文献调研 SihanLv/dsh-literature

dsh-literature — DeepSeek Harness 文献调研插件

一次查询，同时覆盖 dblp 与 arXiv。 面向 DeepSeek Harness 的文献调研能力：同时检索两个数据库，每篇论文只返回一条合并记录，取到最权威的 BibTeX，以及可获取的全文——模型无需自己在两库之间来回切换。

把 @shlv/dsh-literature 装入任意 profile（Web 或 Headless），即可获得三个面向模型的工具：literature_search、literature_bibtex 与 literature_fulltext。

快速开始

dsh plugin --profile headless add @shlv/dsh-literature
dsh plugin --profile web add @shlv/dsh-literature

一条命令装上整个系列。如需从 dsh 官方仓库（deepseek-harness）源码运行而非安装 npm 包，先设置 DEEPSEEK_API_KEY，再用本仓库自带的 literature.patch.yml 挂载：

cd # 例如 deepseek-harness
pnpm dsh --profile headless --patch /path/to/dsh-literature/literature.patch.yml \
"搜索 'Attention is all you need'，获取其 BibTeX，再下载全文"

（/path/to/dsh-literature 换成你 clone 本仓库的路径。）

为什么需要它

学术检索分散在两个覆盖互补的数据库：dblp 收录正式发表的记录（外加 arXiv cs. 预印本的 CoRR 镜像），arXiv 收录 dblp 同步滞后的预印本。让模型自己查两个库再对账，既浪费 token 又产生不一致的引用。这个 seam（两个来源共享的核心服务）一次性完成对账：去重、权威来源优先、回退，都是策略而非提示词工程。

亮点

- 每篇论文一条合并记录。 dblp CoRR 镜像、正式发表记录与 arXiv 预印本合并为一条记录——按 arXiv id（必要时从 CoRR key 反推）、其次出版商 DOI、最后归一化标题去重。
- 自动选择权威 BibTeX。 已发表论文优先正式 dblp 条目；尚未发表的预印本取引用形态正确的 arXiv @misc；dblp CoRR 镜像仅作最后兜底。不再把镜像伪产物当作正式记录引用。
- 有全文就取全文。 依次获取 arXiv LaTeX 源码包、HTML5 渲染、PDF；对仅含 DOI 或落地页的引用，通过零工具子代理解析出版商 PDF 链接并提取正文。
- 模型可复用的稳定 id。 每条合并记录携带稳定的、由插件生成的 id（arxiv:…、dblp:…、doi:…、title:…），模型可直接回传给 literature_bibtex / literature_fulltext。
- 精确的标题解析。 标题查询拉取完整的 dblp 命中列表，并在 arXiv 上做带引号的精确短语搜索，再按 BM25 标题相似度重排——即使有更新的同主题论文排在前，你要找的论文仍会胜出。
- 慢下载不阻塞回合。 literature_fulltext 默认作为 ctx.jobs 后台任务运行并立即返回 job id，用 job_output 收集结果。发布商站点上 25–60 秒的下载不会拖住 agent 循环。
- 加固的传输层。 所有请求共享一层加固的 HTTP：URL 合法性校验、禁止内嵌凭据、同源重定向且最多一次跨域跳转、字节上限、协作式超时。
- 默认礼貌限流。 两个提供方都通过限速器串行请求（arXiv 按其文档规定的 3 秒间隔，429/503 带指数退避）；单个被限流的来源不会拖垮整个搜索。

架构

系列沿用 DeepSeek Harness 的能力 seam 模式——服务定义 / 提供方 / 消费方，后置一个可安装的聚合 bundle：

| 包 | 角色 | 注册点 |
| @shlv/dsh-literature（bundle） | 安装 bundle：你只需 dsh plugin add 这一个包；它依赖四个功能包并携带挂载它们的 patch | profile bundle 层 |
| @shlv/dsh-literature-core | 服务定义（ctx.literature）：来源注册表、合并／去重／回退策略、记录解析、全文策略、共享 HTTP 传输、提取辅助、LiteratureError 分类 | ctx.literature |
| @shlv/dsh-literature-dblp | dblp 来源提供方：搜索 API、记录 XML 查找、按记录 BibTeX、CoRR↔arXiv key 桥 | 在 ctx.literature 注册来源 |
| @shlv/dsh-literature-arxiv | arXiv 来源提供方：Atom 搜索、精确 id 查找、BibTeX、全文产物下载 | 在 ctx.literature 注册来源 |
| @shlv/dsh-literature-tool | 消费方：三个面向模型的工具、schema、呈现、出版商 PDF 链接的子代理回退 | ctx.tools |

你只需安装 bundle，其余四个是它的依赖。两个来源共享一个 seam，因为它们独立演进：全文机制（tar、pdf.js）不能拖累 dblp 提供方，而且只加载一个提供方的部署仍能得到可用的搜索。

环境要求

- DeepSeek Harness 0.2.0-rc.2（已验证的基线；@deepseek-ai/dsh- peer 声明为 ^0.2.0-rc.2）。
- Node.js ^22.19 或 >=24。
- literature_fulltext 的后台模式使用 @deepseek-ai/dsh-jobs-local 与 @deepseek-ai/dsh-tool-jobs。headless profile 与 Web 的 standard Agent 预设已提供它们。自定义组合须挂载任务注册表，并在能服务调用方 Agent 的作用域中挂载任务控制工具。
- 出版商 PDF 回退需要 subagents 服务，且其 provider 支持 outputSchema（默认 spawn）。缺少时，仅含 DOI 与落地页的输入报告 LITERATURE_FULLTEXT_UNAVAILABLE；搜索、BibTeX 与 arXiv 全文仍可用。

安装与生命周期

dsh plugin --profile headless add @shlv/dsh-literature # 安装
dsh plugin --profile headless remove @shlv/dsh-literature # 卸载

升级。 发布新版本后，dsh plugin add 可能仍装到旧版本，因为 pnpm 会缓存 registry 元数据。请用显式版本安装，或先清元数据缓存：

dsh plugin --profile headless add @shlv/dsh-literature@0.1.1
或：pnpm cache clean

工具

| 工具 | 功能 |
| literature_search | 查询 dblp 与 arXiv，合并／去重，返回带稳定 id、源生标题、venue、DOI、arXiv id 与摘要的记录。 |
| literature_bibtex | 将标题、arXiv id、dblp key 或 DOI 解析为一条 BibTeX 条目——正式 dblp → arXiv @misc → dblp CoRR 镜像；年份依赖版本时附来源说明。 |
| literature_fulltext | 获取全文：arXiv 源码包 → HTML → PDF，然后——对没有 arXiv 预印本的论文——经子代理解析发布商 PDF 链接；也直接接受显式 PDF 或落地页 URL。提取的文件写入会话工作区 literature//。默认后台运行；返回有界摘要与文件路径。 |

每个工具接受一个自由形式的 query 字符串；seam 能识别标题、arXiv id、dblp key、DOI 与 URL。literature_bibtex 解析标题、arXiv id、dblp key 与 DOI（拒绝 URL 输入）；literature_search 与 literature_fulltext 额外接受 URL。

服务 API（ctx.literature）

| 成员 | 语义 |
| registerSource(source) | 注册来源（dblp 或 arxiv）；拒绝重复；返回注销函数。 |
| search(request, signal?) | 并行运行每个选中的可用来源并合并归一化命中。 |
| resolveRecord(input, signal?) | 将标题、arXiv id、dblp key、CoRR key 或 DOI 解析为一条合并记录；精确标识符优先于模糊标题匹配。 |
| bibtex(input, signal?) | 选择最权威的 BibTeX 条目（正式 dblp → arXiv → CoRR 镜像）。 |
| fulltext(input, signal?) | 按优先级获取全文（arXiv 源码 → HTML → PDF → 显式 PDF URL）。没有 arXiv 预印本的记录在 seam 层无产物，报告 LITERATURE_FULLTEXT_UNAVAILABLE；工具随后经 landingPage 与子代理解析发布商 PDF 链接。 |
| landingPage(input, signal?) | 按 DOI 或 URL 抓取出版商落地页并返回有界、压缩后的 HTML 供 PDF 链接分析。 |

合并与回退策略

- 去重按 arXiv id（存在时从 dblp CoRR key journals/corr/abs-YYMM-NNNNN 反推）、其次出版商 DOI、最后归一化标题识别同一篇论文。DOI 不同不是决定性的：CoRR 镜像携带 arXiv DataCite DOI（10.48550/…），而正式记录携带出版商 DOI。
- 合并优先正式 dblp 记录的 venue／year／DOI／BibTeX，并从 CoRR 镜像或 arXiv 命中保留 arXiv id。
- BibTeX 优先正式 dblp 记录；尚未发表的预印本取 arXiv @misc（引用形态正确，不同于 dblp CoRR 的 @article-in-CoRR 伪产物），dblp CoRR 镜像仅作最后兜底。
- 全文优先 arXiv LaTeX 源码包、其次 arXiv HTML5、再次 arXiv PDF、最后显式 PDF URL。某个产物种类失败会落到下一种（纯 PDF 提交的论文其 /e-print 返回 PDF 时，仍会经 /pdf 解析成功）。没有 arXiv id 的记录在 seam 层无产物；工具经子代理解析发布商 PDF 链接。

配置

每个包都通过你 profile 目录下 cordis.yml 中的一行接受校验过的配置（dsh 的插件配置文件）；所有值都有默认值并可在部署时调整。

| 包 | 关键选项（默认值） |
| literature-core | enabledSources（全部已注册）、searchMaxResults（10）、timeoutMs（60 000）、downloadMaxBytes（100 MB）、extractMaxChars（200 000）、summaryMaxChars（4000）、landingPageMaxChars（20 000）、maxRedirects（5）、maxUrlLength（2048）、userAgent |
| literature-dblp | baseUrl（https://dblp.org）、timeoutMs（30 000）、maxResponseBytes（5 MB）、rateLimitMs（1000）、userAgent |
| literature-arxiv | apiBase（https://export.arxiv.org）、wwwBase（https://arxiv.org）、timeoutMs（30 000）、maxResponseBytes（100 MB）、rateLimitMs（3000）、rateLimitBackoffBaseMs（3000）、rateLimitBackoffMaxRetries（5） |
| literature-tool | subagentProvider（spawn） |

模型体验

工具保持模型上下文精简：literature_search 每篇论文一行，结果被截断时附一行提示；literature_bibtex 一个围栏代码块加可选说明；literature_fulltext 返回有界摘要，提取的正文写入磁盘而非回显进提示词。seam 自身不贡献提示词或 schema；消费方拥有所有模型可见文案。

故障排查

- 安装后插件加载失败（"Cannot find module … lib/error.js"）：安装的包缺少运行时模块。请重装最新版本（dsh plugin --profile headless add @shlv/dsh-literature@）；只打包 lib/index.js 的 tarball 是坏的。
- dsh plugin add 装到旧版本：pnpm 的 registry 元数据缓存。用显式版本或 pnpm cache clean（见安装与生命周期）。
- 仅含 DOI 的论文报告 LITERATURE_FULLTEXT_UNAVAILABLE：缺少 subagents 服务或配置的 provider，或发布商屏蔽非浏览器客户端（dl.acm.org 返回 403）。此时请传入显式 PDF URL。
- 老论文的 arXiv 全文：HTML5 渲染仅对部分论文存在；seam 会回退到 arXiv 官方 PDF（由 arXiv 直接托管，不涉及发布商）。没有 arXiv 预印本的论文（仅 dblp 记录）才走发布商 PDF 链接，可能被机器人墙挡住。

开发与验证

pnpm install && pnpm run build && pnpm run typecheck && pnpm run test

仓库布局、依赖策略、发布流程与完整验证清单见 CONTRIBUTING.zh.md。

已知限制

- 发布商机器人墙：dl.acm.org 对非浏览器客户端返回 403，ACM-DL 的 DOI 会在落地页抓取阶段失败。
- arXiv HTML5 渲染仅对部分论文存在；provider 对其余种类返回 null，seam 据此回退。
- CoRR 桥仅覆盖 arXiv 的 cs.* 类目；非 CS 论文依赖 DOI 或标题匹配。
- LaTeX → 正文是有损的：源码包摘要只是剥离命令与注释，并非渲染后的文档。
- SSRF／私网屏蔽暂缓，与 web fetch provider 一致：仅 http(s)、无内嵌凭据、同源重定向且最多一次跨域跳转。

许可

MIT