paper-introduction-generator

name	paper-introduction-generator
description	根据论文结构和要求生成约1000字的引言，按照"背景和问题-现有方法和存在问题-本文方法和解决问题"的逻辑顺序撰写。

Paper Introduction Generator

本技能用于根据整篇论文的结构和内容要求，自动撰写专业、逻辑严密的论文引言（Introduction）部分，并将其填入用户提供的框架中。

适用场景

当需要撰写学术论文、研究报告、学位论文的引言部分，且希望引言内容紧扣文章整体结构、逻辑递进清晰时，请使用本技能。

撰写要求

在接到用户的论文结构或内容要求时，必须严格遵循以下三点要求生成引言：

1. 填入框架并使用 Markdown 格式

• 分析用户输入的"整篇论文的结构"和"内容要求"。
• 最终输出必须为标准的 Markdown 格式。

2. 字数要求

• 引言部分的内容需充实、详尽，篇幅需控制在 1000字-1200字 。
• 确保这1000字言之有物，避免空泛的辞藻堆砌，内容必须与整个论文的研究主题高度相关。

3. 三段式核心逻辑结构

引言的撰写最好严格限制为三段，必须按照以下顺序进行论述，且各部分之间需要有平滑、严谨的逻辑过渡：

第一段：大背景 → 研究领域的重要性和现实需求
    ↓
第二段：现有方法/技术的进展（必须有文献引用） → 但存在什么问题（转折）
    ↓
第三段：本文做了什么 → 提出了什么框架/方法 → 明确列举本文贡献

逻辑链条详解：

第一段（背景铺垫）： 从宏观背景切入，说明研究领域的现状、重要性和现实需求。

典型句式：

• "数字信息时代，XX承载着……是……中的核心要素。"
• "近年来，XX在YY领域的成功应用为解决这些问题提供了新的可能性。"

第二段（现有方法进展与问题引出）： 综述现有方法和技术的进展，必须包含充足的文献引用（用上标标注，如[1]、[2-3]等），并在本段后半部分指出现有方法的不足，制造"研究缺口"。

典型句式：

• "已有研究在XX方面取得了显著进展[1-3]……然而，对于专业垂直领域，其XX能力受YY影响较大，因此需要……"
• "传统检索系统[4,5]虽对XX进行一定的序化和加工，但返回的结果往往也与用户的实际需求有所出入。"

第三段（本文方法与明确贡献）： 明确说明本文提出的方法与框架，并以极度清晰的格式列出具体贡献。必须明确地写出：“本文贡献如下：1……，2……，3……”这种固定格式。

典型句式与结构：

• 首先引出方法："在上述背景下，本文提出一种基于XX的YY框架，旨在……"
• 然后明确列出贡献："本文贡献如下：1. 提出了……；2. 构建了……；3. 验证了……"

关键技巧：

• 必须分三段，确保结构分明。
• 只有第二段才大量进行文献引用来讨论相关工作。
• 第三段的贡献点不能模糊处理，必须使用“本文贡献如下：1……，2……，3……”进行编号罗列。
• 引言不宜过长，一般控制在1000字-1200字左右。

撰写风格要求

• 多用长句：优先使用结构完整、信息密度高的长句，通过从句、并列结构、递进关系等方式将多层含义融合在一个句子中表达，使行文连贯紧凑，体现学术写作的严谨性与专业性。避免频繁使用短句导致文意碎片化。
• 语言通顺流畅：句与句之间、段与段之间的衔接必须自然顺畅，善用过渡词和逻辑连接词（如"然而""此外""为此""鉴于此"等），确保整篇引言读起来一气呵成，而非生硬拼接。

撰写风格示例

以大语言模型为代表的新一代人工智能技术为数据驱动的科学研究提供了新技术和新方法，数据+AI驱动的科学研究与知识发现已成为科技创新的新引擎，正逐步成为一种新型的科研范式。科技文献中蕴含大量可信、专业、规范的领域知识与科学数据，是重要的科技创新要素，可有效支撑数智驱动的科学发现与知识发现。科学实验是科技文献的重要内容，利用知识图谱技术对科学实验所围绕的科学问题、应用的科学原理、设计的实验步骤、得到的实验结果等内容进行深度挖掘与建模，形成学科领域科学实验知识图谱(Scientific Experiment Knowledge Graph，SEKG)，可充分发挥科技文献的价值，为知识发现提供高质量知识与数据。

然而，科学实验是一类复杂的知识对象，除了简单知识单元，还包括实验方案等复合性知识对象，实验步骤、科学实验流程等时序性知识对象，以及实验元素等知识与数据融合性知识对象。现有研究中，虽然事件知识图谱(Event Knowledge Graph，EKG)已在多种复杂事件建模中取得进展[1-3]，但需要对这些综合性知识对象进行统一的多维度、细粒度、富语义的知识表示与建模以及高效率的知识抽取[4]，构建学科领域科学实验知识图谱。此外，大语言模型(Large Language Model，LLM)虽已广泛应用于信息抽取[5-9]，但在复杂科学实验垂直领域的抽取能力受限于专业知识不足，传统流程也存在各个抽取模块难以有效协同的问题。

为准确构建SEKG模式层(Schema)、提升知识抽取效率，本文提出一种面向知识发现的SEKG构建框架，并以有机太阳能电池(Organic Solar Cell，OSC)为例进行实证。本文贡献如下：1. 基于事件知识图谱对科学实验这一综合性复杂知识对象进行知识表示与建模，构建SEKG的模式层，可对科学实验进行动态、多维度、细粒度的知识表示与建模；2. 基于人工标注数据，引入大语言模型提升从科技文献中抽取科学实验知识和数据的效率，半自动生成SEKG数据层中的知识实例；3. 构建有机太阳能电池科学实验知识图谱(OSC SEKG)，并设计基于该知识图谱的若干典型学科知识发现场景，验证了框架的可行性。

注意事项

• 学术语气：必须使用客观、严谨、专业的学术语言，杜绝口语化表达。
• 逻辑递进：前后段落之间的转折和递进要自然，尤其是从"现有方法的不足"过渡到"本文采用的方法"时，必须展现出强烈的逻辑必然性和针对性。
• 语言风格：语言表述需通顺流畅，优先使用结构完整、信息密度高的长句，通过从句、并列结构、递进关系等方式将多层含义融合在一个句子中表达，使行文连贯紧凑，体现学术写作的严谨性与专业性。避免频繁使用短句导致文意碎片化。
• 禁止章节安排：引言部分不得包含对后续章节的安排说明（如"本文结构如下""第二章介绍……"等），引言在阐明本文方法与贡献后即可自然结束。