paper-reader

name	paper_reader
description	解析并分析学术 PDF 论文 — 深度多模态提取文本与图表，支持结构化解析和视觉分析

Paper Reader（论文阅读器）Skill

什么时候使用

当用户提出以下需求时使用此 Skill：

• 提供了一篇 PDF 论文并要求"分析"、"阅读"或"总结"它
• 想要理解论文中的图表或公式
• 询问论文的结构或各个章节
• 提到了一个本地的 PDF 文件路径

前置条件

• Python 环境，且已安装依赖：pip install -r requirements.txt

操作指南

0. 📥 下载论文 PDF

当用户通过 paper-search MCP 工具搜索到论文后，使用此命令下载 PDF：

python skills/paper_reader/scripts/parse_pdf.py --action download --url "<arXiv_ID_or_URL>"

支持两种格式：

• arXiv ID：--url "2210.03629" → 自动拼接为 https://arxiv.org/pdf/2210.03629.pdf
• 完整 URL：--url "https://arxiv.org/pdf/2210.03629.pdf"
• 可选：--filename "ReAct.pdf" 自定义文件名（默认从 arXiv ID 自动生成）

PDF 文件保存到 data/ 目录。下载完成后，使用下方的深度解析命令分析论文。

1. 🌟 深度多模态解析（推荐首选）

一次性提取文本 + 章节结构 + 所有嵌入图片，是论文分析的最佳起点。

python skills/paper_reader/scripts/parse_pdf.py --action deep --pdf "<pdf_path>"

返回结构化 JSON，包含：

• metadata: 标题、页数、文件大小、总字符数
• sections: 各章节名称、字数、预览文本
• text: 全文文本（用于 LLM 理解和知识图谱入图）
• figures: 提取的图片列表（自动过滤了 icon/logo 等噪声图片）

⚠️ Token 成本控制规则：

• 深度解析后，禁止自动 view_file 查看图片
• 只向用户报告"共提取了 N 张图表"以及路径列表
• 仅当用户明确要求分析某张图表时，才使用 view_file 查看
• 每次 view_file 查看一张图片约消耗 500~1500 Vision Token

设计原理：文本用文本提取（零 Vision 开销），图片只提取嵌入的 figure（不做全页渲染），最大化信息密度、最小化 token 消耗。

2. 提取论文结构（零成本，无 API 消耗）

当用户想要快速了解论文各个章节时：

python skills/paper_reader/scripts/parse_pdf.py --action structure --pdf "<pdf_path>"

这将返回包含章节名称和字数的 JSON 数据。请将其格式化为表格形式呈现。

3. 提取全文

当用户需要论文的全部文本内容时：

python skills/paper_reader/scripts/parse_pdf.py --action text --pdf "<pdf_path>"

返回全文内容。可以将其用于知识抽取（传递给 add_paper_to_graph MCP 工具）。

4. 从指定页面提取图片

当用户明确要求分析某个具体的图表时：

python skills/paper_reader/scripts/parse_pdf.py --action images --pdf "<pdf_path>" --page <page_num>

此命令会将提取出的图片保存到 data/scholarmind_images/ 并返回它们的文件路径。

图表分析触发条件（仅当以下情况之一成立时才使用 view_file 查看图片）：

• ✅ 用户明确说了"分析图表"、"看看这张图"、"解释 Figure X"
• ✅ 用户提问的内容无法仅从文本中回答（如"这个系统框图的架构是什么"）
• ✅ 用户要求将图表信息加入知识图谱

禁止触发的情况：

• ❌ 用户只是说"分析论文"或"总结论文" → 文本已足够，无需看图
• ❌ 深度解析后自动查看所有图片 → 严禁，Token 浪费严重

分析图片时，结合论文 text 中引用该图表的上下文段落（如 "As shown in Fig. 2..."）能显著提升分析质量。

5. 将整页渲染为图片（仅在必要时使用）

当页面包含复杂公式、矢量图或扫描版 PDF 时，才需要全页渲染：

python skills/paper_reader/scripts/parse_pdf.py --action render --pdf "<pdf_path>" --page <page_num> --dpi 200

将渲染后的页面保存到 data/scholarmind_images/ 并返回路径。请使用 view_file 查看渲染出的页面图片并进行分析。

6. 获取 PDF 元数据

python skills/paper_reader/scripts/parse_pdf.py --action metadata --pdf "<pdf_path>"

返回标题、作者、页数、文件大小以及该文档是否为扫描版 PDF。

输出格式

始终以结构化的 Markdown 格式展示结果：

• 元数据：呈现为表格
• 结构：呈现为带有字数的有序列表
• 图片：仅列出路径和数量，不要自动查看。告知用户可以要求分析特定图片
• 对于扫描版 PDF：提醒用户，并建议使用"整页渲染 + 视觉分析"的方式

Workflow 集成推荐

在分析完一篇论文后，主动建议下一步操作：

1. "要把这篇论文加入知识图谱吗？" → 使用 add_paper_to_graph MCP 工具，将 deep 解析的全文文本传入
2. "需要分析某张具体图表吗？（共提取了 N 张图）" → 仅在用户同意后，再使用 view_file 查看指定图片
3. "需要运行相关仿真吗？" → 使用 code-execution MCP 工具