diff --git a/skills/litmap/SKILL.md b/skills/litmap/SKILL.md
new file mode 100644
index 0000000..5c95021
--- /dev/null
+++ b/skills/litmap/SKILL.md
@@ -0,0 +1,62 @@
+---
+name: litmap
+version: 1.0.0
+description: "文献地图生成器：把一批文献题录（.bib/.ris 或标题列表）按主题归类，按年份铺出时间线图景，并启发式指出冷门主题、停滞主题、新兴主题三类研究缺口。当用户提到「文献综述框架」「文献主题归类」「文献地图」「这领域做到哪了」「找研究缺口」「literature review」时触发。"
+metadata:
+  requires:
+    optional_bins: ["python"]
+---
+
+# litmap（文献地图生成器）
+
+文献囤了一文件夹没看？litmap 帮你理成「这领域到哪了」：按主题归类、按年份铺出
+时间线，并指出可能的研究缺口。
+
+## 何时使用本技能
+
+- 把囤的论文理成一张主题地图
+- 看清某方向做到哪、还剩什么空白
+- 想要综述的骨架与几个能接着做的方向
+
+## 与同类工具的区别
+
+同类综述工具多依赖在线检索或 LLM 直接写综述。本技能**纯本地、纯标准库**，处理的是
+你已经收集好的题录，聚焦「主题归类 + 时间线 + 缺口启发」三件结构化的事。尤其是
+**停滞主题检测**（某主题最新文献已数年无更新）和**新兴主题检测**，是单纯堆摘要给不出
+的洞察。它给综述脚手架与缺口线索，不替你写综述结论。
+
+## 三个核心能力
+
+| 能力 | 说明 |
+|------|------|
+| 主题归类 | 按主题桶关键词把文献分到若干主题组 |
+| 时间线图景 | 按年份统计文献量，文本柱状图铺出分布 |
+| 缺口启发 | 冷门（文献少）/ 停滞（近年无新作）/ 新兴（新近出现量小）三类 |
+
+## 工作流
+
+```bash
+# 从题录文件
+python scripts/litmap.py --inputs refs.bib --output map.md
+# 从标题列表（一行一条，可写 "标题 | 年份"）
+python scripts/litmap.py --titles titles.txt --format json
+```
+
+| 参数 | 说明 |
+|------|------|
+| `--inputs` | 一个或多个 .bib/.ris 文件 |
+| `--titles` | 一行一条的标题列表（可含 `| 年份`） |
+| `--format` | `markdown`（默认）或 `json` |
+| `--output` | 输出文件 |
+
+## 注意事项
+
+- 主题桶覆盖常见 AI/医学主题，可在 `litmap.py` 的 `TOPIC_BUCKETS` 中扩充。
+- 一条文献可同时归入多个主题（如「对比学习做分割」同属两类）。
+- 缺口启发是基于规模与时间的线索，需你结合领域判断核实。
+- 全程离线，不调用任何文献库。
+
+## References
+
+- [topics.md](references/topics.md) — 主题桶与归类规则
+- [gap-heuristics.md](references/gap-heuristics.md) — 三类缺口的判定逻辑
diff --git a/skills/litmap/references/gap-heuristics.md b/skills/litmap/references/gap-heuristics.md
new file mode 100644
index 0000000..a72da79
--- /dev/null
+++ b/skills/litmap/references/gap-heuristics.md
@@ -0,0 +1,39 @@
+# 缺口启发判定逻辑
+
+litmap 从主题规模与时间分布出发，给出三类缺口线索。它们是「值得你去核实的方向」，
+不是定论。
+
+## 冷门主题（少有人碰）
+
+判定：某主题文献数 ≤ 2 篇，且 ≤ 总量的 10%。
+
+含义：这个子方向在你的文献集里几乎没人做。可能是真空白（机会），也可能是死胡同
+（已被证明不可行）——需要你判断是哪种。
+
+## 停滞主题（近年无新作）
+
+判定：某主题最新一篇文献距全集最新年份 ≥ 3 年。
+
+含义：这个方向曾有人做，但近几年没人更新了。可能因为问题已解决、热度转移，也
+可能因为遇到瓶颈被搁置。若有新数据/新工具，停滞主题往往是「重启」的好机会。
+
+## 新兴主题（新近出现量小）
+
+判定：某主题起始年份 ≥ 全集最新年份 − 2，且文献数 ≤ 3 篇。
+
+含义：这个方向刚冒头、量还小，可能是正在升温的前沿。早进入有先发优势，但也要
+警惕是否只是短暂热点。
+
+## 怎么用这些线索
+
+- 冷门 + 你判断有价值 → 可能是被忽视的机会。
+- 停滞 + 有新方法可用 → 经典问题重做。
+- 新兴 + 与你方向相关 → 尽早布局。
+
+三类缺口都需要结合你对领域的理解二次确认，工具只负责把「数字上的异常」标出来。
+
+## 局限
+
+- 判定依赖年份信息，题录缺年份时缺口分析会失真。
+- 文献集规模小时（< 10 篇）统计意义有限，结论仅供参考。
+- 主题归类基于关键词，归类粒度受主题桶设计影响。
diff --git a/skills/litmap/references/topics.md b/skills/litmap/references/topics.md
new file mode 100644
index 0000000..3cb37a1
--- /dev/null
+++ b/skills/litmap/references/topics.md
@@ -0,0 +1,38 @@
+# 主题桶与归类规则
+
+## 归类方式
+
+每条文献取「标题 + 关键词」做小写匹配，命中某主题桶的任一关键词即归入该主题。
+一条文献可同时归入多个主题（如「对比学习做分割」同属「对比/自监督学习」与「分割」）。
+未命中任何桶的归入「其它/未分类」。
+
+## 预设主题桶
+
+| 主题 | 命中关键词（部分） |
+|------|------------------|
+| 对比/自监督学习 | contrastive, self-supervised, 对比, 自监督 |
+| 迁移/域适应 | transfer, domain adaptation, 迁移, 域适应 |
+| 分割 | segmentation, 分割 |
+| 检测 | detection, 检测 |
+| 分类/识别 | classification, recognition, 分类, 识别 |
+| 生成模型 | generative, gan, diffusion, vae, 生成, 扩散 |
+| 图神经网络 | graph neural, gnn, 图神经 |
+| 大模型/预训练 | pretrain, foundation model, llm, 预训练, 大模型 |
+| 可解释性 | interpret, explainable, 可解释 |
+| 小样本/零样本 | few-shot, zero-shot, 小样本, 零样本 |
+| 医学应用 | medical, clinical, 医学, 临床 |
+| 鲁棒性/对抗 | robust, adversarial, 鲁棒, 对抗 |
+
+## 扩充主题桶
+
+主题桶定义在 `litmap.py` 的 `TOPIC_BUCKETS` 字典里。换领域时，把上面的桶替换成
+你领域的主题词即可（如材料、金融、遥感各有自己的主题体系）。关键词中英文混排，
+覆盖中英文题录。
+
+## 输入格式
+
+| 格式 | 取用字段 |
+|------|---------|
+| .bib | title, year, keywords |
+| .ris | TI/T1, PY/Y1, KW |
+| 标题列表 .txt | 每行「标题」或「标题 \| 年份」；无年份时尝试从标题中提取 4 位年份 |
diff --git a/skills/litmap/scripts/litmap.py b/skills/litmap/scripts/litmap.py
new file mode 100644
index 0000000..bc4ffe7
--- /dev/null
+++ b/skills/litmap/scripts/litmap.py
@@ -0,0 +1,286 @@
+"""litmap：文献地图生成器。
+
+把你存的一堆文献题录（.bib / .ris，或一行一条的标题列表），理成一张「文献地图」：
+按主题归类、按年份铺出时间线图景，并启发式地指出可能的研究缺口（哪些主题少有人
+碰、哪些主题近年没人更新）。
+
+三个核心能力：
+1. 主题归类——从每条文献的标题/关键词中抽取主题词，按预设主题桶 + 高频词聚类，
+   把文献分到若干主题组，看清「这领域分成哪几块、各块有多少工作」。
+2. 时间线图景——按年份统计各主题的文献量，用文本柱状图铺出时间分布，看清
+   「这方向哪年热、近年还活跃吗」。
+3. 缺口启发——基于主题规模与时间分布，提示三类可能缺口：冷门主题（文献少）、
+   停滞主题（近年无新作）、新兴主题（仅近年出现、量还小）。
+
+本工具纯本地、纯标准库：不联网、不调用任何文献库。它处理的是你已经收集好的题录，
+帮你从「一文件夹论文」理出「这领域到哪了」。它给的是综述的脚手架与缺口线索，不替
+你写综述结论。
+
+用法：
+    python litmap.py --inputs refs.bib --output map.md
+    python litmap.py --titles titles.txt --format json
+"""
+
+from __future__ import annotations
+
+import argparse
+import json
+import re
+import sys
+from collections import Counter, defaultdict
+from pathlib import Path
+from typing import Any
+
+if hasattr(sys.stdout, "reconfigure"):
+    try:
+        sys.stdout.reconfigure(encoding="utf-8")
+    except Exception:
+        pass
+
+
+# 主题桶：主题名 -> 关键词（命中即归入该主题）
+TOPIC_BUCKETS = {
+    "对比/自监督学习": ["contrastive", "self-supervised", "self supervised", "对比", "自监督"],
+    "迁移/域适应": ["transfer", "domain adaptation", "domain-adaptation", "迁移", "域适应"],
+    "分割": ["segmentation", "segment", "分割"],
+    "检测": ["detection", "detect", "检测"],
+    "分类/识别": ["classification", "recognition", "classify", "分类", "识别"],
+    "生成模型": ["generative", "gan", "diffusion", "vae", "生成", "扩散"],
+    "图神经网络": ["graph neural", "gnn", "graph network", "图神经"],
+    "大模型/预训练": ["pretrain", "pre-train", "foundation model", "large language", "llm", "预训练", "大模型"],
+    "可解释性": ["interpret", "explainab", "explainable", "可解释"],
+    "小样本/零样本": ["few-shot", "zero-shot", "few shot", "小样本", "零样本"],
+    "医学应用": ["medical", "clinical", "healthcare", "医学", "临床", "医疗"],
+    "鲁棒性/对抗": ["robust", "adversarial", "鲁棒", "对抗"],
+}
+
+STOP = set("the a an and or of to in on for with by from as is are this that we our study using based novel approach method methods toward via".split())
+
+
+def parse_bibtex(text: str) -> list[dict[str, Any]]:
+    records = []
+    for m in re.finditer(r"@(\w+)\s*\{([^,]*),(.*?)\n\}", text, re.DOTALL):
+        body = m.group(3)
+        rec: dict[str, Any] = {}
+        for fm in re.finditer(r"(\w+)\s*=\s*[{\"](.+?)[}\"]\s*,?\s*\n", body + "\n", re.DOTALL):
+            rec[fm.group(1).lower()] = re.sub(r"\s+", " ", fm.group(2)).strip()
+        records.append({
+            "title": rec.get("title", ""),
+            "year": str(rec.get("year", "")).strip()[:4],
+            "keywords": rec.get("keywords", ""),
+        })
+    return records
+
+
+def parse_ris(text: str) -> list[dict[str, Any]]:
+    records, cur, kw = [], {}, []
+    for line in text.splitlines():
+        m = re.match(r"^([A-Z][A-Z0-9])\s+-\s*(.*)$", line)
+        if not m:
+            continue
+        tag, val = m.group(1), m.group(2).strip()
+        if tag == "TY":
+            cur, kw = {}, []
+        elif tag in ("TI", "T1"):
+            cur["title"] = val
+        elif tag in ("PY", "Y1"):
+            cur["year"] = val[:4]
+        elif tag == "KW":
+            kw.append(val)
+        elif tag == "ER":
+            if cur.get("title"):
+                cur["keywords"] = "; ".join(kw)
+                records.append({"title": cur.get("title", ""), "year": cur.get("year", ""),
+                                 "keywords": cur.get("keywords", "")})
+    return records
+
+
+def parse_titles(text: str) -> list[dict[str, Any]]:
+    """一行一条：可选 '标题 | 年份' 或纯标题。"""
+    records = []
+    for line in text.splitlines():
+        line = line.strip().lstrip("\ufeff")
+        if not line:
+            continue
+        year = ""
+        if "|" in line:
+            title, _, y = line.rpartition("|")
+            title, year = title.strip(), y.strip()[:4]
+        else:
+            title = line
+            ym = re.search(r"\b(19|20)\d{2}\b", line)
+            year = ym.group(0) if ym else ""
+        records.append({"title": title, "year": year, "keywords": ""})
+    return records
+
+
+def parse_file(path: Path) -> list[dict[str, Any]]:
+    text = path.read_text(encoding="utf-8", errors="replace")
+    suf = path.suffix.lower()
+    if suf == ".ris":
+        return parse_ris(text)
+    if suf == ".bib":
+        return parse_bibtex(text)
+    return parse_titles(text)
+
+
+def classify_topic(rec: dict[str, Any]) -> list[str]:
+    """把一条文献归入命中的主题桶（可多归）。"""
+    text = f"{rec.get('title', '')} {rec.get('keywords', '')}".lower()
+    hits = [topic for topic, kws in TOPIC_BUCKETS.items() if any(k in text for k in kws)]
+    return hits or ["其它/未分类"]
+
+
+def cluster(records: list[dict[str, Any]]) -> dict[str, Any]:
+    """主题归类 + 时间线 + 缺口启发。"""
+    topic_recs: dict[str, list[dict[str, Any]]] = defaultdict(list)
+    topic_years: dict[str, list[int]] = defaultdict(list)
+    all_years: list[int] = []
+
+    for rec in records:
+        for topic in classify_topic(rec):
+            topic_recs[topic].append(rec)
+            y = _safe_year(rec.get("year"))
+            if y:
+                topic_years[topic].append(y)
+                all_years.append(y)
+
+    max_year = max(all_years) if all_years else 0
+    topics = []
+    for topic, recs in sorted(topic_recs.items(), key=lambda kv: len(kv[1]), reverse=True):
+        years = sorted(topic_years[topic])
+        topics.append({
+            "topic": topic,
+            "count": len(recs),
+            "year_min": years[0] if years else None,
+            "year_max": years[-1] if years else None,
+            "titles": [r["title"] for r in recs][:8],
+        })
+
+    gaps = _find_gaps(topics, max_year, total=len(records))
+    timeline = _build_timeline(records)
+    return {"total": len(records), "topics": topics, "timeline": timeline, "gaps": gaps}
+
+
+def _safe_year(v: Any) -> int | None:
+    try:
+        y = int(str(v)[:4])
+        return y if 1900 <= y <= 2100 else None
+    except (TypeError, ValueError):
+        return None
+
+
+def _build_timeline(records: list[dict[str, Any]]) -> dict[str, int]:
+    c: Counter[str] = Counter()
+    for r in records:
+        y = _safe_year(r.get("year"))
+        if y:
+            c[str(y)] += 1
+    return dict(sorted(c.items()))
+
+
+def _find_gaps(topics: list[dict[str, Any]], max_year: int, total: int) -> dict[str, list[str]]:
+    cold, stale, emerging = [], [], []
+    for t in topics:
+        if t["topic"] == "其它/未分类":
+            continue
+        # 冷门：文献数 ≤ 总量 10% 且 ≤ 2 篇
+        if t["count"] <= 2 and t["count"] <= max(1, total * 0.1):
+            cold.append(f"{t['topic']}（仅 {t['count']} 篇）")
+        # 停滞：最近一篇距今 ≥ 3 年
+        if max_year and t["year_max"] and (max_year - t["year_max"]) >= 3:
+            stale.append(f"{t['topic']}（最新到 {t['year_max']}，已 {max_year - t['year_max']} 年无新作）")
+        # 新兴：起始年都很近（≥ max_year-2）且量不大
+        if max_year and t["year_min"] and t["year_min"] >= max_year - 2 and t["count"] <= 3:
+            emerging.append(f"{t['topic']}（{t['year_min']} 才出现，仅 {t['count']} 篇）")
+    return {"冷门主题（少有人碰）": cold, "停滞主题（近年无新作）": stale,
+            "新兴主题（新近出现量小）": emerging}
+
+
+def _bar(n: int, peak: int, width: int = 16) -> str:
+    filled = int(round(n / peak * width)) if peak else 0
+    return "#" * filled + "." * (width - filled)
+
+
+def render_markdown(data: dict[str, Any]) -> str:
+    lines = [
+        "# 文献地图",
+        "",
+        f"共 {data['total']} 条文献，归入 {len(data['topics'])} 个主题。",
+        "",
+        "## 一、主题图景",
+        "",
+        "| 主题 | 文献数 | 年份跨度 |",
+        "|------|:----:|:----:|",
+    ]
+    for t in data["topics"]:
+        span = (f"{t['year_min']}–{t['year_max']}" if t["year_min"] else "—")
+        lines.append(f"| {t['topic']} | {t['count']} | {span} |")
+    lines += ["", "## 二、年份时间线", ""]
+    tl = data["timeline"]
+    if tl:
+        peak = max(tl.values())
+        for y, n in tl.items():
+            lines.append(f"- `{y}`  {_bar(n, peak)}  {n}")
+    else:
+        lines.append("- （题录缺少年份信息）")
+
+    lines += ["", "## 三、研究缺口启发", ""]
+    for cat, items in data["gaps"].items():
+        lines.append(f"### {cat}")
+        if items:
+            for it in items:
+                lines.append(f"- {it}")
+        else:
+            lines.append("- （未发现明显此类缺口）")
+        lines.append("")
+
+    lines += ["## 四、各主题代表文献", ""]
+    for t in data["topics"]:
+        if t["topic"] == "其它/未分类":
+            continue
+        lines.append(f"### {t['topic']}（{t['count']} 篇）")
+        for title in t["titles"]:
+            lines.append(f"- {title}")
+        lines.append("")
+    lines += ["---", "", "由 litmap 生成。基于你提供的题录做主题归类与缺口启发，给的是综述脚手架，不替你写结论。"]
+    return "\n".join(lines)
+
+
+def main(argv: list[str] | None = None) -> int:
+    p = argparse.ArgumentParser(prog="litmap", description="文献地图生成器")
+    p.add_argument("--inputs", nargs="+", help="一个或多个 .bib/.ris 文件")
+    p.add_argument("--titles", type=Path, help="一行一条的标题列表（可含 | 年份）")
+    p.add_argument("--format", choices=["markdown", "json"], default="markdown")
+    p.add_argument("--output", type=Path)
+    args = p.parse_args(argv)
+
+    records: list[dict[str, Any]] = []
+    if args.inputs:
+        for f in args.inputs:
+            fp = Path(f)
+            if fp.exists():
+                records.extend(parse_file(fp))
+            else:
+                print(f"警告：找不到 {f}", file=sys.stderr)
+    if args.titles and args.titles.exists():
+        records.extend(parse_titles(args.titles.read_text(encoding="utf-8", errors="replace")))
+
+    if not records:
+        print("错误：请用 --inputs 或 --titles 提供文献题录。", file=sys.stderr)
+        return 2
+
+    data = cluster(records)
+    out = (json.dumps(data, ensure_ascii=False, indent=2) if args.format == "json"
+           else render_markdown(data))
+    if args.output:
+        args.output.parent.mkdir(parents=True, exist_ok=True)
+        args.output.write_text(out, encoding="utf-8")
+        print(f"已写入 {args.output}")
+    else:
+        print(out)
+    return 0
+
+
+if __name__ == "__main__":
+    raise SystemExit(main())
diff --git a/skills/litmap/tests/test_litmap.py b/skills/litmap/tests/test_litmap.py
new file mode 100644
index 0000000..a10bb97
--- /dev/null
+++ b/skills/litmap/tests/test_litmap.py
@@ -0,0 +1,90 @@
+"""litmap 单元测试。"""
+from __future__ import annotations
+import sys
+from pathlib import Path
+sys.path.insert(0, str(Path(__file__).resolve().parent.parent / "scripts"))
+import pytest
+from litmap import (parse_titles, parse_bibtex, classify_topic, cluster,
+                    _find_gaps, render_markdown)
+
+
+class TestParseTitles:
+    def test_with_year_pipe(self):
+        recs = parse_titles("Some title | 2024\nAnother | 2023")
+        assert len(recs) == 2
+        assert recs[0]["year"] == "2024"
+
+    def test_year_inline(self):
+        recs = parse_titles("A paper from 2021 about X")
+        assert recs[0]["year"] == "2021"
+
+    def test_no_year(self):
+        recs = parse_titles("A title without year")
+        assert recs[0]["year"] == ""
+
+
+class TestClassify:
+    def test_segmentation(self):
+        assert "分割" in classify_topic({"title": "image segmentation method", "keywords": ""})
+
+    def test_multi_topic(self):
+        hits = classify_topic({"title": "contrastive learning for segmentation", "keywords": ""})
+        assert "对比/自监督学习" in hits and "分割" in hits
+
+    def test_unclassified(self):
+        assert classify_topic({"title": "something totally unrelated xyz", "keywords": ""}) == ["其它/未分类"]
+
+
+class TestCluster:
+    def _recs(self):
+        return [
+            {"title": "contrastive learning seg", "year": "2024", "keywords": ""},
+            {"title": "self-supervised pretrain", "year": "2023", "keywords": ""},
+            {"title": "graph neural network", "year": "2018", "keywords": ""},
+        ]
+
+    def test_total(self):
+        d = cluster(self._recs())
+        assert d["total"] == 3
+
+    def test_timeline(self):
+        d = cluster(self._recs())
+        assert d["timeline"]["2024"] == 1
+        assert d["timeline"]["2018"] == 1
+
+    def test_topics_sorted_desc(self):
+        d = cluster(self._recs())
+        counts = [t["count"] for t in d["topics"]]
+        assert counts == sorted(counts, reverse=True)
+
+
+class TestGaps:
+    def test_stale_detected(self):
+        topics = [{"topic": "图神经网络", "count": 1, "year_min": 2018, "year_max": 2018}]
+        gaps = _find_gaps(topics, max_year=2025, total=10)
+        assert any("图神经网络" in s for s in gaps["停滞主题（近年无新作）"])
+
+    def test_cold_detected(self):
+        topics = [{"topic": "可解释性", "count": 1, "year_min": 2023, "year_max": 2023}]
+        gaps = _find_gaps(topics, max_year=2024, total=20)
+        assert any("可解释性" in s for s in gaps["冷门主题（少有人碰）"])
+
+
+class TestBibtex:
+    def test_parse(self):
+        recs = parse_bibtex('@article{k,\n  title = {Deep segmentation},\n  year = {2022}\n}')
+        assert recs[0]["title"] == "Deep segmentation"
+        assert recs[0]["year"] == "2022"
+
+
+class TestRender:
+    def test_render(self):
+        d = cluster([{"title": "contrastive seg", "year": "2024", "keywords": ""}])
+        md = render_markdown(d)
+        assert "文献地图" in md
+        assert "主题图景" in md
+        assert "研究缺口启发" in md
+
+
+if __name__ == "__main__":
+    sys.exit(pytest.main([__file__, "-v"]))