Habilidade Geradora de Pesquisas

Quando Usar

Use quando este fluxo de trabalho corresponder à solicitação do usuário: Use esta habilidade para seu fluxo de trabalho documentado.

Fonte: dair-ai/dair-academy-plugins (MIT).

Gere um artigo de pesquisa no estilo acadêmico como um único arquivo HTML autônomo.

O que esta habilidade faz

Dado um tópico e um recurso âncora público, esta habilidade:

1. Lê o recurso âncora e extrai o cenário de trabalhos relevantes.
2. Constrói uma research_bundle.json estruturada (título, taxonomia, seções, bibliografia de artigos reais).
3. Chama Kimi K2.6 via API de completude de chat do Fireworks com o pacote de pesquisa e um style_spec.json fixo.
4. Escreve um artefato HTML de arquivo único com figuras SVG inline, layout acadêmico, seções numeradas e uma lista de Referências.

O agente que usa esta habilidade é responsável apenas pela curadoria da pesquisa. Toda a prosa, figuras e HTML são gerados por Kimi K2.6 em uma única chamada de API.

Entradas do usuário

O usuário invoca esta habilidade com no mínimo:

• topic: um tópico de pesquisa conciso, por exemplo "Engenharia Agêntica" ou "Modelos de Raciocínio".
• source_url: um recurso âncora público. Qualquer lista curada, postagem de blog canônica, pesquisa arXiv, lista awesome do GitHub ou página de índice funciona. Pontos de partida sugeridos: DAIR.AI AI Papers of the Week (um índice de código aberto continuamente atualizado de artigos notáveis de IA/ML, bem adequado para tópicos amplos), um repositório GitHub awesome-*, um PDF de pesquisa arXiv ou uma página de artigos bem mantida.

Opcional:

• bibliography_size: tamanho alvo da bibliografia. Padrão 20 para uma pesquisa rápida. Use 40 a 50 para uma pesquisa abrangente, 80 a 100 para uma exaustiva. O comprimento da seção e o orçamento de tokens escalam com isso.
• section_count: número de seções, padrão 6 a 10.

Se o usuário não forneceu estes, use AskUserQuestion para coletá-los antes de prosseguir.

Requisitos

• FIREWORKS_API_KEY exportado no ambiente. O script de build o lê de os.environ.
• Python 3 com apenas stdlib (urllib). Sem dependências externas.

Fluxo de trabalho para o agente

Siga estas etapas em ordem. Não pule etapas.

Etapa 1. Ler o recurso âncora

Busque e leia source_url. Se for um repositório GitHub, busque o README e quaisquer índices README-*.md ou papers.md relevantes. Se for uma pesquisa arXiv, use o resumo, figuras e títulos de seção. Se for uma postagem de blog, leia-a na íntegra. Extraia os sub-tópicos chave e os artigos ou sistemas que ele referencia por nome.

Para tópicos amplos de IA/ML, DAIR.AI AI Papers of the Week é uma âncora particularmente rica: tem edições semanais que remontam a anos, cada uma com resumos curtos de 6 a 10 artigos notáveis, então é fácil escanear ao longo do tempo e filtrar para o subconjunto que corresponde ao seu tópico.

Se uma ferramenta de busca de artigos estiver disponível para seu agente (um MCP de Papers-of-the-Week, busca arXiv, Semantic Scholar, Google Scholar, um índice interno de uma organização, etc.), use-a para expandir o pool de candidatos além do que o recurso âncora cita diretamente.

Etapa 2. Definir a taxonomia e as seções

Esboce uma taxonomia enraizada no tópico com 4 a 8 ramificações, cada uma com 2 a 4 filhos. As ramificações devem cobrir subáreas distintas do tópico, sem sobreposição. Esboce 6 a 10 seções numeradas que correspondam à progressão da taxonomia: introdução, fundamentos, métodos, avaliação, problemas em aberto. A altura da viewport da Figura 1 escala automaticamente com o número total de folhas via contrato de geometria em style_spec.json, então taxonomias mais profundas renderizam de forma limpa.

Etapa 3. Curar a bibliografia

Escolha artigos reais dimensionados para bibliography_size. Para uma pesquisa abrangente, 40 a 50 entradas é o ponto ideal; a habilidade foi testada com até 100 entradas com max_tokens=81920 em build_artifact.py. Cada entrada deve ter: key, authors, year, title, venue, e um summary de 1 a 2 frases. Não invente artigos. O array papers de cada seção deve referenciar chaves que existem na bibliografia.

Etapa 4. Escrever research_bundle.json

Escreva research_bundle.json no diretório da habilidade (ao lado de build_artifact.py). Use templates/research_bundle_template.json como o andaime estrutural. Campos de nível superior obrigatórios: title, authors_placeholder, anchor_source, abstract_hints, taxonomy, paradigms, stack, sections, table, bibliography. Veja examples/agentic-engineering/research_bundle.json para um exemplo completo e funcional.

Etapa 5. Executar o gerador

…