zhongwei/gh-gqy20-cc-plugins-plugins-evolutionary-biology-expert

Files

Zhongwei Li 09abb8cfea Initial commit

2025-11-29 18:28:50 +08:00

6.2 KiB

Raw Permalink Blame History

name, description, allowed-tools

name	description	allowed-tools
数据整合格式化技能	专为专家分析报告生成而设计的数据整合与格式化技能。整合Google Scholar数据获取和Nature格式参考文献标准化，提供统一的数据处理流程，确保报告的数据完整性、格式规范性和可验证性。该技能避免了多个数据处理工具的切换，提供高效的一站式数据整合格式化服务。	Read, Write, Edit, Bash, Task, mcp__playwright__playwright_navigate, mcp__playwright__playwright_get_visible_text, mcp__playwright__playwright_click, mcp__playwright__playwright_fill, mcp__playwright__playwright_evaluate, mcp__playwright__playwright_screenshot, mcp__playwright__playwright_get_visible_html, mcp__article_mcp__search_literature, mcp__article_mcp__get_article_details

🔧 数据整合格式化技能

🎯 核心功能定位

高质量的分析报告需要高质量的数据支撑。

数据整合格式化技能提供统一的数据处理流程，确保：

Google Scholar数据 - 获取权威的学术影响力指标
参考文献格式化 - 生成符合Nature期刊标准的引用
数据完整性验证 - 确保所有数据的准确性和一致性
格式标准化 - 提供统一的数据输出格式

🔄 统一数据处理流程

第一步：Google Scholar数据整合

思考1：如何高效获取专家的Google Scholar数据？
- 搜索策略：专家姓名 + 机构关键词
- 数据提取：H指数、i10指数、总引用数
- 作品分析：高被引论文排序和时间分布
- 合作网络：识别高频合作者和研究兴趣

数据获取策略

搜索优化：使用专家姓名+研究领域进行精确搜索
页面解析：提取关键指标和作品列表
数据验证：交叉验证引用数据和合作者信息
更新频率：确保数据的时效性和准确性

提取的数据项

基础指标：H指数、i10指数、总引用数
作品分析：高被引论文列表、引用趋势
合作网络：主要合作者、合作关系强度
研究标签：自动识别的研究兴趣关键词
时间分布：发表论文的时间模式和趋势

第二步：参考文献标准化处理

思考2：如何将文献数据转换为标准Nature格式？
- 作者格式：姓氏全拼+名字首字母
- 期刊缩写：符合Nature期刊标准
- 年份位置：在作者后或期刊后
- DOI/PMID：确保可验证链接
- 格式一致性：所有引用保持统一格式

Nature格式标准

期刊文章格式：
[1] Author, A. B. Title of article. J. Abbrev. Volume, pages (Year).

书籍格式：
[2] Author, A. B. Title of Book (Publisher, Year).

DOI/PMID添加：
https://pubmed.ncbi.nlm.nih.gov/PMID/

自动化处理流程

作者格式化：自动转换为姓氏+首字母格式
期刊缩写：使用标准期刊缩写数据库
年份定位：根据文献类型确定年份位置
链接生成：自动添加PubMed/DOI链接
格式检查：验证所有引用的格式一致性

第三步：数据整合与验证

思考3：如何确保不同来源数据的一致性？
- 交叉验证：文献数据库与Google Scholar数据对比
- 缺失处理：处理缺失数据和异常值
- 质量评估：评估数据的可靠性和完整性
- 格式统一：确保所有数据符合模板要求

数据质量控制

完整性检查：确保所有必需数据项都有值
一致性验证：交叉验证不同数据源的信息
异常值处理：识别和处理明显错误的数据
格式标准化：统一所有数据的输出格式

📋 标准化输出格式

Google Scholar数据输出

{
  "scholar_metrics": {
    "h_index": 数字,
    "i10_index": 数字,
    "total_citations": 数字,
    "citation_trend": "上升/稳定/下降"
  },
  "top_publications": [
    {
      "title": "论文标题",
      "citations": 数字,
      "year": 年份,
      "journal": "期刊名称"
    }
  ],
  "collaboration_network": [
    {
      "name": "合作者姓名",
      "collaboration_count": 数字,
      "institution": "机构名称"
    }
  ],
  "research_interests": ["兴趣标签1", "兴趣标签2"]
}

参考文献输出

[1] Dawkins, R. The Selfish Gene (Oxford University Press, 1976).
[2] Hamilton, W.D. The genetical evolution of social behaviour. J. Theor. Biol. 7, 1–16 (1964). https://pubmed.ncbi.nlm.nih.gov/14115693/
[3] Wilson, E.O. Sociobiology: The New Synthesis (Harvard University Press, 1975).

数据质量报告

{
  "data_quality": {
    "completeness_score": 数字,
    "consistency_score": 数字,
    "reliability_assessment": "高/中/低",
    "missing_data_items": ["缺失项列表"],
    "data_sources": ["来源1", "来源2"]
  }
}

🎯 技术实现特点

高效性优势

一站式处理：避免多个工具切换的开销
批量处理：支持大量文献的批量格式化
缓存机制：避免重复的网络请求
并行处理：同时进行多个数据源的获取

可靠性保障

错误处理：完善的异常处理和恢复机制
数据验证：多层次的数据质量检查
备用方案：Google Scholar无法访问时的替代策略
重试机制：网络请求失败时的自动重试

可扩展性设计

模块化结构：数据获取和处理功能分离
配置灵活：支持不同的输出格式要求
接口标准：统一的数据输入输出接口
插件机制：支持新的数据源扩展

🔍 使用限制和注意事项

技术限制

网络依赖：需要稳定的网络连接访问外部数据源
反爬虫机制：Google Scholar可能有访问频率限制
数据时效性：外部数据可能存在更新延迟
格式变化：外部网站结构变化可能影响数据提取

使用建议

合理使用频率：避免过于频繁的数据请求
数据验证：重要数据需要人工验证
备用数据源：准备多个数据源以应对服务中断
合规使用：遵守相关网站的使用条款

这个技能整合了数据获取和格式化的完整流程，为专家分析报告提供高质量、标准化的数据支撑。

6.2 KiB Raw Permalink Blame History Unescape Escape