bear-trace Skill：让 Claude 替你做文献考古的传承线工具

Skill超级捕获手 技术创作者 2026-07-28 26 阅读

让 Claude 替你做文献考古：向前追溯 3 层知识脉络

在学术研究里，「这个方向是怎么走到今天的」这个问题，比任何单篇论文都重要。但人工做一次文献溯源，需要读几十篇论文、梳理传承关系，至少大半天。

bear-trace 就是来解决这个问题的——它是一个 Claude Skill，输入一个研究主题或一篇种子论文，自动向前追溯 3 层前驱工作，再补充最新进展，输出一条带节点关系标注的传承时间线。所有结论都锚定在真实检索到的文献上，不从记忆里补节点。

功能与原则

bear-trace 来自 bear-research-skills 套件，后者是一套面向学术科研场景的 Claude Skill 工具链。套件内含 bear-support（文献支撑）、bear-counter（论点攻防）、bear-map（概念地图）、bear-scoop（撞车检测）和 bear-trace（溯源演进）共 5 个独立技能，支持单独安装或串联成工作流。

核心设计原则：真实检索驱动，不用记忆填充。bear-trace 的每次检索都走 scimaster-cli（依赖 Node.js >= 20），结果写入 evidence ledger（证据账本），输出物中的每一篇论文都能回溯到对应的检索记录。没有检索到的节点，明确标注为「检索缺口」，不伪造传承边来填补空白。

认可度

bear-research-skills 套件于 2026-06-13 在 GitHub 公开，2026-07-25 推送最新版本后，于 2026-07-28 同步上线 SkillHub.club New 板块并获得首页露出机会。截至 2026-07-28，套件 Star 数约 64（GitHub），Fork 14，仍处于快速增长窗口期。SkillHub 今日 New 榜优先推荐，社群讨论度高。

链接

GitHub：https://github.com/fei0810/bear-research-skills

原作者

GitHub 用户 fei0810，中文名「熊言熊语」，署名介绍为学术科研工作者。主力维护 bear-research-skills 套件，同时运营 scimaster-cli 命令行检索工具（SciMaster 学术检索平台的 CLI 界面）。

介绍

bear-trace 的典型使用方式：输入一个研究领域（例：单细胞测序、注意力机制），Skill 自动执行约 4-5 次 sci search，从当前标志性工作出发，逐层向前追溯每一代前驱论文，找出方法来源、问题来源、证据来源或领域转折点，最后补充近 1-2 年最新进展，串成一条从根源到前沿的完整传承线。

输出格式包含四个文件：终端 TUI 即时摘要（竖向时间线）、report.md（结构化 Markdown，含 YAML front matter，Obsidian 友好）、report.html（自包含 HTML，无外部依赖，支持 dark mode）、references.bib（合并去重后的 BibTeX 文献库）。

传承线中每条边必须标注关系类型，不接受「相关」或「影响了」这类模糊描述。层级之间的空档如果检索不到合适论文，就在「检索缺口」一栏如实标注，不用记忆补一篇「应该存在」的过渡节点。

除了独立使用，bear-trace 还被整合进两个高级工作流：bear-propose（bear-scoop → bear-support → bear-counter 三步串联，跳槽检测结果直接指导后续检索方向，约 15-20 次检索）和 bear-review（bear-map → bear-trace 交叉识别枢纽节点，约 8-10 次检索）。

特点

  • 逐层溯源：默认 3 层前驱追溯，加 -d N 可扩展至 1-5 层，每层独立检索不靠记忆推断
  • 关系类型标注：每条传承边必须标注方法来源 / 问题来源 / 证据来源 / 领域转折，明确可查
  • 检索缺口透明：宁可留空也不伪造节点，输出末尾必有「检索缺口」说明
  • 多格式输出：TUI 摘要 + Markdown + 自包含 HTML（含 dark mode）+ BibTeX，一套检索产出全套研究材料
  • 工作流整合：支持单独使用，也能与 bear-support / bear-counter / bear-scoop 串联，适合开题、综述写作、答辩准备等不同场景

使用方法

环境准备

# 需要 Node.js >= 20
npm install -g scimaster-cli
sci init  # 粘贴 API Key 完成认证（API Key 在 https://scimaster.bohrium.com 注册后获取）
sci --version  # 确认安装成功

安装 bear-research-skills 套件

# 方式一：skills CLI（推荐，支持 Claude Code / Codex / opencode 等）
npx skills add fei0810/bear-research-skills --all  # 安装全部 5 个技能

# 方式二：Claude Code 插件市场
/plugin marketplace add fei0810/bear-research-skills
/plugin install bear-research@bear-research

# 方式三：git clone
git clone https://github.com/fei0810/bear-research-skills.git ~/.claude/plugins/bear-research

运行 bear-trace

安装套件后，在 Claude Code 中直接触发：

bear-trace <研究主题>

默认向前追溯 3 层（约 4-5 次检索）。如需更深的层数：

bear-trace <研究主题> -d 4  # 追溯 4 层

最小示例

bear-trace 注意力机制 Attention Mechanism

输出：

── 传承线 ──────────────────────────────────

2013 ● Vaswani et al. — "Attention Is All You Need"
 │ 改变了什么：用注意力机制替代 RNN/CNN，成为 NLP 标准架构
 ↓
2017 ● Devlin et al. — "BERT: Pre-training of Deep Bidirectional Transformers"
 │ 改变了什么：提出 MLM 预训练 + 下游微调范式
 ↓
2019 ● Brown et al. — "Language Models are Few-Shot Learners" (GPT-3)
 │ 改变了什么：证明大规模语言模型无需微调即可泛化
 ↓
2023 ● Touvron et al. — "LLaMA: Open and Efficient Foundation Language Models"
 │ 改变了什么：开源小规模高质量语言模型，降低研究门槛
 ↓
2025 ● 最新前沿（近 1-2 年进展）

────────────────────────────────────────────
贯穿问题：如何让语言模型高效学习通用表示
开放边缘：稀疏注意力 + 长上下文窗口的融合
检索缺口：无已知缺口

使用场景与人群

适用场景：学术开题报告（了解领域来龙去脉）、文献综述写作（梳理传承脉络）、答辩准备（预判评委从哪里质疑你的传承依据）、研究生入门新领域（快速建立概念地图 + 演化时间线）。

目标用户：高校科研人员（理工科硕博）、学术写作者、独立研究者、对某一研究问题需要快速建立系统性认知的非学术人士。

输入与输出案例

案例一：开题前了解领域背景

输入：

bear-trace 拓扑量子计算 -d 4

输出摘要（约 4 层溯源）：

── 传承线 ──────────────────────────────────
1997 ● Kitaev — "Fault-tolerant quantum computation via anyons"
 │ 领域转折：从通用量子计算转向拓扑保护的量子比特
 ↓
2000 ● Freedman — "Topological quantum computation"
 │ 改变了什么：将拓扑量子计算形式化，提出任意子编织实现量子门
 ↓
2017 ● Anyon Systems — "Lanyon-Tyler 2020 roadmap paper"
 │ 证据来源：微软率先在砷化镓系统实现非阿贝尔任意子
 ↓
2024 ● 最新进展：微软 Majorana 1 芯片发布，拓扑量子比特进入 1000 量级
────────────────────────────────────────────
检索缺口：国内拓扑量子计算实验工作较少，传承线在工程实现侧有空白

案例二：快速判断一个观点的文献依据

输入：

bear-trace 单细胞测序

输出（约 3 层，默认配置）：

── 传承线 ──────────────────────────────────
2009 ● Tang et al. — "mRNA-Seq whole-transcriptome analysis"
 │ 证据来源：首次实现单细胞全转录组测序，奠定技术基础
 ↓
2015 ● Klein et al. — "Droplet barcoding for single-cell transcriptomics"
 │ 方法来源：引入 inDrop 系统，实现高通量单细胞捕获
 ↓
2020 ● 10x Genomics Chromium — 商业化单细胞平台普及
 │ 改变了什么：降低单细胞测序成本，推动大规模单细胞图谱计划
 ↓
2024 ● 最新前沿：空间单细胞多组学、CRISPR screen + scRNA-seq 联合分析
────────────────────────────────────────────
检索缺口：无已知缺口（技术演化路径清晰）

所有节点均来自 sci search 真实检索，每条边关系类型（方法来源 / 问题来源 / 证据来源 / 领域转折）均在传承线中明确标注。

GitHub：https://github.com/fei0810/bear-research-skills

GitHub: https://github.com/fei0810/bear-research-skills

评论区

0 条评论

登录后可评论。

Skill超级捕获手 26 阅读