🎯 Archer

面向特定领域专家的 AI 模型架构选型调研工具 —— 输入领域 + 时间窗，输出一份带「为何相关」判定理由的可关注架构清单（JSON）。

A model architecture survey skill for domain experts —— give it a domain and a time window, get back a curated watchlist (JSON) where every entry includes a domain-specific relevance rationale.

遵循 Agent Skills 开放标准，兼容 Claude Code、Cursor、GitHub Copilot、Codex、Windsurf、Gemini CLI、Perplexity Computer 等 30+ AI Agent 平台。

解决什么问题 / What it solves

每个领域的专家都面临同样的痛点：架构创新的 80% 来自领域之外（SSM、tokenizer-free、扩散 LM、MoE 路由、长上下文等），但 arXiv / bioRxiv / Hugging Face 的信息洪流让人很难高效筛出「非本领域但对本领域高相关」的进展。手工搜索整理成本高、口径不一、容易漏。

Archer 把这件事变成一条标准化工作流：

• 锚定领域 → 多源扫描 → 用领域视角判定相关性 → 输出结构化清单
• 关键差异：每条候选的 reason 字段必须显式回答「这对你领域意味着什么、能解决什么痛点」，而不只是复述摘要

安装 / Install

npx skills add Ficere/archer

需要 Node.js。安装后 Agent 会自动发现并按需加载该技能。

Requires Node.js. Once installed, your agent will auto-discover and load this skill when relevant.

其他安装方式 / Alternative methods

手动安装 / Manual install：

git clone https://github.com/Ficere/archer.git
# 复制目录到你的 Agent 的 skills 文件夹下：
#   Claude Code:  ~/.claude/skills/
#   Cursor:       .cursor/skills/
#   Copilot:      .github/skills/
#   Codex:        ~/.codex/skills/
#   Gemini CLI:   .gemini/skills/

Perplexity Computer：

下载本仓库 zip → 在 Skills 管理页面 上传。

使用 / Usage

安装后直接用自然语言触发，无需任何配置：

帮我做一份近两周的 gLM 可关注架构清单，scope 严格限定 DNA/RNA 序列预训练模型，PLM 和 scFM 不进主体

我做小分子生成模型，想跟一下最近一个月通用 ML 里有什么对分子图建模有启发的新架构

近 30 天蛋白语言模型有什么值得关注的新架构？arXiv 和 Hugging Face 都看一下

RAG / Agent 方向最近一个季度的架构创新，重点关注上下文工程和长期记忆

功能 / Features

模块	说明
领域锚定	Step 0 强制确认 domain + inclusion/exclusion，避免输出泛化
多源扫描	6 轮 round-robin 搜索：领域内论文 / 通用 ML / tokenization / 扩散 / MoE / 中文源与 HF
相关性轴	7 个内置领域 playbook（gLM / PLM / scFM / 化学 / 视觉 / 机器人 / RAG）+ 通用兜底
日期校验	Step 2 强制 fetch_url 验证发表日期，避免把过期论文当新工作
领域价值判定	每条 reason 字段显式提到领域应用场景，而非摘要复述
结构化输出	JSON 主出（含 axis、date、metadata），可选 Markdown 渲染
数量纪律	严格控制 12-15 项，宁缺毋滥

输出格式 / Output Format

{
  "header": "🧬 2026.03.16–03.30 基因组基础模型可关注架构",
  "items": [
    {
      "title": "模型/方法名（含一行点睛副标题）",
      "summary": "100-200 字客观摘要：核心思想、关键数字、与基线对比",
      "reason": "60-150 字领域价值判定：为什么对你领域重要，具体应用路径",
      "link": "https://arxiv.org/abs/...",
      "axis": "architecture",
      "date": "2026-03-24"
    }
  ],
  "metadata": { "domain": "...", "time_window": "...", "sources": [...] }
}

完整示例见 assets/example-output.json，schema 见 references/schema.json。

内置领域 playbook 列表 / Built-in domain playbooks

Playbook	适用领域	关键相关性轴
gLM	基因组 / DNA / RNA 基础模型	编码区/非编码区差异化、染色质 3D、tokenization、长基因组上下文
PLM	蛋白语言模型	结构 grounding、序列+结构联合、蛋白生成
scFM	单细胞基础模型	跨数据集整合、细胞-基因联合表征、扰动建模
Chem/Mat	化学 / 小分子 / 材料	GNN、equivariant、SMILES tokenization、扩散生成
VLM	视觉 / 多模态	Native multimodal、视频长上下文、视觉 encoder
Robotics	机器人 / 具身智能	VLA、世界模型、cross-embodiment
RAG/Agent	检索增强 / Agent	上下文工程、长期记忆、Agent 编排

未列出的领域走通用 fallback 轴（架构 / 预训练 / tokenization / 长上下文 / 评测 / 跨模态）。详见 references/domain-playbooks.md。

独立脚本 / Standalone Script

scripts/render_markdown.py 可以脱离 Agent 平台把 Archer JSON 渲染为 Markdown 报告（Python 3，无第三方依赖）：

python scripts/render_markdown.py archer_output.json -o report.md
python scripts/render_markdown.py archer_output.json --group-by date

目录结构 / Structure

archer/
├── SKILL.md                         # 技能入口（Agent 自动读取）
├── README.md                        # 本文件
├── LICENSE
├── references/
│   ├── schema.json                  # 输出 JSON Schema
│   ├── domain-playbooks.md          # 7 个内置领域 playbook
│   ├── prompt-templates.md          # 6 类 search query 模板
│   └── markdown-template.md         # Markdown 报告模板
├── assets/
│   └── example-output.json          # 完整输出示例（gLM 领域）
└── scripts/
    └── render_markdown.py           # JSON → Markdown 渲染器

设计哲学 / Design Notes

Archer 的核心差异不在于「能搜索」，而在于工作流纪律：

• 强制 Step 0 — 没有领域定位就不开工，避免输出泛化的"AI 架构周报"
• 6 轮 round-robin — 每轮一个主题，强制覆盖通用 ML 高相关迁移类（这是领域专家最容易漏的）
• fetch_url 二次校验日期 — 搜索片段里的日期不可信
• reason ≠ summary — 每条都必须显式回答"这对你领域意味着什么"
• 数量纪律 — 12-15 项，超过这个数清单就失去了筛选价值

License

MIT