القائمة
精读AI论文，按8问拆解+Q&A检测+疑点标记，输出结构化的技术理解。 当用户需要阅读、精读、拆解 AI/LLM/Agent/RAG 相关论文时使用。 触发词：精读论文、读论文、论文拆解、paper reading、paper review、论文笔记。 不适用于：非 AI 领域论文、只需要摘要的场景。
التثبيت باستخدام Codex أو Claude انسخ هذا Prompt والصقه في Codex أو Claude أو مساعد آخر ليراجع صفحة Skill ويثبّتها لك.
استنادا إلى تصنيف SOC المهني
| name | ai-paper-reading |
| description | 精读AI论文，按8问拆解+Q&A检测+疑点标记，输出结构化的技术理解。 当用户需要阅读、精读、拆解 AI/LLM/Agent/RAG 相关论文时使用。 触发词：精读论文、读论文、论文拆解、paper reading、paper review、论文笔记。 不适用于：非 AI 领域论文、只需要摘要的场景。 |
"读论文"、"帮我拆解这篇论文"、"这篇论文讲了什么"、"精读"
选论文 → AI 辅助预读 → 结构化拆解 → 费曼输出 → 边界检测
2min 5min 12min 8min 3min
请用 5 句话以内告诉我：
1. 这篇论文要解决什么问题？
2. 核心方法是什么（一句话，不用公式）？
3. 跟之前的方法比，关键差异是什么？
4. 实验效果提升了多少（给一个数字）？
5. 最大的局限性或未解决的问题是什么？
如果预读后 3 个问题都答不上来 → 换一篇，这篇可能不适合你当前水平
请以"严格的论文审稿人"身份，精读这篇 AI 论文。
你的目标是帮我彻底理解它的技术逻辑。
## Q1 问题定位
它要解决什么痛点？这个痛点是真实存在的还是假设的？
（判断标准：论文是否给出了具体的失败案例或数据来证明痛点存在？）
## Q2 方法核心
解决方案的核心思路是什么？
输入是什么、经过什么处理、输出是什么？
不要抛公式，用自然语言描述数据流转。
## Q3 关键差异
它和之前的主流方法有什么本质不同？
（追问：如果只是换了个更大的模型/更多的数据，不算本质不同）
## Q4 实验证据
用什么数据集？评估指标是什么？结果比 baseline 好多少？
（追问：这个提升幅度在工程实践中是否有意义，还是纯学术刷点？）
## Q5 祛魅与局限
这篇论文的局限性或潜在问题是什么？
什么情况下这个方法会失效？
（要求：至少列出 2 个局限，不能只说"未来可以改进"）
## Q6 知识关联
它和以下哪个概念有直接关系？是什么关系？
- RAG（检索增强生成）
- Agent（感知/规划/记忆/工具调用）
- Transformer / 注意力机制
- Prompt 工程
- RLHF / 对齐
- MoE（混合专家）
（如果都不相关，请说明它属于哪个独立方向）
## Q7 直觉类比
用日常生活中的类比（做饭、开车、搭积木、图书馆找书等）
来解释这篇论文的核心思想。要让完全不懂 AI 的人也能听懂。
## Q8 检验题
设计 2 道题检验我是否真懂了：
- 概念题：检验我是否理解了核心方法
- 反事实题："如果去掉 X 模块，结果会怎样？"
检验我是否理解了设计选择的理由
## 约束
- 不要概括，要拆解
- 不要写"本文提出了一个创新方法"这类空话
- 术语保留英文原文（如 "Retrieval-Augmented Generation"）
- Q8 的答案和你对答案的解释必须分开放
- 每个回答控制在 150 字以内
我刚才对这篇论文的理解是这样的：
[粘贴你的理解]
请指出：
1. 我哪里说错了？
2. 我遗漏了什么关键点？
3. 有没有更好的类比可以替换我用的那个？
用以下 3 个问题追问 AI，检验理解的边界：
1. 这篇论文的假设前提是什么？
（例如：假设训练数据充足？假设标签质量高？假设推理时间不受限？）
2. 什么情况下这个方法会彻底失效？
（不是"效果变差"，是"完全不能用"的场景）
3. 如果我要在实际产品中用这个方法，
最大的工程挑战是什么？（不是学术挑战）
一篇论文精读完成的标志：
我已经读完了 A、B、C 三篇论文，请帮我做一个对比表：
| 维度 | 论文A | 论文B | 论文C |
|------|-------|-------|-------|
| 解决问题 | | | |
| 核心方法 | | | |
| 关键假设 | | | |
| 适用场景 | | | |
| 不适用场景 | | | |
| 是否开源 | | | |
如果明天面试需要快速建立对某领域的基础理解：
版本：v1.0 | 创建：2026-05-22 本 skill 设计原则：让 AI 做提取和拆解，人做理解和判断。不是"AI 替人读"，而是"AI 帮人读得更深"。