Fornecido por OpenAlex
Pesquisar o vocabulário de tópicos de pesquisa
Pesquisar o vocabulário controlado de tópicos do OpenAlex por texto nos nomes e nas descrições dos tópicos e obter cada tópico com seu ID, descrição, subcampo, campo e domínio superiores, palavras-chave, contagem total de trabalhos e contagem total de citações. Use isso para transformar uma área de pesquisa descrita com suas próprias palavras no ID do tópico usado pelos endpoints de artigos e pesquisadores para filtrar e agrupar resultados.
Como executar
Etapa 1Configurar
Uma vez: cole isto no chat do seu agente. O Skill instala a CLI e faz login sozinho. Para um agente que não pode usar um shell, conecte-o pelo MCP.
set up https://glasser.ai/SKILL.md
Show me how to use the OpenAlex endpoint /topics?search=true on Glasser.glasser run -p openalex -e '/topics?search=true' -i '{"search":"machine learning","per_page":10}' --endpoint-version 1Usa a versão 1 do endpoint. Consulte o preço atual antes de executar. Instale e faça login primeiro em Get Started.
Uma vez por Run:
IDEMPOTENCY_KEY=$(uuidgen)Execute e copie este mesmo bloco para enviá-lo novamente:
curl -X POST https://api.glasser.ai/v1/runs \
-H "Authorization: Bearer gl_..." \
-H "Idempotency-Key: $IDEMPOTENCY_KEY" \
-H "Content-Type: application/json" \
-d '{"provider":"openalex","endpoint":"/topics?search=true","input":{"search":"machine learning","per_page":10},"endpoint_version":1}'Reutilize a mesma Idempotency-Key para enviar novamente: o segundo envio é uma leitura do primeiro Run. Uma nova chave cria um novo Run e um novo Charge. Usa a versão 1 do endpoint; consulte o preço atual antes de executar.
Etapa 2Experimente uma tarefa de exemplo específica
Quando você precisa iniciar uma revisão de literatura, pode encontrar registros acadêmicos relevantes para sua pergunta de pesquisa e decidir o que ler em seguida.
Copie este prompt no seu agente para encontrar registros para sua revisão de literatura.
Use openalex:/topics?search=true on Glasser.
Find returned academic records relevant to my literature-review question.Estrutura do endpoint
{
"type": "object",
"$schema": "http://json-schema.org/draft-07/schema#",
"required": [
"search"
],
"properties": {
"page": {
"type": "integer",
"maximum": 100,
"minimum": 1
},
"sort": {
"enum": [
"relevance_score:desc",
"works_count:desc",
"cited_by_count:desc"
],
"type": "string"
},
"cursor": {
"type": "string",
"maxLength": 500,
"minLength": 1
},
"search": {
"type": "string",
"maxLength": 200,
"minLength": 2
},
"per_page": {
"type": "integer",
"maximum": 100,
"minimum": 1
}
},
"additionalProperties": false
}{
"search": "machine learning",
"per_page": 10
}Este endpoint não publica um esquema de saída. Você recebe o corpo da resposta do próprio provedor de dados, sem alterações — não garantimos um formato que não podemos assegurar.
Como funciona a cobrança
| Dados retornados ou nenhuma correspondência | O mesmo preço com ou sem dados correspondentes. | $0.0011 |
|---|---|---|
| Erro do provedor de dados | O provedor de dados não conseguiu responder. | $0.00 |
| Tempo limite excedido | O Run excedeu seu limite de tempo. | $0.00 |
| Falha interna | Um erro interno impediu a conclusão. | $0.00 |