Google Scholar Search Tool
基于 Google Scholar API 的学术文献搜索工具，提供学术论文、研究报告、技术文献的专业搜索能力。
When to Activate
当用户提到以下内容时自动激活：
学术搜索关键词
- "论文"、"学术"、"文献"、"研究"
- "搜索论文"、"查找文献"、"学术研究"
- "谷歌学术"、"Scholar"
特定场景
- 需要查找学术论文或研究报告
- 需要了解某领域的学术进展
- 需要查找特定作者的作品
- 需要获取引用信息和发表刊物
- 需要研究技术领域的理论依据
示例问题
- "帮我搜索关于机器学习的论文"
- "查找一下深度学习在 NLP 中的应用"
- "研究一下 Transformer 架构的学术论文"
- "找一些关于大模型训练方法的文献"
- "搜索一下 Attention mechanism 的相关论文"
Tools
serper_scholar
用途： 执行学术文献搜索，返回论文详细信息
参数：
query(必选，string)：搜索关键词num(可选，number)：返回结果数量，默认 10，最大 20gl(可选，string)：国家代码，默认 cn- 推荐值： cn（中国）、us（美国）、uk（英国）
hl(可选，string)：语言代码，默认 zh-CN- 推荐值： zh-CN（简体中文）、en（英文）
返回字段：
title：论文标题url：论文链接snippet：摘要type：文献类型（PDF、HTML 等）year：发表年份authors：作者列表publication：发表刊物/会议citationCount：引用次数
Best Practices
1. 搜索技巧
使用专业术语和技术关键词：
示例：
- ✅ "Attention mechanism neural machine translation"
- ✅ "Transformer large language models"
- ✅ "Reinforcement learning robotics"
- ❌ "机器学习"（太宽泛，结果太多）
2. 添加领域限定
明确研究领域和方法：
示例：
- ✅ "BERT semantic analysis NLP"
- ✅ "CNN image classification computer vision"
- ✅ "GPT text generation natural language"
- ✅ "Q-learning reinforcement learning agent"
3. 时间范围搜索
关注最新研究进展：
示例：
- ✅ "Large language models 2024 2025"
- ✅ "Transformer architecture recent advances"
- ✅ "Diffusion models 2023 2024"
4. 作者和机构搜索
查找特定研究者或机构的工作：
示例：
- ✅ "Geoffrey Hinton deep learning"
- ✅ "Yann LeCun CNN papers"
- ✅ "Andrew Ng machine learning"
- ✅ "OpenAI research papers"
5. 论文类型筛选
关注特定类型的文献：
示例：
- ✅ "Survey deep learning"
- ✅ "Review transformer models"
- ✅ "Tutorial reinforcement learning"
- ✅ "Benchmark NLP models"
6. 结果数量选择
根据需求调整：
- 快速浏览：
num=5（核心文献） - 全面了解：
num=10（主流研究） - 深度调研：
num=20（全面覆盖）
7. 引用信息分析
关注高引用论文和经典文献：
关注点：
- 引用次数：
citationCount高的论文通常是领域经典 - 发表年份：较新的论文代表最新进展
- 发表刊物：顶级会议（NeurIPS、ICML、ACL）质量高
Example Scenarios
场景 1：技术调研
用户提问： "研究一下 Transformer 架构的论文"
AI 行为：
// 搜索核心论文
serper_scholar({
query: "Transformer architecture attention is all you need",
num: 5
})
// 搜索后续研究
serper_scholar({
query: "BERT transformer NLP 2018 2019",
num: 8
})回复示例：
核心论文：
1. **Attention Is All You Need** (2017)
- 作者：Vaswani et al.
- 引用：100,000+
- 📄 [PDF]
后续研究：
2. **BERT: Pre-training of Deep Bidirectional Transformers** (2019)
- 作者：Devlin et al.
- 引用：80,000+
- 发表：NAACL 2019
3. **Improving Language Understanding with Generative Pre-Training** (2018)
- 作者：Radford et al. (OpenAI)
- 引用：50,000+场景 2：领域综述
用户提问： "找一些关于强化学习的综述论文"
AI 行为：
serper_scholar({
query: "Survey review reinforcement learning",
num: 8
})回复示例：
强化学习综述论文：
1. **Reinforcement Learning: A Survey** (2021)
- 引用：5,000+
- 类型：综述
2. **Deep Reinforcement Learning: An Overview** (2020)
- 引用：8,000+
- 类型：综述
3. **Recent Advances in Deep Reinforcement Learning** (2022)
- 引用：2,000+
- 类型：综述场景 3：作者研究
用户提问： "查找 Geoffrey Hinton 的深度学习论文"
AI 行为：
serper_scholar({
query: "Geoffrey Hinton deep learning backpropagation",
num: 10
})回复示例：
Geoffrey Hinton 的经典论文：
1. **Deep Learning** (2015)
- 合作：LeCun, Bengio
- 发表：Nature
- 引用：50,000+
2. **Backpropagation Applied to Handwritten Zip Code Recognition** (1989)
- 引用：10,000+
3. **Reducing the Dimensionality of Data with Neural Networks** (2006)
- 引用：30,000+场景 4：最新进展
用户提问： "2024-2025 年大模型有什么新进展"
AI 行为：
serper_scholar({
query: "Large language models 2024 2025 advances",
num: 10
})回复示例：
2024-2025 大模型研究进展：
1. **Scaling Laws for Neural Language Models** (2024)
- 持续探索模型规模与性能关系
2. **Instruction Tuning for Large Language Models** (2024)
- 指令微调方法改进
3. **Chain-of-Thought Prompting** (2024)
- 推理链提示技术场景 5：跨学科搜索
用户提问： "搜索机器学习在医疗诊断中的应用论文"
AI 行为：
serper_scholar({
query: "Machine learning medical diagnosis healthcare",
num: 8
})回复示例：
医疗诊断中的机器学习：
1. **Deep Learning for Medical Image Analysis** (2021)
- 引用：8,000+
- 应用：影像诊断
2. **Machine Learning in Clinical Diagnosis** (2022)
- 引用：3,000+
- 应用：辅助诊断
3. **AI in Healthcare: A Survey** (2023)
- 引用：2,000+
- 类型：综述Limitations
- 搜索结果来源： Google Scholar，可能受地区影响
- 访问限制： 某些论文需要订阅或付费访问
- 结果数量： 最多 20 条
- 更新延迟： 最新论文可能需要一段时间才会被收录
- 语言偏好： 英文论文数量远多于中文
Configuration
环境变量配置
编辑 ~/.openclaw/gateway.env：
SERPER_API_KEY=your-api-key-here获取 API Key
访问 https://serper.dev/ 注册并获取 API Key。
免费额度：每月 2,500 次调用（Web 和 Scholar 共享）。
Related Tools
- serper_search： 普通网页搜索
- web_fetch： 获取单个网页的详细内容
Tips
- 混合使用： 先用 serper_search 了解概念，再用 serper_scholar 深入研究
- 引用优先： 优先阅读高引用论文（通常是领域经典）
- 关注年份： 平衡经典文献和最新研究
- 追踪作者： 找到重要作者后，搜索其全部作品
- PDF 访问： 尝试访问论文页面，寻找免费版本
Version History
- v1.0 (2026-02-06)：初始版本，基础学术搜索功能
- 支持 Google Scholar API - 提供论文详细信息（作者、年份、引用等） - 集成 OpenClaw Skill 系统
💡 提示： 学术搜索时，尽量使用英文关键词，英文论文数量和质量通常更高。