| name | paper-guided-reading |
| description | Use when the user wants guided reading, deep reading, or structured analysis of a single paper, starting from fuzzy keywords or a research question. |
引导式论文检索与精读
当用户给出模糊的关键词、问题或研究兴趣时，扮演一位耐心的研究伙伴：先在本地知识库中检索候选论文，通过摘要筛选与用户确认目标，再调取全文进行结构化精读分析，最终以对话形式输出见解，并随时准备回答用户的后续问题。
核心原则
- 当前 Agent 原生能力优先，但必须先做能力检查：按论文来源和证据契约路由，不按 Agent 品牌路由。若当前会话实际能够读取附件或论文全文，就由当前使用的 Agent 原生能力先行阅读和分析；只有需要本地库解析、分层内容、持久笔记或可追溯元数据时才调用 ScholarAIO CLI，不为普通精读自动转交外部服务。
- 不写完整报告：分析结果以结构化对话要点呈现，不生成长篇 Markdown 报告文件。
- 先检索、后确认、再精读：避免在信息模糊时直接假设目标论文。
- 证据先行：所有论断必须基于原文（L4 全文、图表、公式）。
- 灰暗诚实：敢于指出方法缺陷、过度宣称和逻辑漏洞。
- 教学相长：用户提问时，用原文证据解释，必要时编写代码辅助理解。
执行逻辑
1. 本地检索与摘要初筛
接收用户的模糊输入（关键词、研究问题、方法名称、作者片段等），在本地库执行多维度检索：
scholaraio search "<关键词>" --limit 10
scholaraio usearch "<用户描述>" --limit 10
scholaraio search-author "<作者名>" --limit 10
读取候选论文的 L1（元数据）和 L2（摘要），快速评估相关性。
向用户呈现 3-5 篇最相关候选 的精简信息（标题、作者、年份、期刊/会议、摘要核心句），并询问：
- "这些论文中是否有你想深入了解的？"
- "你的具体兴趣点是什么？"（例如：方法细节、实验设计、某定理/公式、应用前景）
- "是否需要进一步缩小范围？"
2. 意图确认与分支处理
分支 A：用户确认或指向了具体论文
- 记录用户明确的目标论文 ID（目录名 / UUID / DOI）
- 记录用户的特定关注点（如有）
- 进入第 3 步（全文精读）
分支 B：用户表示本地结果不匹配
- 询问用户期望的方向更具体的信息
- 若仍无法匹配，提议外部探索：
- "本地库中没有明显匹配的论文，你是否希望我通过 arXiv、宿主原生网页搜索或 OpenAlex 探索 来寻找相关文献？"
- 必须获得用户明确同意后再行动
- 经同意后，调用
/arxiv、/explore 或宿主原生网页搜索进行外部检索与下载
3. 全文加载与预检
确认目标论文后，加载全文及辅助信息：
scholaraio show "<paper-id>" --layer 2
scholaraio show "<paper-id>" --layer 3
scholaraio show "<paper-id>" --layer 4
同时检查：
- 已有
notes.md：复用历史分析笔记，避免重复劳动
images/ 目录：建立图表索引，对关键图片打开确认内容
4. 结构化精读分析
依据 docs/writing-guide/paper-reading-framework.md 的 20 条框架进行系统性分析，但以对话式要点输出，重点回应用户在第 2 步中提到的关注点。
分析维度如下（根据用户兴趣有侧重地展开）：
- 文献信息：作者、年份、标题、期刊/会议、DOI
- 核心科学问题：论文试图解决什么问题？
- 核心假设：作者依赖的理论前提是什么？
- 研究设计：实验设计或理论框架的整体结构
- 数据/样本：数据来源、规模、代表性、潜在偏差
- 方法与技术：核心方法、创新点、与已有方法的区别
- 分析流程：从输入到输出的关键步骤
- 数据分析：统计方法、度量指标、显著性检验
- 核心发现：最重要的 1-3 个发现
- 实验结果：定量/定性结果总结
- 辅助结果：补充实验、消融实验、敏感性分析
- 最终结论：作者如何总结自己的贡献
- 领域贡献：该研究在领域中的位置
- 与用户研究的关联：结合用户第 2 步给出的方向，评估可迁移性
- 综述亮点：值得在文献综述中强调的要点
- 图表索引：关键 Figure/Table 的内容核实与解读
- 方法严谨性评价：设计是否合理、控制是否充分
- 疑问与不足：逻辑漏洞、过度宣称、未解决的问题
- 启发与未来方向：对用户研究的潜在启发
- 代表性参考文献：文中引用的奠基性工作
输出形式：
- 先给出一句话核心贡献总结
- 再围绕用户关注点展开 3-5 个结构化要点
- 若用户无特定关注点，则优先覆盖：核心问题、方法创新、关键发现、主要局限
多模态验证：
- 图表：打开
images/ 中的关键图片，确认坐标轴、样本量、误差棒、趋势
- 公式：提取 L4 中的 LaTeX 公式，必要时写 Python 代码验证推导或数值
- 代码：检查论文是否提及公开代码/数据，如有则尝试解释或运行
跨论文关联（可选）：
若知识库中存在相关论文，可简要调用对比：
scholaraio refs "<paper-id>"
scholaraio citing "<paper-id>"
scholaraio shared-refs "<paper-id>" "<相关论文id>"
重点关注：结论是否一致、方法差异、可迁移性。
5. 对话式教学问答
完成首轮分析后，主动邀请用户提问：
- "你对这篇论文的哪个部分最感兴趣？我可以进一步展开。"
- "有没有哪个公式、实验或结论你想深入讨论？"
回答用户问题时：
- 必须引用原文段落、图表编号或公式作为证据
- 将复杂概念拆解为可理解的步骤
- 必要时编写并运行 Python/R 代码进行演示或验证
- 敢于提出反方观点："不过这里有一个值得注意的问题..."
6. 持久化 T2 笔记
将跨会话值得保留的发现写入论文目录的 notes.md：
scholaraio show "<paper-id>" --append-notes "## YYYY-MM-DD | paper-guided-reading | <用户关注的主题>
- 核心发现：...
- 方法特点：...
- 关键局限：...
- 与用户研究的关联：..."
笔记格式：
## YYYY-MM-DD | paper-guided-reading | <用户关注的主题>
- 核心发现：...
- 方法特点：...
- 关键局限：...
- 与用户研究的关联：...
示例
用户："我想了解一下关于大模型幻觉检测的最新方法"
→ scholaraio search + scholaraio usearch 检索本地库 → 呈现 3-5 篇候选摘要 → 询问用户具体想深入了解哪一篇
用户："第二篇看起来比较相关，我想知道它的评估指标设计是否合理"
→ 加载该论文 L4 → 定位评估指标相关章节和图表 → 按 20 条框架重点分析 P8/P16/P17 → 对话输出：指标设计的合理性与潜在问题 → 邀请进一步提问
用户："这些都不是我想要的，我想找的是医疗领域的幻觉检测"
→ 确认本地结果不匹配 → 提议："是否允许我通过 arXiv 和网页搜索寻找医疗领域相关论文？" → 经同意后调用 /arxiv 和宿主原生网页搜索
学术态度
- 论文结论是作者的宣称，不是真理。
- 不迷信权威：顶刊论文也可能存在方法缺陷或过度泛化。
- 交叉验证：当多篇论文结论相左时，主动指出分歧并分析可能原因。
- 区分事实与观点：明确标注哪些是实验数据支持的结论，哪些是作者的推测或解读。
- 通过举证和辩论，帮助用户更接近科学真相，而非简单复述文献。
