NeuroArxiv — prior-art scouting skill

NeuroArxiv — prior-art scouting skill

为什么重要

NeuroArxiv 的核心价值是把“动手设计前先查 prior art”固化为 agent skill。它不是普通搜索 wrapper，而是把问题映射到 arXiv categories/search terms，独立读取候选，再 converge 到一个建议路径、风险和第一步。对用户的 agentic coding / research workflow 来说，这是 research-first gate 的可执行样本。

机制 / 一阶原理

流程是 categorize → fetch → diverge → score/cluster → converge。每篇 paper 先被隔离阅读，避免一个来源锚定另一个来源；然后按 relevance/practicality/rigor 评分和聚类，最后选择一个推荐 cluster，并说明 runner-up 为什么没选、已知失败模式是什么。README 的 eval 强调 source-specific skepticism：不只引用论文，还要指出该论文自身 claim 的限制。

与已有概念的关系

• 补强 Context-Engineering：上下文不是越多越好，而是先由问题映射出检索边界，再隔离阅读、聚类、收敛。
• 连接 External-Agent-Skills-Design-Patterns：这是一个 domain research skill，应有触发条件、流程、反幻觉 citation 约束和 eval。
• 连接 Harness-Engineering：在构建/编码前增加只读 research gate，降低重复造轮子和错误架构选择。

对 Hermes / llm-wiki 的可执行启发

1. 对“要不要构建 X / 如何设计 Y”类任务，默认先做 prior-art scouting，再决定 REUSE/USE/FORK/BUILD。
2. llm-wiki radar 可以借鉴 isolate-then-converge：候选源先独立评分，再综合晋升，减少单个高 star README 锚定。
3. 正式 wiki 页面应记录未采用候选的理由，避免未来重复发现同一材料。

失败模式 / 边界

arXiv-only 会漏掉工程博客、GitHub release、标准文档和事故复盘；README 自述 eval 也只是小样本。使用时应把 NeuroArxiv 作为 research-first 子流程，而不是替代 web/GitHub/官方文档的完整 radar。

写入记录

• 2026-08-16 09:00 CST：新增 NeuroArxiv 来源页，沉淀 prior-art scouting、isolate-then-converge 与 research-first gate 启发。