要，知道自己领域（如因果推断、NLP）有什么新东西、哪些与自己课题相关。
- 有初步实验结果但还没写成论文的人：把意外观察交给军师，得到"这个结果暗示什么、缺失的一环是什么"的解读和选题方向。
- 卡在选题上的博士后：需要跨论文交叉的、利用文献空白的、带首个实验方案和主要风险的大胆点子。
- 不想手动刷 arXiv 的研究者：用 cron 每天自动生成日报，无需打开 Claude Code。
- 非 ML 领域研究者（经济学、生物、物理、机器人等）：利用内置的顶会知识（Econometrica、Nature、PRL、ICRA 等）获得对应领域的文献跟踪。
这个 Skill 有哪些优点和局限？
- 点子基于你自己的论文和初步结果生成，而不是泛泛的文献总结，每个点子附带首个实验和主要风险。
- 同时覆盖 arXiv（时效性）和同行评审顶会论文（深度），并按用户配置的领域自适应。
- 透明的打分机制（新颖性 0.4 / 可行性 0.3 / 影响力 0.3），可在 SKILL.md 中自定义权重和点子数量。
- 提供全自动 cron 模式，无需每天手动触发。
- 自动运行模式使用 --dangerously-skip-permissions，绕过所有权限确认且无技术范围限制，作者自己警告仅在可信本地环境中使用。
- 依赖 WebFetch/WebSearch 等平台工具和实时网络检索，检索质量与 arXiv API、搜索结果的可用性强耦合，源材料未提供任何测试或准确率数据。
- 无自动化测试套件；点子质量完全依赖模型判断，没有外部评测证据。
- 仓库无额外 topics，社区规模和活跃度未知。
如何安装这个 Skill？
1) 克隆仓库到 Claude Code 技能目录：git clone https://github.com/junshi-research/research-junshi.git ~/.claude/skills/research-junshi
2) 在 Claude Code 中执行 /reload-plugins 重新加载插件。
3) 如需读取 PDF 论文，安装 poppler：macOS 运行 brew install poppler，Linux 运行 apt install poppler-utils。
4) （可选）每日自动运行需执行 bash ~/.claude/skills/research-junshi/setup_automation.sh 安装 cron 任务。
如何使用这个 Skill？
首次运行时用自然语言描述你的情况，例如："I work on causal inference and econometrics. My papers are in ~/papers/. I'm thinking about better ways to handle high-dimensional confounders. Run research-junshi." Claude 会补问几个问题（可跳过，它会自行做默认选择），然后读论文、建画像、生成当天日报。之后每天说 "Give me today's research digest." 即可；想更新画像说 "Update my Junshi profile..."；想自动运行则运行 setup_automation.sh 设置 cron。日报保存在 ~/.claude/research-junshi/digests/ 下。