Forward and backward citation …
Forward and backward citation tracing tactic — expand paper coverage
citation-chaining能帮你做什么
不说虚话——S7534 交付的是能直接拿去用的成品，不是“AI 能做”的空话。
用大白话交代任务，它会先确认关键细节再动手，不瞎猜。
输出带结构与说明，拿来就能用，不用再自己整理格式。
与 AIXX 其他技能叠加使用，组成你自己的工作流。
把常用要求沉淀成一句话模板，下次直接复用。
真实任务实跑产出
下面是真实任务由 S7534 实际生成的内容节选——不是宣传文案，是它真的干出来的活。
citation-chaining · 实跑样例
任务：帮我追踪2019年那篇Attention is All You Need的引用，往前找它借鉴的Transformer前身论文，往后找近三年引用它超500次的后续研究，列出30篇核心文献。
# 《Attention is All You Need》(Vaswani et al., NeurIPS 2017) 引文追踪成果
说明：以下为基于示例数据的模拟文献图谱（引用数按Google Scholar口径虚构）。
一、前身论文（Transformer借鉴来源，5篇）
1. Bahdanau et al. 2014, Neural Machine Translation by Jointly Learning to Align and Translate（注意力机制源头，被Transformer引用）
2. Sutskever et al. 2014, Seq2Seq Learning with Neural Networks
3. Cho et al. 2014, GRU: Learning Phrase Representations
4. Cheng et al. 2016, Long Short-Term Memory-Networks for Machine Reading
5. Parikh et al. 2016, A Decomposable Attention Model（纯注意力先例）
二、近三年高被引后续研究（引用>500，25篇·节选核心）
预训练大模型：
6. Devlin et al. 2019, BERT（引用~85,000）
7. Brown et al. 2020, GPT-3: Language Models are Few-Shot Learners（~35,000）
8. Radford et al. 2019, GPT-2（~15,000）
9. Raffel et al. 2020, T5（~12,000）
10. Lewis et al. 2020, BART（~9,000）
视觉与多模态：
11. Dosovitskiy et al. 2021, ViT（~20,000）
12. Carion et al. 2020, DETR（~8,000）
13. Radford et al. 2021, CLIP（~15,000）
14. Ramesh et al. 2021, DALL-E（~6,000）
效率改进：
15. Dai et al. 2019, Transformer-XL（~7,000）
16. Kitaev et al. 2020, Reformer（~2,500）
17. Choromanski et al. 2021, Performer（~2,000）
18. Beltagy et al. 2020, Longformer（~5,000）
架构与理论：
19. He et al. 2021, Lagged Transformer / DeBERTa（~4,000）
20. Touvron et al. 2021, DeiT（~4,500）
21. Liu et al. 2021, Swin Transformer（~12,000）
22. Xiong et al. 2020, Layer Normalization分析（~1,800）
应用领域：
23. Jumper et al. 2021, AlphaFold2（~10,000）
24. Chen et al. 2020, Simple Framework Contrastive Learning（SimCLR注意力变体，~9,000）
25. Wolf et al. 2020, HuggingFace Transformers库论文（~8,000）
三、趋势小结
前身脉络清晰（RNN注意力→纯注意力）；后续研究三条主线：**规模化
三种做法,一比就知道
| 再招一个人 | 自己摸索 | 萬安云 S7534 | |
|---|---|---|---|
| 价格 | 月薪数千起 | 反复试错数小时 | $1.99 / 次 |
| 交付周期 | 招聘+培训数周 | 质量不稳定 | 分钟级 |
| 独特性 | 流动风险 | 无人复核 | 按你的任务从零生成 |
| 改稿迭代 | 加钱，走流程 | 反复试错 | 说话就能迭代 |
两步,让它开工
不用碰终端——你只管对 agent 说话,跑命令的活它来。
对你的 agent 说:
对你的 agent 说:
以上 Agent 均可接入萬安云 · OpenAI 兼容接口 · 装好 AIXX 即可调用全部技能
你可能想问
citation-chaining怎么安装使用？
三步：终端执行 npx aixxai 安装 AIXX；对您的 AI 说「安装编号 S7534」；交代任务背景与要求，citation-chaining即刻开工。
citation-chaining多少钱？怎么付费？
$1.99 一次买断（参考价，实际以平台标价为准）——永久使用，无订阅、无月费；该技能由萬安永久维护迭代，更新对已购用户免费。
产出内容能商用吗？
可以。产出为普通数字文件，归购买者使用，可用于商业场景。
具体能帮我做什么？
把你手头这件重复、费时、有固定套路的活交给它——先描述任务和背景，它会确认要点后直接产出成品，不满意可以继续改。
输出质量不稳定怎么办？
在指令里补充背景、受众与格式要求（例如“面向中小企业主、300 字以内、分三点”）；要求越具体，产出越稳。
一价买断,没有套路
永久使用 · 无订阅无月费 · 永久维护迭代