---
name: autoresearch-paper-discovery
description: 自主检索、去重并筛选可转化为 AutoResearch 优化任务的论文，核查论文与源码许可、优化面、评测、资源、效应噪声和目标 Harness 可交付性。用于从零找论文、维护候选池或在投入实现前做选题预检；不用于已经确定论文后的实验执行。
---

# AutoResearch 论文发现与候选筛选

目标不是生成一份“热门论文列表”，而是把多源发现结果收敛为有证据、可查重、可运行、可评测且可交付的候选题。论文元数据只是线索；代码、许可证、基线、评测和平台能力必须分别核实。

## 执行顺序

1. **冻结搜索合同。** 写明选题模式、领域、年份、任务类型、允许的训练/推理规模、目标指标、预算上限、目标 Harness/backend 和排除项。先按 [选题平台的两种模式](references/selection-modes.md) 区分候选池内快选与专家自主提交；搜索过程中若改变合同，保留新版本，不静默改筛选口径。
2. **多源召回。** 至少使用两个互补的学术来源：arXiv 提供预印本与版本信息，OpenAlex 提供开放学术图谱检索，Semantic Scholar 提供标题匹配、引用/参考网络与外部标识。接口和限流注意事项见 [source-apis.md](references/source-apis.md)。
3. **规范化与去重。** 优先按 DOI、arXiv ID、OpenAlex ID、Semantic Scholar paper ID 合并，再按规范 URL；只剩标题相同时保守处理同名冲突。可用 `scripts/deduplicate_candidates.py` 生成合并结果和待人工复核项。
4. **核查原始证据。** 打开论文主页、论文版本、官方源码仓库和许可证文件。聚合站的 `openAccess`、代码链接或许可证字段不能替代原始证据。没有明确源码许可证时标记 `UNKNOWN`，不能推断为可再分发。
5. **做题目预检。** 对每篇论文检查可修改的算法接口、可信 baseline、独立 evaluator、指标方向、随机性协议、效应与噪声、资源上界、容器化和目标 Harness/backend 能力。详细硬门槛见 [candidate-gates.md](references/candidate-gates.md)。
6. **查权威题库。** 通过当前任务配置的 authoritative duplicate registry 按规范标题、论文 URL 和 canonical IDs 查询，并记录数据版本、查询时间、请求摘要和原始响应引用。无法访问、数据未更新或只查本地候选池时，结论必须是 `UNKNOWN`，不能写“未重复”。
7. **写候选账本并决策。** 按 [candidate-ledger.md](references/candidate-ledger.md) 留下来源、证据和每个门槛的 `PASS`/`FAIL`/`UNKNOWN`。硬门槛有 `FAIL` 就拒绝；有 `UNKNOWN` 就进入补证，不得用热度或引用数抵消。

候选池模式可用 `scripts/rank_candidates.py` 在所有硬门槛结论之后排序；默认先排可推荐项，再在同一结论层内优先无需 GPU、pilot 成本低且时间短的候选。该排序器不会用 CPU、低价或短时长抵消失败门槛。

## 发现策略

- 从机制词、任务词和可修改组件词分别构造查询，而不是只搜完整题目。先广召回，再沿参考文献、被引论文和同作者工作扩展。
- 记录每个查询的来源、参数、时间、分页范围和结果数，避免把接口限流或分页中断误认为“没有论文”。
- 引用数只帮助排查代表性工作，不代表优化空间、可复现性或题目质量。
- 优先选择存在公开源码、明确许可证、可在受控预算重放 baseline、评测器可独立复算、算法入口明确的论文。
- 不把“可以调学习率/epoch/阈值”当方法级优化面。候选应允许改变方法、计算图、数据流或资源生命周期，并能通过固定接口比较。

## 结论格式

输出一个推荐候选、最多两个备选，以及拒绝清单。每个保留项至少写：canonical IDs、论文和源码链接、许可证据、优化面、baseline、主指标、effect/noise 证据、资源估算、目标 Harness 证据、权威查重状态、最大风险和下一次最小验证。

只有所有硬门槛都有直接证据并通过时，才写 `RECOMMEND`。否则写 `NEEDS_EVIDENCE` 或 `REJECT`，并列出缺口。不要把搜索 API 成功、仓库可克隆、容器能启动或单次正收益分别冒充完整题目验收。