
de edwinhu
Recherchez dans la littérature académique via plusieurs sources, dédupliquez les résultats, résolvez les DOI et accédez aux articles de confiance avec des synthèses concises.
Cette compétence exécute une recherche de littérature académique multi-sources qui parallélise les requêtes via scholar lookup, consensus et une base bibliographique personnelle. Elle déduplique les résultats, résout les DOI et les revues, et produit une sortie JSON classée avec citations et synthèses — idéal pour les revues de littérature et la découverte de citations.
Utilisez cette compétence lorsqu'on vous demande de trouver des articles académiques, d'effectuer des recherches bibliographiques, de rassembler des citations ou de résumer ce que la recherche dit sur un sujet (ex: "trouver des articles sur X", "revue de littérature de Y"). Elle est conçue pour les requêtes bénéficiant d'une agrégation multi-sources et d'une résolution de DOI.
scripts/research.py (parallélise les sources, supporte les modes streaming et batch)domain-knowledge.local.md pour les vérifications des revues de confiancepython3 scripts/research.py "<requête>" [--n N] [--min-citations N]Probablement compatible avec les agents pouvant exécuter des scripts Python et appeler des CLI externes (Claude Code, agents LLM génériques avec capacités d'exécution de scripts).
Compétence de recherche de littérature académique qui interroge plusieurs sources (Google Scholar, Consensus, bib Paperpile) en parallèle, déduplique par DOI/titre et résout les DOI SSRN via CrossRef. Le script est bien écrit avec une structure claire, une gestion des erreurs et un support du streaming. Échec de l'exécution en raison de l'absence de l'argument 'query' requis (attendu dans le contexte d'audit) et de dépendances externes manquantes (CLI scholar, binaire consensus). Les chemins codés en dur vers le Google Drive et le binaire local d'un utilisateur spécifique rendent la portabilité médiocre.
scholarconsensus-cliuvPosture de sécurité saine — aucun appel réseau suspect (uniquement l'API CrossRef), pas d'identifiants codés en dur, pas de commandes destructrices. Les principales préoccupations concernent la portabilité (chemins spécifiques à l'utilisateur codés en dur) et la gestion des dépendances (absence de fichier requirements). La compétence est bien architecturée avec un SKILL.md clair, un schéma de sortie et une divulgation progressive. Concept utile mais limité par les exigences d'installation.
Arborescence de travail de développement
Créez une arborescence de travail git isolée pour le développement de fonctionnalités, lancez automatiquement la configuration du projet et vérifiez une base de tests saine avant de commencer.
Requête WRDS et Application ETL
Directives et mise en œuvre des normes pour interroger les données WRDS et exécuter SAS/ETL sur la grille WRDS—inclut la validation des requêtes, les modèles de soumission SGE et la performance.
ds-fix — correcteur d'analyse de data science
Orchestre le diagnostic et les corrections ciblées en cours d'analyse : diagnostique la cause racine, applique des correctifs avec vérification orientée résultat et met à jour les acquis du projet.
Gestion de documents Readwise Reader
Gérez vos documents Readwise Reader : lister, sauvegarder, rechercher, déplacer, taguer, surligner, exporter et modifier en masse via des CLI officielles et personnalisées.
DS Plan (Planification Data Science)
Phase de profilage des données et de décomposition des tâches du flux de travail de data science.