news-paper-source

name	news-paper-source
description	从 news/source-from-doc.md 和 news/source-daily.md 中识别论文与综述标题，在线搜索 arXiv、期刊或实验室页面等原文来源，使用 WebSearch/WebFetch 抓取可公开的摘要或介绍内容，结合本仓库已有整理生成结构化中文摘要 Markdown 文件到 news/papers/ 下，并可选在 news/source-daily.md 中追加「延伸阅读」链接。当用户在 Word/每日汇总里提到具体论文或综述，希望进一步追踪原文或为其建立笔记时使用。

news/source* → 论文原文抓取与摘要（news-paper-source）

本 skill 在已有的 news-doc-to-md 基础上，负责从 Markdown 汇总中自动追踪论文/综述原文，并为每篇论文生成一份结构化的中文摘要 Markdown，归档到 news/papers/ 目录。

---

一、目标与适用场景

• 目标
  • 从 news/source-from-doc.md 或 news/source-daily.md 中识别被提到的论文 / 综述 / 长文。
  • 在线搜索这些论文/文章的原始来源页面（优先 arXiv / openreview / 实验室博客等公开站点）。
  • 基于原文内容 + 仓库内已有的中文整理，用自己的语言写出结构化中文摘要 Markdown，避免逐句翻译或大段拷贝。
  • 将摘要按篇写入 news/papers/<slug>.md，便于后续在 docs 或公众号文章中引用。
• 典型触发场景
  • 用户已通过 news-doc-to-md 从 news/source.docx 得到 news/source-from-doc.md，希望继续「逐篇追踪论文原文」。
  • 用户编辑了 news/source-daily.md 当日汇总，文末点明若干论文/综述，希望为这些工作分别建立论文笔记。
  • 用户在对话中提到「从 daily 里自动找这些论文原文」「帮我把 daily 里的论文整理成单篇笔记」等。

---

二、前置条件与依赖

• 文件前置
  • 优先输入：news/source-from-doc.md（由 news-doc-to-md 生成）。
  • 备选输入：news/source-daily.md（当日汇总）。
  • 若两者都不存在：说明 Word→Markdown 尚未执行，应提示用户先运行 news-doc-to-md。
• 工具依赖
  • 使用 Read / Grep：
    • 读取 news/source-from-doc.md、news/source-daily.md 内容。
  • 使用 WebSearch：
    • 按论文/综述标题、工作名、机构等关键词搜索原文页面。
  • 使用 WebFetch：
    • 抓取 HTML 论文摘要页或文章页内容，作为摘要依据之一。
  • 使用 ApplyPatch：
    • 新建或更新 news/papers/<slug>.md。
    • 可选更新 news/source-daily.md 中的「延伸阅读」小节。
• 路径约定
  • 所有路径使用仓库根目录相对路径 + 正斜杠，例如：
    • news/source-from-doc.md
    • news/source-daily.md
    • news/papers/x-vla-soft-prompted-transformer.md

---

三、整体流程总览

flowchart TD
  detectInput[detectInput] --> parseRefs[parseRefs]
  parseRefs --> searchWeb[searchWeb]
  searchWeb --> fetchSource[fetchSource]
  fetchSource --> summarizeToMd[summarizeToMd]
  summarizeToMd --> writeFiles[writeFiles]
  writeFiles --> updateDaily[updateDaily?]

• detectInput：确认本次输入 Markdown 文件及其存在性。
• parseRefs：从输入 Markdown 中抽取候选论文/综述引用列表。
• searchWeb：针对每个候选使用 WebSearch 查找最可能的原文页面。
• fetchSource：对选定页面使用 WebFetch 抓取 HTML 内容（若只有 PDF，则退化为仅用摘要页 + 本地整理）。
• summarizeToMd：基于原文 & 本地整理写出结构化中文摘要。
• writeFiles：将摘要写入 news/papers/<slug>.md，并处理去重/更新。
• updateDaily?：可选，在 news/source-daily.md 末尾维护「延伸阅读」区块。

---

四、Step 0：输入文件检测（detectInput）

1. 检查 news/source-from-doc.md 是否存在
   • 若存在：作为默认输入文件。
2. 否则检查 news/source-daily.md
   • 若存在：作为备选输入文件。
3. 若两个都不存在
   • 在对话中说明：
     • 「未找到 news/source-from-doc.md 或 news/source-daily.md，请先将 Word 文档通过 news-doc-to-md 转为 Markdown，再运行本 skill。」
   • 终止本 skill。

在接下来的步骤中，将「当前输入文件」统一称为 input_md。

---

五、Step 1：论文 / 综述引用识别（parseRefs）

5.1 典型模式

在 input_md 中，论文/综述/长文通常以以下几种方式出现（以现有 news/source-daily.md 为例）：

• 模式 A：显式论文标题 +「arXiv 论文」字样
  • 示例：arXiv 论文《X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model》
  • 特征：
    • 使用全角书名号 《...》 或引号 "..."
    • 附近出现 arXiv、论文、paper 等关键词。
• 模式 B：代表工作名 + 机构
  • 示例：SparseVideoNav（OpenDriveLab）、NavDreamer（浙江大学）、ABot-N0、GTA（Guide Them All）、LongNav-R1 等。
  • 特征：
    • 名称通常较短，含大小写字母/数字/连字符；
    • 可能跟随括号内机构/单位，如 （OpenDriveLab）。
• 模式 C：中文综述/长文标题
  • 示例：《VLN范式大洗牌｜10篇力作，拆解2026年VLN四大核心突破方向》
  • 特征：
    • 多为中文书名号包裹；
    • 附近出现 综述、长文、文章、速览 等词。

5.2 启发式抽取规则

在实现时，建议使用「正则 + 语义判断」的组合，而不是只靠一种模式：

1. 优先匹配带书名号或引号的标题片段
   • 识别 《...》、“...” 等模式；
   • 限制长度（例如 5–200 字符之间），避免整段被吃进去。
   • 检查标题前后是否出现以下关键词之一：
     • arXiv、论文、paper、preprint；
     • 综述、survey、长文。
2. 识别短工作名 + 上下文
   • 针对大写/驼峰/带连字符的短词，如：X-VLA、SparseVideoNav、NavDreamer、LongNav-R1 等；
   • 若名称附近（同一段或相邻几行）出现：
     • 提出了、工作、方法、模型、paper 等信息，
     • 或出现在「代表工作」「风向一/二/三/四」的小节下，
     • 则将其视为候选论文/项目名。
3. 关键小节下的代表工作列表
   • 对于形如 ## VLN 范式大洗牌：2026 年四大突破方向速览 的小节：
     • 在其正文中出现的带大写缩写或特定命名（如 ABot-N0、GTA、DACo、LongNav-R1、NaVIDA 等），
     • 都可以作为该领域的候选论文条目。

5.3 结构化候选条目

对每个被识别出来的候选，形成结构化数据：

• title_raw：原文中出现的完整标题/名称字符串。
• hint_keywords：从周边上下文中提取的附加信息：
  • 机构/团队（如 OpenDriveLab、高德地图）；
  • 领域/任务（如 VLN、navigation、X-VLA）；
  • 年份（如 2026）。
• type：粗略类别，常见取值：
  • paper：正式论文或技术报告。
  • survey：综述或长文总结。
  • blog：博客/新闻稿/公众号文章等。

在对话或日志中，给出类似清单，方便用户理解本次会处理哪些论文：

• [1] X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model (paper)
• [2] VLN范式大洗牌｜10篇力作，拆解2026年VLN四大核心突破方向 (survey/article)
• [3] SparseVideoNav (paper) 等。

---

六、Step 2：在线检索与来源选择（searchWeb & fetchSource）

6.1 WebSearch 检索策略

对每个候选条目，基于其 type、title_raw、hint_keywords 组合构造查询：

• 英文论文标题明显的情况
  • 查询样例：
    • "<英文标题>" arxiv
    • "<英文标题>" paper
  • 目标：优先命中 arXiv/openreview/期刊官网中的论文页面。
• 中文综述/文章标题
  • 查询样例：
    • "<中文标题>" 具身智能
    • "<中文标题>" VLN
  • 目标：找到原作者发布的渠道（如公众号、机构博客、medium 等），而非二手转载。
• 只有工作名的情况（如 SparseVideoNav、NavDreamer 等）
  • 查询样例：
    • SparseVideoNav VLN navigation arxiv
    • NavDreamer video navigation paper
  • 若 hint_keywords 中包含机构或年份，可一并加入查询。

6.2 结果筛选与优先级

在 WebSearch 返回的候选结果中，优先考虑：

1. 公开可访问的 HTML 页面
   • arXiv、openreview、期刊页面的「abstract」页；
   • 实验室官方博客、项目主页；
   • 作者个人主页中的介绍页。
2. 信息完整、权威度高
   • 含有摘要、方法简介、实验结果摘要等关键信息；
   • 避免只含标题和若干无关广告的聚合站。

对每个候选，记录：

• primary_url：最终选定的主来源链接。
• alt_urls：可选的其它较可靠链接列表。

6.3 WebFetch 抓取与 PDF 限制

• 对选定的 primary_url：
  • 若是 HTML 论文摘要/文章页：
    • 使用 WebFetch 抓取页面；
    • 从返回的 Markdown 式正文中提取：
      • 标题、作者、年份、会议/期刊；
      • 问题背景、方法简介、实验结果等信息。
  • 若只有 PDF 链接（或 HTML 内容极少）：
    • 通常无法直接抓取 PDF 正文；
    • 回退策略：
      • 仅依赖页面上的标题、简短摘要等有限信息；
      • 结合 input_md 中已有的中文整理，共同生成摘要；
      • 在输出 Markdown 的 note 中明确标注「基于公开摘要与二手资料的整理」。

---

七、Step 3：生成结构化中文摘要 Markdown（summarizeToMd）

7.1 内容原则

• 不逐句翻译、不大段搬运原文：
  • 避免超过合理篇幅的逐句直译；
  • 仅在必要处引用少量关键术语/短语。
• 用自己的话做结构化整理：
  • 以「问题—方法—实验—启发」四段式为主线；
  • 保持技术准确性，同时面向具身智能/机器人方向读者。
• 信息来源组合：
  • 原文页面抓取内容（标题、摘要、介绍等）；
  • input_md 中已有的中文整理和上下文；
  • 必要时进行合理推断，但要避免虚构具体数值/图表。

7.2 推荐输出模板（写入 news/papers/.md）

前置的 YAML 元信息区：

---
title: <论文英文标题或中文标题>
alias: [可选别名列表，如 X-VLA]
authors: [作者列表，尽量保留英文顺序]
year: 2026
venue: arXiv
primary_url: <主来源链接>
alt_urls:
  - <其它候选链接 1>
  - <其它候选链接 2>
source_from: news/source-daily.md  # 或 news/source-from-doc.md
note: 本文为基于原文及公开摘要的中文结构化整理，非逐句翻译
---

正文结构示例：

# <中文标题：可用简洁记忆点>

> *一两句导语：说明这篇工作在解决什么问题、为什么值得关注。*

## 一、这篇工作的核心问题
- 用自己的话，解释原文试图解决的核心场景和挑战。

## 二、方法与关键设计
- 先一句话概括整体思路。
- 再用 3–5 个小点展开：
  - 关键模块/架构设计；
  - 训练策略或数据配方；
  - 特别的技巧（如 Soft Prompt、Flow-Matching 等）。

## 三、实验设置与主要结果
- 简要交代数据集/平台/任务设置；
- 列出 2–4 条关键结果或对比结论；
- 特别指出与 SOTA 的差异和优势。

## 四、对具身智能/机器人生态的启发
- 提炼 2–4 条对工程或研究有启发的观点；
- 可结合本项目（Xbotics-Embodied-Guide）的关注点点评：
  - 如「跨机器人软提示的可扩展性」、「VLN 与 VLA 的融合趋势」等。

## 五、延伸链接
- [原文：<英文标题>](<primary_url>)
- [作者/项目主页（若有）](<alt_or_extra_url>)
- [本仓库中相关整理（如当日汇总）](../source-daily.md)

> *本摘要仅保留对具身智能方向较关键的核心内容，推荐与原文一起阅读。*

7.3 图表与公式的处理

• 不直接下载或嵌入原文图片，仅在文字中概述图表含义：
  • 可使用小节/列表说明「图 1 主要展示什么」「图 2 对比了哪些方法」。
• 对复杂公式：
  • 尽量用自然语言解释其含义和作用；
  • 只有在确有必要时，用简短的 LaTeX 片段记录关键符号含义。

---

八、Step 4：文件命名与写入（writeFiles）

8.1 目录与命名规则

• 目录约定

  • 所有论文摘要文件统一写入：
    • news/papers/
  • 若目录不存在，可在执行前通过 Shell 或 ApplyPatch 新建。

• slug 生成规则

  • 以论文英文标题或主要工作名为基础：
    • 全部转为小写；
    • 将非字母数字字符全部替换为短横线 -；
    • 连续多个 - 合并为一个；
    • 去除开头和结尾的 -。
  • 示例：
    • X-VLA: Soft-Prompted Transformer as Scalable Cross-Embodiment Vision-Language-Action Model → x-vla-soft-prompted-transformer-as-scalable-cross-embodiment-vision-language-action-model.md
    • VLN范式大洗牌｜10篇力作，拆解2026年VLN四大核心突破方向 → 可手动/半自动优化为 vln-2026-paradigm-shift-survey.md。

8.2 去重与更新策略

• 若 news/papers/<slug>.md 尚不存在：
  • 使用 ApplyPatch 新建该文件，写入上述 frontmatter 与正文模板内容。
• 若文件已存在：
  • 默认不直接整体覆盖，而是：
    • 更新 frontmatter 中的 primary_url、alt_urls、note 等元信息；
    • 视情况更新正文中的某些小节（例如补充新的实验结果或启发），避免破坏人工已做的细致编辑。
  • 如需保留旧版本，可在覆盖前创建备份文件：
    • news/papers/<slug>-backup-YYYYMMDD.md。

---

九、Step 5：与 news/source-daily.md 的联动（updateDaily?）

本步骤为可选增强，在主流程成功生成若干 news/papers/*.md 后执行。

9.1 延伸阅读小节结构

在 news/source-daily.md 的末尾维护一个「延伸阅读」小节，形如：

## 延伸阅读

- [X-VLA 原文摘要](papers/x-vla-soft-prompted-transformer.md)
- [VLN 范式大洗牌综述摘要](papers/vln-2026-paradigm-shift-survey.md)

9.2 更新策略

1. 收集本次生成/更新的摘要文件列表
   • 根据 slug 与标题，生成适合展示的中文链接文本；
   • 例如：X-VLA 原文摘要、VLN 范式大洗牌综述摘要。
2. 读取 news/source-daily.md 当前内容
   • 若不存在「## 延伸阅读」小节：
     • 在文末追加一个新的小节，并插入本次列表。
   • 若已存在「## 延伸阅读」：
     • 解析该小节中的现有条目；
     • 合并本次新条目，避免重复；
     • 建议排序策略：
       • 主线论文在前（如 X-VLA 等与当天主线最相关的工作）；
       • 综述/相关工作在后。

---

十、错误处理与边界情况

• 未找到任何候选论文/综述
  • 在对话中说明：
    • 「在当前 input_md 中未识别到明显的论文/综述标题或工作名，可能是文档尚未按论文结构整理，或只包含高层讨论。」
  • 结束本 skill。
• WebSearch 未找到合适来源
  • 可退而仅基于 input_md 中的内容生成一份「二手信息基础上的摘要」；
  • 在 note 中明确说明「暂未找到官方原文链接，仅基于当前整理内容生成」。
• WebFetch 抓取失败或站点需要登录
  • 不再反复尝试登录/绕过限制；
  • 回到「仅用可见摘要 + 本地整理内容」的模式，降低细节粒度。
• 网络不可用
  • 所有依赖 WebSearch/WebFetch 的步骤暂时跳过；
  • 可以只做 Step 1 的引用识别，在对话中给出「候选论文清单」，提示稍后在网络恢复后再做抓取与整理。

---

十一、小结

• 本 skill 将 news/source.docx → Markdown 之后的「论文追踪」自动化：
  • 从 news/source-from-doc.md / news/source-daily.md 中识别论文/综述；
  • 在线搜索原文页面，使用 WebSearch/WebFetch 获取关键信息；
  • 生成结构化的中文摘要 Markdown，归档在 news/papers/；
  • 可选同步更新每日汇总中的「延伸阅读」区块。
• 对用户而言，这提供了一条「Word 汇总 → 当日中文速览 → 单篇论文笔记」的自然路径，方便后续在 docs 中深度引用或继续扩展。

---

十二、可选输出：论文速递公众号格式（Digest）

当用户明确说明「在公众号写论文速递」「每篇一个单独章节」「采用 No. 01 | 标题 + 英文原题 + 关键词 + 一句话简介 + 核心创新点 + 图 + 资源链接 的格式」时，本 skill 还应在完成前述 news/papers/*.md 摘要后，额外生成一篇论文速递 Digest，默认写入：

• news/source-daily.md

12.1 整体结构

• 顶部有一段总导读，示例：

  本期导读：今日收录 10 篇精选论文。重点关注 XXX、YYY 和 ZZZ 等方向的最新进展。
  

  • 其中「10」应根据本次识别到的论文篇数自动替换；
  • 「重点关注 …」可基于本次论文主题，简要概括 1–2 句核心趋势（例如：长文本处理 / 机器人精细控制 / VLN 视角鲁棒性等）。

• 同时在对话回复中额外给出 2–3 个适合作为整篇公众号主标题的中文标题候选（不必写入 news/source-daily.md，供用户在公众号后台自行选择）。

12.2 单篇论文章节格式

• 每篇论文对应一个独立小节，采用如下模板（示例为 Ring-Attention 2.0，实际内容需结合当前论文改写）：

  No. 01 | 突破长文本瓶颈：Ring-Attention 2.0
  英文原题： Ring-Attention 2.0: Scaling Sequence Length to Millions via Improved Block Parallelism
  关键词： #长文本处理 / #分布式训练 / #LLM
  
  💡 一句话简介：
  通过改进环形注意力机制，让模型在不增加显存压力的前提下，支持处理超过 100 万 token 的超长序列。
  
  ✨ 核心创新点：
  
  - 通信优化：提出异步块交换协议，将计算与通信高度重叠（overlap），减少分布式训练中的等待时间。
  - 计算复杂度：优化自注意力的分块逻辑，在 \(O(n^2)\) 理论复杂度下，通过硬件友好的实现获得近似线性扩展。
  - 性能提升：在 Needle In A Haystack 等长文本基准上，百万级长度下的检索准确率保持在 99.5% 以上。
  
  🖼️ 关键架构/效果图：
  ![Ring-Attention 2.0 架构图：展示了 Token 在不同 GPU 核心间的流转路径]
  图 1：Ring-Attention 2.0 的环形通信拓扑结构
  
  🔗 资源链接：
  Paper: [arXiv:2602.12345](https://arxiv.org/abs/2602.12345)
  Code: [github.com/google-research/ring-attn](https://github.com/google-research/ring-attn)
  

• 实际生成时，应按以下原则进行改写：

  • No. XX 递增编号：按识别顺序或重要程度排序，从 No. 01 开始；
  • 中文标题：不是简单翻译，而是结合论文亮点写成有记忆点的短标题（例如「一站式端到端机器人学习库 LeRobot」「视角不变 VLN：连续环境中的鲁棒导航」等）；
  • 关键词：使用 #标签 形式，2–4 个，覆盖领域、任务和方法（如 #机器人学习 / #端到端控制 / #开源库）。

12.3 内容要求

• 💡 一句话简介：
  • 1–2 句中文，面向公众号读者，快速交代这篇论文解决了什么问题、最大的亮点是什么。
• ✨ 核心创新点：
  • 用 3–5 条 bullet 归纳方法或贡献，避免逐段翻译；
  • 每条尽量「一个点一个信息」，优先描述：新设定 / 新框架 / 关键模块 / 主要实验发现。
• 🖼️ 关键图与本地路径约定：
  • 所有配图文件一律放在仓库的 news/images/ 目录下，例如 news/images/lerobot-arch.png、news/images/vil-framework.png；
  • 在 news/source-daily.md 中引用时，统一使用相对 news/ 目录的路径，形如：
    • ![LeRobot 架构示意](images/lerobot-arch.png)
    • ![VIL 框架示意](images/vil-framework.png)
  • 若本地已有对应配图（可以来自论文原图、自己绘制的示意图或 news/source-from-doc-media/ 抽取后手动保存到 news/images/），应优先使用真实图片路径而不是空占位，并在 Digest 正文中插入实际的 ![...](images/xxx) 标记；
  • 若暂时没有合适图片，也可以先保留纯文字占位，后续再在 news/images/ 中补图并更新路径，此时时不要伪造不存在的图片路径。
• 🔗 资源链接：
  • Paper：优先使用 arxiv.org/abs/... 链接；
  • Code：若有 GitHub 或项目主页，写入对应链接；
  • 禁止虚构不可公开访问的链接。

12.4 生成后的图片检查（必做）

• 在完成 news/source-daily.md 生成后，应做一次快速检查：
  • 确认文中所有 ](images/xxx) 引用的图片文件，在 news/images/ 目录下实际存在；
  • 若发现缺失：
    • 在对话中明确提示用户「以下图片文件尚未放入 news/images/：...」，并列出文件名清单；
    • 暂不删除对应 Markdown 引用，由用户在补图后再次预览或重新触发整理流程。

生成完成后，news/source-daily.md 即可直接作为「论文速递」公众号推文的基础稿件，用户可在此基础上微调导语、配图与排版。