メニュー
通过 A/B 双 agent 对话式渐进披露深度解读 arXiv 论文。A 持有全文、给出结构化摘要，B 模拟未读原文的好奇读者、循环追问；用对话桥接作者意图与读者理解的 gap。适用于 '帮我深度读这篇论文'、'对话式阅读 arxiv:xxxx'、'dialog paper reading'、'渐进式论文解读' 等场景。
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/justcyl/my-skills --skill paper-dialog-readerコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SOC 職業分類に基づく
SKILL.md を表示中
| name | paper-dialog-reader |
| description | 通过 A/B 双 agent 对话式渐进披露深度解读 arXiv 论文。A 持有全文、给出结构化摘要，B 模拟未读原文的好奇读者、循环追问；用对话桥接作者意图与读者理解的 gap。适用于 '帮我深度读这篇论文'、'对话式阅读 arxiv:xxxx'、'dialog paper reading'、'渐进式论文解读' 等场景。 |
两个 agent 合作渐进式解读一篇 arXiv 论文。
整个过程是渐进式披露：B 的每轮追问都在桥接"作者实际写了什么"与"摘要覆盖到了什么"之间的 gap。
使用 ph-paper-helper skill 获取论文内容。
alias ph='uv run --project ~/project/ph2 ph'
# 导入并触发全文提取（MinerU 解析，可能需要数十秒到数分钟）
ph fetch --paper-id arxiv://<ID>
# 轮询直到 fetch_state=done
ph fetch --paper-id arxiv://<ID> --include-content
等待 fetch_state=done 后，用 --include-content 拿到全文 Markdown。
如果用户给的是完整 URL（如 https://arxiv.org/abs/2310.06825），提取其中的 arXiv ID（2310.06825）。
拿到全文后，你作为 Agent A，按以下 7 个维度生成初始摘要。每个维度都要扩写而非压缩——目标不是总结，而是把论文的思路完整呈现出来。
## [论文标题]
### 1. 问题提出
这篇论文在解决什么问题？这个问题为什么值得研究？背景是什么？
### 2. 前人工作与当前水平
这个方向上已有哪些方法？各自的思路是什么？目前的 SOTA 是什么？存在哪些不足？
### 3. 本文 Idea 的来源
作者的核心洞察是什么？他们从哪个观察/直觉出发？为什么这个方向有希望？
### 4. 方案详述
作者提出了什么方法？关键设计是什么？架构/算法的核心是什么？与前人最关键的区别在哪里？
### 5. 实验设计
用了哪些数据集和 baselines？评估指标是什么？实验如何验证核心 claim？有哪些消融？
### 6. 结论与主要发现
主要实验结果是什么？核心 claim 是否成立？有哪些意外发现或局限？
### 7. 未来方向
作者提出了哪些开放问题？还有哪些方向值得探索？
生成摘要后，将完整摘要呈现给用户，然后进入 Step 2。
将 A 的初始摘要作为 B 的唯一输入，使用 spawn --agent paper-reader-b 启动 Agent B。
B 是一个专用 minion（~/.pi/agent/agents/paper-reader-b.md），它没有任何工具，只会根据 prompt 中提供的内容提问。
spawn 调用示例（伪代码）：
spawn --agent paper-reader-b --task "
下面是 Agent A 对一篇 AI 论文的结构化摘要。
你没有读过原文，只能基于下面的内容来提问。
---
[Agent A 的完整初始摘要]
---
请识别摘要中最让你感到困惑、或描述不够充分的地方，提出 3-5 个最重要的问题。
"
信息隔离是关键：不要在 task prompt 里塞入任何原文内容。B 的上下文只有 A 说过的话。
你作为 Agent A，基于论文全文逐一回答 B 的每个问题。
回答原则：
将 B 的问题和 A 的回答整理成对话格式，呈现给用户：
---
### 第 N 轮对话
**B 问：** [问题]
**A 答：** [详细回答]
**B 问：** [问题]
**A 答：** [详细回答]
...
---
将本轮所有内容（初始摘要 + 所有历史 Q&A）作为新的上下文，再次 spawn --agent paper-reader-b，让 B 继续追问。
每次 spawn 都是无状态的新 minion，所以必须把完整历史作为 task prompt 传入。
后续轮次 spawn 调用示例（伪代码）：
spawn --agent paper-reader-b --task "
下面是你（B）和 Agent A 到目前为止关于一篇 AI 论文的完整对话记录。
你没有读过原文，只能基于下面的内容来提问。
---
[初始摘要]
[第1轮 Q&A]
[第2轮 Q&A]
...
---
基于目前你已经了解的内容，提出 3-5 个新的、更深入的问题。不要重复已经问过的问题。
"
以下任一条件满足时，结束对话循环：
no_more_questions：对话自然结束，将 B 的理解总结呈现给用户结束时，输出一份完整的阅读记录，包含：
关于信息隔离： B 每次只能看到 A 说过的内容。你在 spawn B 时，不要在 prompt 里塞入任何原文信息——B 的上下文只有 A 的摘要和历史 Q&A。这个信息隔离是这个工作流的核心机制：B 的困惑 = 真实读者的困惑。
关于扩写 vs 总结： 这个 skill 的目标是帮用户理解全文，而不是提炼精华。A 应当尽可能扩写，把论文中的细节铺开，而不是再次压缩。
关于 ph fetch 的等待：
MinerU 全文解析可能需要几分钟。在等待期间，可以先用 ph fetch --metadata-only 获取论文标题、摘要等基本信息，告知用户正在处理的论文，然后等待全文完成。
关于 spawn 的正确姿势： 每次 spawn B 都是一个全新的、无状态的 minion——它没有记忆。这意味着每次 spawn 时都要把完整的历史上下文作为 prompt 的一部分传入。
关于轮次控制： 前几轮 B 通常会问宏观问题（方法细节、实验设计），后几轮会问更深入的问题（某个设计选择的动机、局限性的根源）。这是正常的渐进深入过程。