メニュー
精读AI论文，按8问拆解+Q&A检测+疑点标记，输出结构化的技术理解。 当用户需要阅读、精读、拆解 AI/LLM/Agent/RAG 相关论文时使用。 触发词：精读论文、读论文、论文拆解、paper reading、paper review、论文笔记。 不适用于：非 AI 领域论文、只需要摘要的场景。
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。
SOC 職業分類に基づく
| name | ai-paper-reading |
| description | 精读AI论文，按8问拆解+Q&A检测+疑点标记，输出结构化的技术理解。 当用户需要阅读、精读、拆解 AI/LLM/Agent/RAG 相关论文时使用。 触发词：精读论文、读论文、论文拆解、paper reading、paper review、论文笔记。 不适用于：非 AI 领域论文、只需要摘要的场景。 |
"读论文"、"帮我拆解这篇论文"、"这篇论文讲了什么"、"精读"
选论文 → AI 辅助预读 → 结构化拆解 → 费曼输出 → 边界检测
2min 5min 12min 8min 3min
请用 5 句话以内告诉我：
1. 这篇论文要解决什么问题？
2. 核心方法是什么（一句话，不用公式）？
3. 跟之前的方法比，关键差异是什么？
4. 实验效果提升了多少（给一个数字）？
5. 最大的局限性或未解决的问题是什么？
如果预读后 3 个问题都答不上来 → 换一篇，这篇可能不适合你当前水平
请以"严格的论文审稿人"身份，精读这篇 AI 论文。
你的目标是帮我彻底理解它的技术逻辑。
## Q1 问题定位
它要解决什么痛点？这个痛点是真实存在的还是假设的？
（判断标准：论文是否给出了具体的失败案例或数据来证明痛点存在？）
## Q2 方法核心
解决方案的核心思路是什么？
输入是什么、经过什么处理、输出是什么？
不要抛公式，用自然语言描述数据流转。
## Q3 关键差异
它和之前的主流方法有什么本质不同？
（追问：如果只是换了个更大的模型/更多的数据，不算本质不同）
## Q4 实验证据
用什么数据集？评估指标是什么？结果比 baseline 好多少？
（追问：这个提升幅度在工程实践中是否有意义，还是纯学术刷点？）
## Q5 祛魅与局限
这篇论文的局限性或潜在问题是什么？
什么情况下这个方法会失效？
（要求：至少列出 2 个局限，不能只说"未来可以改进"）
## Q6 知识关联
它和以下哪个概念有直接关系？是什么关系？
- RAG（检索增强生成）
- Agent（感知/规划/记忆/工具调用）
- Transformer / 注意力机制
- Prompt 工程
- RLHF / 对齐
- MoE（混合专家）
（如果都不相关，请说明它属于哪个独立方向）
## Q7 直觉类比
用日常生活中的类比（做饭、开车、搭积木、图书馆找书等）
来解释这篇论文的核心思想。要让完全不懂 AI 的人也能听懂。
## Q8 检验题
设计 2 道题检验我是否真懂了：
- 概念题：检验我是否理解了核心方法
- 反事实题："如果去掉 X 模块，结果会怎样？"
检验我是否理解了设计选择的理由
## 约束
- 不要概括，要拆解
- 不要写"本文提出了一个创新方法"这类空话
- 术语保留英文原文（如 "Retrieval-Augmented Generation"）
- Q8 的答案和你对答案的解释必须分开放
- 每个回答控制在 150 字以内
我刚才对这篇论文的理解是这样的：
[粘贴你的理解]
请指出：
1. 我哪里说错了？
2. 我遗漏了什么关键点？
3. 有没有更好的类比可以替换我用的那个？
用以下 3 个问题追问 AI，检验理解的边界：
1. 这篇论文的假设前提是什么？
（例如：假设训练数据充足？假设标签质量高？假设推理时间不受限？）
2. 什么情况下这个方法会彻底失效？
（不是"效果变差"，是"完全不能用"的场景）
3. 如果我要在实际产品中用这个方法，
最大的工程挑战是什么？（不是学术挑战）
一篇论文精读完成的标志：
我已经读完了 A、B、C 三篇论文，请帮我做一个对比表：
| 维度 | 论文A | 论文B | 论文C |
|------|-------|-------|-------|
| 解决问题 | | | |
| 核心方法 | | | |
| 关键假设 | | | |
| 适用场景 | | | |
| 不适用场景 | | | |
| 是否开源 | | | |
如果明天面试需要快速建立对某领域的基础理解：
版本：v1.0 | 创建：2026-05-22 本 skill 设计原则：让 AI 做提取和拆解，人做理解和判断。不是"AI 替人读"，而是"AI 帮人读得更深"。