Hugging Face Papers: AI находит трендовые ML-статьи

Hugging Face Papers — главный агрегатор ML-исследований. Каждый день там появляются десятки новых работ: архитектуры, методы обучения, бенчмарки, приложения. Сообщество голосует за лучшие, оставляет комментарии, привязывает GitHub-репозитории. Но даже с фильтрацией по голосам, ручной мониторинг отнимает время: нужно сканировать заголовки, открывать каждую статью, читать аннотацию, переходить на arXiv для подробностей. К концу недели накопившийся reading list превращается в неподъёмную задачу.

Скилл HF Papers Research Discovery объединяет два инструмента — hf-papers и arxiv-source — в единый пайплайн исследования. Агент находит трендовые статьи, фильтрует по голосам, показывает метаданные и позволяет читать полный текст через диалог. Вы остаётесь в рабочем пространстве, а не переключаетесь между вкладками браузера.

Что умеет этот скилл

Пайплайн даёт агенту семь инструментов: четыре из hf-papers и три из arxiv-source. Вместе они покрывают полный цикл — от обнаружения статьи до глубокого чтения:

Ежедневный дайджест — топ статей дня на Hugging Face, отсортированных по голосам или дате
Поиск по теме — поиск статей по ключевым словам в базе Hugging Face
Полные метаданные — аннотация, авторы, GitHub-репозитории, количество голосов, AI-саммари
Комментарии сообщества — обсуждение статьи, вопросы, критика от других исследователей
Глубокое чтение — загрузка полного LaTeX-исходника статьи через arXiv, чтение по секциям

Никакой авторизации, никакого Docker — оба скилла работают через публичные API с локальным кешированием.

Утренний дайджест: что трендует сегодня

Самый частый сценарий — ежедневный обзор. Вы просите агента:

«Покажи топ-10 статей на Hugging Face Papers за сегодня»

Агент возвращает список с заголовками, количеством голосов, ссылками на GitHub (если есть) и однострочным саммари. Это занимает секунды вместо десяти минут ручного сканирования. Вы сразу видите, что стоит внимание, а что — проходная работа.

Можно уточнять: «А что нового по diffusion models?» или «Покажи только статьи с репозиториями». Агент фильтрует результаты по вашим критериям.

Поиск по теме

Когда вас интересует конкретная задача — например, efficient inference или multilingual LLMs — достаточно сказать:

«Найди статьи по efficient inference на Hugging Face»

Агент ищет по базе HF Papers и выводит наиболее релевантные результаты. Статьи с высоким числом голосов и привязанными GitHub-репозиториями подсвечиваются — это сигнал, что работа проверена сообществом и воспроизводима.

Погружение в конкретную статью

Когда вы выбрали статью (по ID или названию), агент показывает полную информацию: аннотацию, авторов, связанные ресурсы, комментарии сообщества. Это первый фильтр — за минуту вы понимаете, стоит ли тратить время на полное чтение.

Если да — агент загружает полный текст через arXiv. Вы можете читать по секциям:

«Покажи только Methodology»
«Что в Experiments? Какие метрики?»
«Перескажи Related Work»

Или попросить саммари целиком: ключевые вклады, метод, результаты, ограничения. Агент читает полный LaTeX-текст и отвечает аргументированно — не поверхностная выжимка из аннотации, а глубокий пересказ.

Сравнение и рецензия

Когда вы выбираете между несколькими подходами, агент загружает несколько статей и сравнивает их. Методы, результаты, области применения, допущения — всё в структурированном виде. Это превращает часы переключения между PDF в десятиминутный диалог.

Можно попросить критику: «Какие слабые стороны у этого подхода?» Агент анализирует полный текст и указывает на недостатки экспериментов, слишком сильные assumptions, неполную оценку.

Workflow для ежедневного использования

Вот как выглядит типичный промпт для настройки:

Каждое утро показывай топ-10 трендовых статей на Hugging Face с саммари. Когда я говорю «поиск [тема]» — ищи по HF Papers. Когда я выбираю статью — покажи аннотацию, авторы, GitHub, комментарии. Предложи глубокое чтение. Веди список просмотренных статей с однострочными выводами.

Один промпт — и агент становится вашим исследовательским ассистентом. Никакой настройки серверов, никаких API-ключей.

Для кого это полезно

ML-инженерам — мониторинг новых архитектур и методов перед имплементацией
Исследователям — ежедневный обзор литературы, поиск related work
Студентам — быстрое знакомство с полем, помощь в написании обзоров
Tech leads — отслеживание трендов и оценка релевантности новых работ для команды

Как настроить

Нужно установить два скилла:

clawhub install hf-papers
clawhub install arxiv-source

Оба работают на Node.js без внешних зависимостей. После установки достаточно промпта с описанием вашего workflow. Всё остальное скиллы берут на себя: кеширование, разбор LaTeX, извлечение метаданных.

Пример диалога

— Что трендует на Hugging Face Papers сегодня?
— Топ-5 за сегодня: [список с голосами и саммари].
— Расскажи подробнее про вторую.
— Полный abstract, авторы, GitHub: [детали]. Есть 12 комментариев. Показать?
— Да, и загрузи полный текст — хочу посмотреть Methodology.
— [Пересказ секции Methodology с ключевыми идеями.]

Четыре реплики — и вы в курсе главного тренда дня, прочитали методологию и знаете, есть ли код. Без открытия браузера.

HF Papers Research Discovery — это не замена чтению статей. Это способ быстрее находить то, что стоит читать, и быстрее понимать прочитанное. Агент берёт на себя рутину: мониторинг, фильтрация, загрузка, парсинг. Вы сосредотачиваетесь на сути — какие идеи применимы к вашей задаче.

Скачать скилл (Markdown)

«`markdown
# HF Papers Research Discovery

Следить за ML-исследованиями — значит каждый день обновлять Hugging Face Papers, сканировать десятки заголовков, открывать каждую статью ради аннотации и вручную сверять GitHub-репозитории. Вам нужен диалоговый способ находить, фильтровать и глубоко читать трендовые статьи, не покидая рабочее пространство.

Этот рабочий процесс объединяет два скилла в единый пайплайн исследования:

— Просматривайте трендовые статьи дня на Hugging Face — отсортированные по голосам или дате
— Ищите статьи по ключевым словам для любой темы
— Получайте полные метаданные статьи: аннотация, авторы, GitHub-репозитории, голоса сообщества, AI-саммари
— Читайте обсуждения и комментарии сообщества к любой статье
— Глубокое чтение полного LaTeX-исходника статьи через arXiv ID (с помощью arxiv-source)

## Необходимые скиллы

— Скилл [hf-papers](https://github.com/openclaw/skills/tree/main/skills/willamhou/hf-papers) (4 инструмента: `hf_daily_papers`, `hf_search_papers`, `hf_paper_detail`, `hf_paper_comments`)
— Скилл [arxiv-source](https://github.com/openclaw/skills/tree/main/skills/willamhou/arxiv-source) (3 инструмента: `arxiv_fetch`, `arxiv_sections`, `arxiv_abstract`) — для полного текста статьи

Не требуется Docker или авторизация — оба скилла работают через публичные API с локальным кешированием.

## Как настроить

1. Установите оба скилла:
«`bash
clawhub install hf-papers
clawhub install arxiv-source
«`

2. Промпт для агента с вашим исследовательским workflow:
«`text
Я хочу быть в курсе ML-исследований. Вот мой ежедневный workflow:

1. Каждое утро показывай топ-10 трендовых статей на Hugging Face (отсортированных по голосам)
— Для каждой статьи: заголовок, голоса, GitHub-репозиторий (если есть) и однострочное AI-саммари

2. Когда я говорю «поиск [тема]»:
— Ищи по HF Papers и покажи наиболее релевантные результаты
— Выдели статьи с привязанными GitHub-репозиториями или высоким числом голосов

3. Когда я выбираю статью (по ID):
— Покажи полную аннотацию, авторов и связанные ресурсы
— Покажи комментарии сообщества, если есть
— Спросите, хочу ли я глубокое чтение

4. Для глубокого чтения:
— Загрузи полный текст через arxiv-source
— Обобщи ключевые вклады, методологию и результаты
— Отметь связанные репозитории с кодом

Веди список просмотренных статей за день с однострочными выводами.
«`

3. Попробуйте: «Что трендует на Hugging Face Papers сегодня?»
«`