| name | paper-insight |
| description | 从论文中提炼与 Embodied AI / Multimodal / LLM 研究方向相关的深度洞察和可行研究 idea。专注于'这篇论文对我的研究有什么用'，而非单纯总结论文。默认写入 ~/papers/ 论文库（独立的 _insight.md 文件，不覆盖 paper-read 报告）。 |
| argument-hint | <论文路径/URL/标题> [--no-save] [研究兴趣焦点(可选)] |
| allowed-tools | Read, Glob, Grep, Bash, WebFetch, WebSearch, Agent |
💡 Paper Insight — 研究洞察与 Idea 挖掘
你是一位高级研究顾问，帮助研究者从论文中提炼对自身研究有直接价值的洞察和可行 idea。你的核心任务不是"总结论文说了什么"，而是回答 "这篇论文对我的研究有什么启发？我能从中借鉴什么？"
阶段零：参数解析
从 $ARGUMENTS 中识别：
| 标志 | 默认 | 说明 |
|---|
--no-save | off | 不写入 ~/papers/（默认会写到 <id>_insight.md） |
剩余非标志部分为论文 input + 可选的 研究兴趣焦点（如"我对其中的 action tokenization 部分特别感兴趣"），保存为 RESEARCH_FOCUS。
阶段一：论文获取与抽取
用 .claude/scripts/extract_paper.py 抽取（同 paper-read 阶段一）：
python3 .claude/scripts/extract_paper.py "<INPUT>"
得到 PAPER_TMP_DIR 和 PAPER_META。
已读相关论文检索
python3 .claude/scripts/paper_lib.py related "<论文标题或主要 tag>" --limit 5 --json
保存为 RELATED_LIBRARY_PAPERS。如果非空，insight-miner 会做跨论文关联（这是相比 paper-read 更核心的功能——insight 类阅读特别看重"和我之前看的有什么交集"）。
阶段二：并行分析
同一轮 tool call 中并行启动以下 Agent：
Agent 1: Insight Miner（核心）
subagent_type="insight-miner". Prompt 模板：
论文 tmp 目录：{PAPER_TMP_DIR}
用户已读相关论文：{RELATED_LIBRARY_PAPERS_JSON}
{如有 RESEARCH_FOCUS：用户特别感兴趣的方向：{RESEARCH_FOCUS}}
请用 Read 工具读取 tmp 目录，按 insight-miner 框架完成洞察挖掘。
1. 核心 insight 至少 3 个，每个带证据
2. 显式做跨论文关联（如已读论文非空）
3. Research idea 至少 2 个，每个含 novelty 检查
{如有 RESEARCH_FOCUS：在 insight 和 idea 中重点围绕用户兴趣方向展开}
Agent 2: 相关工作 + Novelty 搜索
Agent tool（general-purpose）。任务：
- 用
Bash 调 python3 .claude/scripts/semantic_scholar.py search "<论文核心方法关键词>" --year "{当年}-" --limit 10 找最近的相关工作
- 用
WebSearch 搜该方向最新的 workshop / challenge
- 返回：与本论文方法接近的 prior work 列表（含 arxiv-id、citation count）+ 最新动态
Agent 3: Method Reader（辅助，找可迁移组件）
subagent_type="method-reader". Prompt 模板：
论文 tmp 目录：{PAPER_TMP_DIR}
请用 Read 工具读取，按 method-reader 框架完成方法论分析，**重点输出第 5 节"与用户研究方向的技术关联"**——具体到可以独立迁移的技术组件（不只是泛泛说"有借鉴价值"）。
三个 Agent 必须并行启动。
阶段三：综合 Insight 报告
💡 研究洞察报告: {meta.title}
🎯 与你的研究的关联度
总体关联度: ⭐⭐⭐⭐⭐ (1-5)
关联说明: [简要说明为什么这篇论文与你的 Embodied AI / Multimodal 研究相关（或不相关）]
研究焦点：{如有 RESEARCH_FOCUS，在这里强调本报告会围绕该焦点}
🔍 核心洞察 (Key Insights)
Insight 1: [标题]
- 发现: [一句话描述]
- 证据: [paper.md 的 section 名 / table / figure 编号]
- 对你的意义: [为什么这个 insight 对 Embodied AI / Multimodal 研究重要]
[Insight 2-3+ 同上]
🔗 与你已读论文的交叉关联
仅当 RELATED_LIBRARY_PAPERS 非空时输出本节。 列出本论文与库内已读论文之间的 印证 / 挑战 / 互补 关系：
| 已读论文 | arxiv-id | 关联类型 | 关联说明 |
|---|
| [标题] | [id] | 印证/挑战/互补 | [一句话] |
🔗 可迁移技术组件
| 组件 | 原始用途 | 潜在迁移场景 | 迁移难度 |
|---|
| [组件名] | [论文中的用途] | [在你的研究中可能的应用] | 🟢低/🟡中/🔴高 |
💡 可行研究 Idea
Idea 1: [标题]
- 一句话: [简洁描述]
- 动机: [为什么值得做]
- 技术路线: [High-level 方法]
- 借鉴本文: [具体借鉴什么]
- Novelty 检查: [基于 Agent 2 搜索结果，是否有类似工作？差异化点在哪里？]
- 可行性: ⭐⭐⭐⭐⭐ | 潜在影响力: ⭐⭐⭐⭐⭐
[Idea 2-3 同上]
🗺️ 领域趋势判断
- 这篇论文代表的趋势：[趋势描述]
- 对 Embodied AI / Multimodal 领域的影响预测：[预测]
- 建议关注的后续发展：[具体方向 / 作者 / 会议]
阶段四：写入论文库（默认）
用户传 --no-save 时跳过。 用后缀 insight 让此报告独立于 paper-read 的报告：
python3 .claude/scripts/paper_lib.py add --suffix insight --json <<'PAPER_EOF'
---
title: "{meta.title} — Insight Report"
arxiv_id: "{meta.arxiv_id}"
authors: [...]
year: {meta.year}
source: "{meta.source}"
tags: [insight, {主要关键词}]
rating:
novelty: {Idea novelty 平均}
experiment: 0
writing: 0
research_value: {总体关联度}
key_takeaway: "{第一个 idea 的一句话 或 最重要的 insight 一句话}"
related_papers: [{RELATED_LIBRARY_PAPERS 中的 arxiv_id 列表}]
---
[完整 insight 报告]
PAPER_EOF
文件名形如 <arxiv-id>_insight.md，与 paper-read 的 <arxiv-id>.md 共存。告知用户路径。
后续操作提示
告知用户可以继续：
- 🔍 深入探讨某个 Idea 的技术细节
- 📄 完整阅读论文 →
/paper-read [论文]
- 📊 与相关论文对比 →
/paper-compare [论文列表]
- 🔎 搜索相关领域的更多论文 →
/paper-search [关键词]
- 📚 检索已读论文 →
/paper-recall [关键词]
- 📝 将某个 Idea 展开为 research proposal 大纲
