paper-guided-reading

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：

# 关键词检索
scholaraio search "<关键词>" --limit 10

# 语义检索（推荐与关键词检索并用）
scholaraio usearch "<用户描述>" --limit 10

# 若用户提到作者
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    # 摘要
scholaraio show "<paper-id>" --layer 3    # 结论（如已 enrich）
scholaraio show "<paper-id>" --layer 4    # 全文 markdown

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）：

1. 文献信息：作者、年份、标题、期刊/会议、DOI
2. 核心科学问题：论文试图解决什么问题？
3. 核心假设：作者依赖的理论前提是什么？
4. 研究设计：实验设计或理论框架的整体结构
5. 数据/样本：数据来源、规模、代表性、潜在偏差
6. 方法与技术：核心方法、创新点、与已有方法的区别
7. 分析流程：从输入到输出的关键步骤
8. 数据分析：统计方法、度量指标、显著性检验
9. 核心发现：最重要的 1-3 个发现
10. 实验结果：定量/定性结果总结
11. 辅助结果：补充实验、消融实验、敏感性分析
12. 最终结论：作者如何总结自己的贡献
13. 领域贡献：该研究在领域中的位置
14. 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
15. 综述亮点：值得在文献综述中强调的要点
16. 图表索引：关键 Figure/Table 的内容核实与解读
17. 方法严谨性评价：设计是否合理、控制是否充分
18. 疑问与不足：逻辑漏洞、过度宣称、未解决的问题
19. 启发与未来方向：对用户研究的潜在启发
20. 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。