Literature Search

把"找文献"从一次性的会话工作流，变成可复用、可审计、可追溯的结构化资产。

本 skill 还原自 706 在 2026 年 4–7 月的真实文献检索实践——315 条学术文献综述（OpenAlex 管线）与《大退出》文献调查（WebSearch 快速扫描）两套范式。参考实现位于 digital-employees/03-research/tools/，脚本留在原位、不复制进本目录（单一事实源）；本 skill 定义的是方法，脚本是方法的一次实现。

所有项目相对路径以 $706_LOCAL 为根；先核对目标路径。上游 WebSearch 指当前宿主可用的网页检索工具。

模式选择

用户说"扫一下文献"默认走模式 A；说"建一个文献库/数据库"或给明确的研究问题要长期跟踪，走模式 B。未指定规模时先按模式 A 推进，并说明范围；只有影响检索边界的关键信息缺失时再询问。

模式 A · 快速扫描

A1. 建关键词矩阵

先按研究问题的维度拆概念群，每个概念群给出中英关键词对与优先级：

优先级规则：P0 = 报告直接引用的数据点来源；P1 = 论证增强；P2 = 延展阅读。

A2. 按问题选择检索轮次

1. 中文轮：CNKI 为主，搜每个 P0 概念群的中文关键词
2. 英文轮：英文期刊（Google Scholar 摘要可见即可，不追全文）
3. 最新轮：限定最近 12 个月的发表，专门补时间线上的新鲜文献

以上是可选检索维度，不是固定三轮或计时要求。按主题覆盖、语种和时效补缺；保留检索式、数据库、访问日期和覆盖限制。需要支持具体主张时读取原文相关段落。

A3. 产出素材清单

根据研究问题产出关键文献时间线和必要的已核验数字表：

• 关键文献时间线：| 年份 | 里程碑 | 期刊/来源 | —— 按时间排列关键文献；选中的搜索结果不足以证明整体关注度上升
• 可引用数字表：| 数据点 | 数值 | 来源 | —— 只有能在正文直接引用的数字才进这张表，来源须含作者、年份、原文链接与段落/表格定位；仅有 DOI、期刊名或聚合摘要不等于数字已核验

最后写一段核心判断：跨维度看模式（是不是共享同一条时间线？哪里"话语先行于学术"？）。参考实现见 706-production-research/emerging-social-forms-micro-observations/source/literature-survey-results.md。

模式 B · 结构化数据库

以下三脚本是中国移入人口研究的历史参考实现，位于 digital-employees/03-research/tools/。它们含固定查询、输出路径与旧分级规则，不能作为通用命令直接运行，也不要覆盖旧项目产物。新项目应明确输入、输出和纳入规则后复用方法；通用元数据处理优先使用 citation-management。历史脚本保留原位不改写：

1. collect_foreigner_landscape.py — 搜索采集：title-focused OpenAlex 查询 → 保留全部候选 → 透明过滤 → work ID 去重 → 输出 SEED 集
2. build_china_inbound_migration_litdb.py — 富集与分级：SEED → works API 补全 → 硬排除 → 分级 → 主题/方法分类 → 证据等级与置信度 → 项目字段 CSV
3. assemble_china_inbound_migration_litdb.py — 汇编：学术记录 + 策展灰色文献 register + 人工核验记录 → 去重 → 保留排除决策 → 最终 register

B1. 检索（SEED 集）

• OpenAlex API，query 列表围绕研究问题展开（如 "immigration to China" / "foreigners in China" / …），title-focused：搜索命中数不等于文献数量，只以题名匹配作为候选边界
• 规范 User-Agent：{项目名}/1.0 (mailto:{你的邮箱}) —— 使用已授权的真实联系信息；运行前以当前官方 API 文档核对访问、认证与速率要求，不填虚构邮箱
• 保留全部候选写入 openalex-candidates-*.csv，不在采集阶段丢弃任何记录

B2. 分级

对每条候选按题名（权重最高）与摘要判定状态，状态和理由都必须落库：

排除词典按类组织（参考实现里的 HARD_EXCLUDE）：方向相反类（如研究"移入中国"时排除"中国学生出国"）、历史/地理错配类、非人类/模型噪声类（cell migration、mathematical modeling）。每类排除给出理由字符串。

B3. 富集

对每条 SEED 调 https://api.openalex.org/works/{id}，补全：

• 摘要：OpenAlex 的 abstract_inverted_index 是倒排索引，需还原为顺序文本（参考 reconstruct_abstract）
• 发现摘录：从摘要中挑 RESULTS/FINDINGS 标记句，截 420 字符——这是发现线索，不是已完成原文核验的证据，须注明"来自 OpenAlex 所收摘要，以原文为准"
• 作者、机构、机构国家：注意机构 ≠ 国籍，禁止用作者名推断国籍
• 主题分类：按项目定义的主题词典打分（题名命中 ×5 + 摘要命中 ×1），取最高分作一级主题，次高分作次级主题
• 方法分类：按方法词典匹配（系统综述/民族志/定性访谈/问卷/纵向/政策文本/话语/空间/实验/回顾数据）
• 样本量：正则提取 N=… / … participants 等模式

B4. 证据等级与置信度

B5. 汇编与产出

下面是历史 register 的 35 列 schema 示例。新项目按问题保留必要字段，不要求填满所有列；无法核验的值保持缺失并注明原因：

数据库ID, 来源记录ID, 记录状态, 状态理由, 数据来源流, 出版日期, 年份, 原题名, 中文题名, 语言, 作者, 作者机构, 机构国家/地区, 来源类型, 来源大类, 发布主体大类, 期刊/发布机构, 一级主题, 次级主题, 研究人群, 地理范围, 方法, 样本量, 中文主要发现, 原文发现摘录, 证据基础, 证据等级, 纳入置信度, DOI, 来源URL, OpenAlex ID, 被引数快照, 开放获取, 访问日期, 备注

配套产出：

• academic-corpus-2020-2026.csv — 全量分级语料
• literature-register-*.csv — 最终登记表（排序：状态 → 年份倒序 → 题名）
• summary.json — 状态分布、年份分布、语言、主题分布统计
• 排除与去重决策全部保留——数据库可审计是这条管线的核心价值

产出路径

普通文献请求直接在当前项目完成；只有用户明确要求员工协作或任务管理时，任务下发才走 01→03 的 inbox frontmatter 格式（from/to/type/priority/created/deadline/task-id），任务文件里写清：研究问题、扫描范围、时间窗口、约束（快速/深度）、预期产出路径。参考 digital-employees/03-research/inbox/task_20260722_模拟系统与未来学文献扫描.md。

与下游 skill 的衔接

• 检索结果直接作为 medium-research-report-harness 的证据轨输入（来源登记表与检索日志正是该 harness 的消费对象）——两者分工：本 skill 生产文献资产，harness 消费它写报告
• 值得深读的单篇文献 → 交给 706-long-article-distilling 做八段式蒸馏入库
• 引用元数据、BibTeX 与去重 → citation-management；研究主张与方法批判 → scientific-critical-thinking
• 判断学术关注度趋势须有可比年度检索口径、数据库覆盖与去重说明；精选时间线只提供线索

方法原则

保留可审计性，并按研究问题调整历史方法：

1. 显式检索边界——题名限定适合聚焦检索；是否扩展摘要/主题词取决于召回需求。搜索命中数不是有效文献数量
2. 候选全保留——采集阶段不丢记录，丢弃只发生在有理由的分级阶段
3. 排除留痕——每条 EXCLUDED 都带理由，决策可复查
4. 机构 ≠ 国籍——绝不从作者名推断国籍
5. 覆盖不自称穷尽——OpenAlex 覆盖有边界，中文文献需 WebSearch/CNKI 补充轮
6. 摘要摘录标注来源——发现摘录一律注明来自摘要，需以原文为准