MCP App StoreMCP App Store
de aminer-rec311
Exécutez un pipeline local pour créer un ResearchProfile et envoyer des recommandations de articles personnalisées via Feishu en utilisant AMiner, arXiv et l'enrichissement par LLM.
Cette compétence exécute un pipeline de recommandation local pour construire un ResearchProfile unifié pour un utilisateur et envoyer des suggestions d'articles personnalisées vers Feishu. Elle accepte des entrées structurées (aminer_user_id, scholar, org, papers, papers_file, topics) ou du texte libre sur des sujets, enrichit les résultats via AMiner/arXiv et des LLM, et renvoie un sentinel NO_REPLY après l'envoi. Le dépôt fournit un unique script de point d'entrée supporté pour gérer les déclencheurs.
Invoquez cette compétence pour des demandes explicites d'utilisateurs visant à générer des recommandations d'articles (ex: /aminer-rec5 ou /skill aminer-rec5). Elle est conçue pour des intégrations où l'agent est autorisé à exécuter le pipeline, lire les fichiers fournis et poster des cartes Feishu aux utilisateurs. Non destinée aux requêtes conversationnelles occasionnelles — c'est une compétence orientée exécution.
scripts/handle_trigger.py (pipeline d'exécution unique).Destinée aux agents pouvant exécuter des scripts Python locaux et interagir avec Feishu (exécuteur OpenClaw ou agents hébergés avec des identifiants Feishu).
aminer-rec5 is a well-structured research paper recommendation pipeline that integrates AMiner, arXiv, and LLM enrichment, then dispatches results via Feishu cards. It has 20 scripts organized as a Python package with a single entrypoint (handle_trigger.py). Scripts use proper HTTP clients with retries and error handling. The subprocess calls are safe (explicit command lists, no shell=True). However, it's tightly coupled to Feishu delivery and AMiner API (requires AMINER_TOKEN), limiting its audience to users already in that ecosystem. 14/20 scripts failed to import standalone due to package path issues in isolation.
Clean codebase with no security concerns. Subprocess usage is safe (list-based commands, no shell=True). No hardcoded secrets — all credentials read from env vars or config. The skill is niche (AMiner + Feishu research recommendations) which limits broad usefulness. Architecture follows good patterns with a single entrypoint, clear contract, and well-separated concerns. The import failures during testing are expected for a package-structured Python project run in isolation.
Yielding Bear — Unified LLM Routing
A unified LLM routing API that automatically routes requests to the cheapest capable model across providers to reduce inference cost by ~60-80%.
Seq Wrangler
Sequence data QC, trimming, alignment, and BAM processing pipeline helper — wraps FastQC, fastp/Trimmomatic, BWA/Bowtie2/Minimap2, and SAMtools for automated re
Markdrop
Convert PDFs to structured Markdown or interactive HTML and generate AI-powered descriptions for images and tables using multiple LLM providers.
arxiv2md
Convert arXiv papers into clean, LLM-ready Markdown via a REST API or CLI for fast reading, summarization, and downstream processing.
Retriever (Membrane) Integration
Integrate with Retriever via the Membrane CLI to search, query, and proxy Retriever data (documents, snippets, queries) with built-in auth and pagination.
Scite Database (Smart Citations)
Query Scite.ai Smart Citations by DOI to report supporting, contrasting, and mentioning citation counts and help assess a paper's reliability.
Writing Implementation Plans
Generate detailed, engineer-ready implementation plans from design docs: file paths, step-by-step tasks, tests, and verification instructions.
NotebookLM Research Agent
End-to-end research-to-content pipeline: ingest sources into Google NotebookLM, run deep cited research, generate downloadable artifacts, and produce polished c