跳至正文
OpenAgentSkill
浏览已开放 · 目录记录日期 2026-11-21 · 自动更新和账户服务暂时关闭。
搜索与研究

Paper Deep Reader Skill

A source-grounded paper deep-reading agent skill with domain lenses, evidence audits, and adaptable delivery modes for cross-disciplinary research.

Linwei-Chen · 已有 AI 审核记录

安装与使用

运行命令前先阅读来源与依赖说明。复制命令不会自动安装或执行。

npx skills add Linwei-Chen/paper-deep-reader-skill

技能说明

Paper Deep Reader

面向跨学科科研人员的、来源可追溯的单篇论文深读 Agent Skill。它从 PDF、URL、DOI、预印本标识、标题或全文出发,适配论文领域、读者背景、研究目标、交付密度与模型视觉能力。

它不是摘要扩写器,也不把“写得很长”当成“读得很深”。它希望让读者在最短时间内回答:

  • 论文真正解决了什么具体问题?
  • 作者相对旧方法、旧理论或旧研究设计究竟改变了什么?
  • 核心机制能否用一个具体例子从头走通?
  • 关键公式、定义或分析框架怎样对应实际研究步骤?
  • 哪些图表与证据真正支撑核心结论,哪些只是作者的解释?
  • 论文值得精读、复现、引用、迁移,还是应当跳过?

默认交付一份紧凑的“讲懂版”:

为什么做 → 核心机制怎么工作 → 凭什么相信 → 在哪里会失败

核心原则是:读深不等于写长;有助理解的图表必须加入,内部审计清单不必全部倾倒给读者。

核心理念

深读与长写是两回事

阅读范围由 depth 决定,写作密度由 delivery 决定。默认可以完整核对方法、证据和附录,同时只向读者呈现改变理解或判断的内容。压缩的是重复、背景和过程记录,不是核心机制、决定性证据或结论边界。

先建立理解,再展开审计

报告先用一个最小例子讲通机制,再回到术语、公式和精确条件。需要审稿、复现或逐图表核查时,先保留可独立阅读的理解层,再把详细账本放进附录,而不是让读者先穿过几十页检查表。

完整性属于证据系统,不等于正文全量展示

所有编号图表、关键形式化对象和核心主张仍进入 manifest 与 source map。主文只选择那些删除后会导致读者误解机制、误判证据或越过边界的内容。这样既保留可审计性,也避免把后台账本变成前台负担。

图表是理解接口,不是装饰

总体框架、机制流程、关键比较、决定性结果和失效边界图,只要能显著降低理解成本,就应进入正文。选择图表不采用僵硬数量上限,而要求每张图回答一个独立问题,并说明“先看哪里、真正说明什么、不能说明什么”。

解释可以适配,事实不能随画像变化

读者背景会改变术语密度、例子、推导步长和技术重点,但不会改变论文事实、证据等级或缺失信息。跨学科类比只能搭桥,不能替代精确定义。

结论必须回到证据边界

论文自称“首个”或“SOTA”不等于已经独立验证。报告区分作者主张、直接证据、本文推断和外部背景,并明确最可信结论、最薄弱主张、替代解释与最快补强方式。

主要特性

  • 三遍阅读法:全局地图 → 机制重构 → 证据审查。
  • 理解优先:先用一个具体例子讲通机制,再回到术语、公式和精确条件。
  • 四种交付模式:brief、explain、audit、targeted。
  • 深度与篇幅分离:默认 depth: deep + delivery: explain,完整阅读但选择性表达。
  • 视觉教学:加入能讲清框架、机制、比较、证据或边界的图表,不设僵硬数量上限。
  • 证据可追溯:区分作者主张、直接证据、报告推断和外部背景。
  • 视觉能力双路由:视觉模型直接核图;无视觉模型使用结构化来源、标题、正文引用、PDF 文字层或 OCR,并明确限制。
  • 结构化读者画像:domain × audience × goal × depth × delivery × language 独立配置。
  • 多目标路由:理解、审稿、复现、教学和跨领域迁移采用不同重点。
  • 全量视觉账本:记录 Figure、Table、Algorithm、Scheme、Plate、Box 等编号对象及其核验状态。
  • 形式化零跳步:解释承重公式、定义、定理、统计量或分析框架的目标、组成、研究位置和边界。
  • 主张—证据映射:核心结论可回溯到实验、证明、观测、材料、案例或明确标注的推断。
  • 论文类型路由:方法、理论、实证/观察、数据集/基准、系统、综述采用不同审查标准。
  • 跨学科 Lens:覆盖计算机/AI、生物医学、物理/数学、化学/材料、工程、社会科学、地球环境与人文定性研究。
  • CV 深度支持:保留 backbon