| name | method-analysis |
| description | 研究方案生成与方法缝合 - 输入批量文献Method章节+dc-analysis输出+可选仓库README，针对用户指定的问题（可从dc-analysis开放问题中选择或自定义），从全域文献Method中检索可缝合的方法组件，生成包含数据策略、模型架构设计、训练策略、Benchmark评估和B计划的完整课题研究方案（直接保存文件，对话仅显示摘要）。支持多方案Fork、架构Mermaid schematic、方法缝合溯源。特别适用于AI4S计算领域的研究方案设计。Use when user needs to synthesize a research proposal from literature methods, stitch together existing methods into novel solutions, or design a complete ML/DL research pipeline (data→model→training→evaluation). Input: method sections md + dc-analysis output + optional repo READMEs. |
方法导向研究方案生成技能
核心功能
- 问题驱动的方案生成 - 用户指定问题（从dc-analysis开放问题中选择、杂糅或自定义），以此为起点生成完整研究方案
- 方法缝合引擎 - 从全域文献Method章节 + 仓库README中检索可复用组件，按组合/迁移/逆向/细化/扩展/评估创新等策略缝合
- 多路径方案设计 - 每个技术环节给出2-3个可选方案Fork，对比优劣与适用场景
- 全Pipeline覆盖 - 数据→预处理→模型架构→训练策略→Benchmark→挑战与B计划
核心设计原则
1. 问题驱动原则
先确定问题再选方法，不是先看方法再想问题。用户的问题是锚点，已有问题是桥梁，补完完善用户问题，不替代。
用户问题处理规则 ⭐：
- 情况A — 用户无预设问题：列出dc-analysis全部开放问题 → 用户选择/杂糅 → 以选中的开放问题为核心
- 情况B — 用户已有预设问题（或已有参考路线）：不替换用户的问题，而是用dc-analysis的开放问题作为桥梁逼近用户问题：
- 从dc-analysis开放问题中找出与用户问题最相近的组合
- 用这些相近的开放问题去补充、完善、交叉丰富用户的原始问题
- 核心逻辑：用户的原始问题是树干，已有开放问题是嫁接上去的枝条
用户问题精确化规则：
- 接受用户原始表述作为基础
- 从dc-analysis开放问题中找到最佳匹配组合（语义相似度 + 问题结构相似度）
- 在用户问题基础上嫁接匹配到的开放问题中的约束、输入/输出定义、相关文献
- 标注：「用户原始问题」+「桥梁开放问题OP-X, OP-Y」→「补完后的完整问题」
2. 方法缝合 (Method Stitching) ⭐
从全域文献Method + 全域仓库README中提取可复用组件进行缝合。
全域最大化原则 ⭐（不是只用1-2个主题的文献和仓库）：
- 文献不设限：不仅限于dc-analysis标注的主题标签，所有输入Method章节的文献均为候选来源
- 仓库不设限：输入md中所有仓库README均为候选策略源（不是只选2-3个）
- 跨主题围攻：从相邻主题（甚至看似不相关的主题）借方法 → 知识浓度渗透
- 交叉互作促进新方案：不同仓库的方法策略互相交叉，产生组合爆炸
- 目标：方案的方法来源应覆盖 ≥5个不同主题方向 和 ≥8个不同仓库/方法
6种缝合策略（from method_analysis.md）：
| 策略 | 操作 | 适用场景 |
|---|
| 组合 | A方法模块X + B方法模块Y = 新方案 | 两个方法的互补组件可拼接 |
| 迁移 | 领域X的方法 → 领域Y的问题 | 跨领域借鉴成熟方案 |
| 逆向 | 翻转已有假设 → 新视角 | 挑战默认前提 |
| 细化 | 加约束条件 → 细分方案 | 大问题收缩为精准切入点 |
| 扩展 | 改进已有方法的特定不足 | 针对性的局部优化 |
| 评估创新 | 自创评估指标/多角度评估 | 避开卷SOTA |
3. 穷举分支Fork（解决方案树）
每个子问题给出尽可能多的可选方案分支，每分支可再fork产生新子问题和新方案。
- 不是简单的"方案A/B/C"三选一——每个方案可以继续fork出子方案
- 方案树结构：子问题 → 方案A1 → 子方案A1a/A1b → ...（递归fork直到触及可实现性边界）
- 每个分支标注：来源方法/仓库(PMID/DOI) | 优势 | 风险 | 适用场景
- 分支交叉：不同子问题的方案可以交叉组合产生新的混合方案
- 目标：尽量穷举可行的方法空间，最大程度利用所有输入仓库的方法思路
4. 全Pipeline覆盖
完整覆盖8个环节，无遗漏：
- 问题定义
- 方法全景脑图
- 数据策略（多方案fork）
- 模型架构设计（Mermaid schematic + 变体 + 参考仓库）
- 训练策略（多方案对比）
- Benchmark与评估
- 挑战与B计划
- 方法缝合溯源表
5. 原文引用反幻觉
- 所有方法引用必须基于原文Method章节或仓库README
- 每处引用标注真实PMID/DOI
- 禁止虚构模型架构细节、训练参数、实验结果
- 不确定的实现细节标注
[未明确给出]
[模型归纳·方案推演] 标注方案组件是推理外推还是原文已有
6. 可实现性优先
- 方案基于现有开源仓库/框架可落地
- 标注参考仓库链接（从README输入中提取）
- 若无开源实现，标注方法的可复现性评估
触发条件
- 需要从文献Method中生成研究方案
- 需要针对特定问题设计ML/DL pipeline
- 需要方法缝合和创新方案构思
- 拥有dc-analysis分析结果（或可同时提供开放问题清单）
- 用户说"设计方案"、"研究方案"、"method"、"怎么做"、"pipeline"
输入格式
主要输入：Method提取md文件
---
id: unique_id (optional)
title: Paper Title
year: Year
doi: DOI
authors: Author short names
pmid: PubMed ID (optional)
---
## Method
Method content...
辅助输入1：dc-analysis输出md（必需）
dc-analysis的完整输出，含开放问题清单+创新头脑风暴+主题框架
辅助输入2：仓库README汇总md（可选）
<<<PY_PAPERFLOW_REPO_BOUNDARY>>>
# Repository: owner/repo-name
name: owner/repo-name
description: ...
[README content]
<<<PY_PAPERFLOW_REPO_BOUNDARY>>>
# Repository: ...
用户问题（必需）
自然语言描述，可参考dc-analysis开放问题，支持多问题杂糅。
分析流程
第一阶段：问题定义与拆解
- 列出dc-analysis全部开放问题（供用户参考）：
📋 从dc-analysis继承的Y个开放问题（作为桥梁候选）：
OP-1: [问题描述] — 主题: [...]
OP-2: [问题描述] — 主题: [...]
...
- 用户指定问题 ⭐：
- 若用户无预设问题 → 从开放问题中选择/杂糅
- 若用户已有预设问题（或有计划路线） → 保留用户原始问题为核心，从dc-analysis开放问题中找到最相近的组合作为桥梁，补完完善用户的原始问题，不替代
- 标注：
[用户原始问题] + [桥梁开放问题 OP-X, OP-Y] → [补完后问题]
- 问题精确化：拆解为多级子问题树（深度≥3层），明确每个子问题的输入/输出/约束条件
- 主题对齐：标注问题涉及的所有intro-analysis主题，全域开放不设限
第二阶段：全域方法检索
- 从全部Method提取md中检索与问题相关的方法组件（不限于单一主题标签，全域文献）
- 从全部仓库README中检索可用的开源实现和策略思路（不分主次，尽数列出）
- 按Pipeline阶段归类：数据层/特征层/模型层/训练层/评估层
- 构建方法全景脑图（Mermaid mindmap）：展示所有可复用组件及其来源，覆盖≥5个主题方向、≥8个不同仓库/方法
- 交叉互作矩阵：不同仓库的方法策略互相交叉，标注可行的方法组合
第三阶段：穷举方案树生成
按8章结构输出。每个子问题的方案不仅是A/B/C三选一——而是方案树：每个分支继续fork产生子分支，直到触及可实现性边界。所有输入仓库的方法思路都应被纳入方案树的某个分支中。
关键原则
- 用户问题优先：用户预设问题是树干，开放问题是嫁接枝条，补完不替代
- 全域最大化：≥5个主题方向、≥8个仓库/方法的交叉互作
- 穷举分支Fork：方案树递归展开，每分支可达子分支
- 全Pipeline覆盖：8章无遗漏
输出结构（8章）
1. 问题定义
- 精确问题阐述
- 子问题拆解（树形结构）
- 每个子问题的输入/输出/约束
- 主题对齐（涉及的intro-analysis主题）
2. 方法全景脑图
Mermaid mindmap：全域Method中可复用组件按Pipeline阶段归类，叶节点标注PMID/DOI
3. 数据策略
- 数据来源：具体数据库/数据集名 + 规模 + 获取方式
- 收集策略：检索策略/纳入排除标准
- 预处理Pipeline：每步骤2-3个方案fork
- 特征工程：可选方案 + 参考实现
4. 模型架构设计
- 核心架构Mermaid schematic（流程图展示数据流+模块连接）
- 架构变体Fork（2-3个可选架构）
- 每个模块引用来源方法(PMID/DOI)
- 参考开源仓库（从README输入提取）
5. 训练策略
- 损失函数选择（多方案对比表）
- 优化器与调度器配置
- 正则化策略
- 训练技巧（数据增强/预训练/微调/早停）
- 参考训练配置（从原文提取）
6. Benchmark与评估
- 对比方法列表（含选择理由）
- 评估指标（含可自创指标）
- 预期性能目标
- 评估protocol（交叉验证/独立测试/消融实验）
7. 挑战与B计划
- 预期风险分类：方法风险/数据风险/工程风险
- 每个风险的备选路径或简化方案
- 失败判定标准与回退策略
8. 方法缝合溯源表
| 方案组件 | 来源论文(PMID/DOI) | 方法原文引用 | 开源仓库 | 缝合策略 | 在方案中的位置 |
|---|
| ... | ... | ... | ... | 组合/迁移/... | Pipeline阶段X |
关键原则
- 用户问题优先：用户预设问题是树干，开放问题是枝条，补完完善不替代
- 全域最大化：≥5主题+≥8仓库/方法的交叉互作
- 穷举分支Fork：方案树递归展开，每分支可达子分支，尽量穷举可行方法空间
- 方法缝合+合理外推：组合/迁移/逆向/细化/扩展/评估创新
- 全Pipeline覆盖：8章无遗漏
- DOI/PMID精确引用：禁止虚构，标注
[未明确给出]
- 可实现性优先：基于开源仓库
- 原文-分析配对：引用Method原文+分析优劣势
- 方案推演标注：
[模型归纳·方案推演] 标注推理外推
Quick Reference
方法缝合规则与策略 → references/method-stitching.md
Pipeline各环节设计模板 → references/pipeline-design.md
三阶段分析详细流程 → references/analysis-workflow.md
双标签系统与引用格式（含仓库引用） → references/citation-rules.md
可视化类型（架构schematic + 脑图 + fork表） → references/visualization-types.md
输出格式与保存规则 → references/output-format.md
反质量检查 → references/quality-checklist.md
特殊情况处理 → references/special-cases.md
