paper-read

name	paper-read
description	深度阅读与分析单篇 AI 论文。支持本地 PDF、arXiv 链接、论文标题等多种输入。调度 method-reader、experiment-reviewer、insight-miner 三路并行 + critic 对抗审视，输出全方位结构化报告。默认自动写入 ~/papers/ 论文库；支持 -d 详细模式、--no-save、--no-critic、--export。
argument-hint	<论文路径/URL/标题> [--detailed/-d] [--no-save] [--no-critic] [--export/-o [输出路径]] [分析重点(可选)]
allowed-tools	Read, Glob, Grep, Bash, WebFetch, WebSearch, Agent

📄 Paper Read — 单篇论文深度阅读

你是一位 AI 研究助理，负责协调多个专业分析师对论文进行全方位深度解读，并把分析成果沉淀进用户的论文库（~/papers/），让阅读形成长期积累而不是一次性输出。

阶段零：参数解析

从 $ARGUMENTS 中解析以下参数：

可选标志

标志	缩写	默认	说明
--detailed	-d	off	详细模式：抽取全文 + appendix，sub-agent 输出更丰富
--no-save	—	off	不写入 ~/papers/ 论文库（默认会写入）
--no-critic	—	off	不调度 critic 子智能体（默认会跑）
--export	-o	off	额外把报告导出到指定 markdown 路径（与 --no-save 独立）

解析规则

1. 从 $ARGUMENTS 中识别并移除所有标志，剩余非标志部分作为论文 input（路径/URL/标题）和可选的分析重点描述
2. --export / -o 后可跟可选输出路径：
   • 有路径：--export /path/to/output.md
   • 无路径：--export → 默认到当前目录 {论文文件名或标题slug}_report.md
3. 自然语言识别：用户说"详细"等价于 -d；"不要存"/"先不入库"等价于 --no-save；"跳过 critic"/"不要挑刺"等价于 --no-critic

详细模式 vs 标准模式

维度	标准模式	详细模式 (-d)
PDF 抽取	正文（不含 appendix）	全文含 appendix
方法解析	核心思想 + 1-3 个公式 + 架构概述	完整方法 + 全部公式 + 逐模块解析 + 与 prior work 对比
实验审查	主表 + 关键 ablation + 公平性检查	所有表格 + 完整 ablation + 效率分析 + 缺失实验指出
深度洞察	3-5 insight + 2-3 idea	5-8 insight + 3-5 idea + 领域 roadmap 定位
Critic	3-5 条 pushback	8-10 条 pushback + appendix 审视
综合评价	4 维度评分 + 简要说明	4 维度评分 + 优缺点列表 + 审稿建议 + 适读人群

阶段一：论文获取与章节感知抽取

关键：本项目用 .claude/scripts/extract_paper.py 做 PDF 抽取——它内部用 pymupdf，处理章节检测、references 解析、appendix 分离。不要再写内联 fitz 脚本。

调用方式

用 Bash 工具执行：

# 标准模式
python3 .claude/scripts/extract_paper.py "<INPUT>"

# 详细模式（含 appendix）
python3 .claude/scripts/extract_paper.py "<INPUT>" --detailed

<INPUT> 可以直接是：

• 本地 PDF 路径（含 .pdf）
• arXiv URL（含 arxiv.org）
• 裸 arXiv ID（如 2401.12345）

脚本会输出 JSON 到 stdout，含：

{
  "outdir": "/tmp/paper-<hash>",
  "paper_md": "/tmp/paper-<hash>/paper.md",
  "refs_json": "/tmp/paper-<hash>/refs.json",
  "meta_json": "/tmp/paper-<hash>/meta.json",
  "meta": { "title": "...", "authors": [...], "year": ..., "arxiv_id": "...", ... }
}

把 outdir 路径保存为 PAPER_TMP_DIR，把 meta 内容保存为 PAPER_META，传给阶段二。

输入解析

1. 本地 PDF / arXiv 链接 / 裸 arXiv ID → 直接传给 extract_paper.py
2. 论文标题或关键词（无链接无路径）：
   • 先用 Bash 跑 python3 .claude/scripts/semantic_scholar.py search "<标题>" --limit 3 找到候选 arXiv ID
   • 选最匹配的，再传给 extract_paper.py
   • 如果搜不到，用 WebSearch 搜 "<标题>" arxiv 找到链接，再传给 extract_paper.py
3. GitHub / 项目页面链接：用 WebFetch 找到论文 PDF/arXiv 链接，再走流程 1

已读相关论文检索

阶段一获得 meta.title 和 meta.arxiv_id 后，立即 调用：

python3 .claude/scripts/paper_lib.py related "<论文标题或关键 tags>" --limit 5 --json

把返回的 JSON 数组保存为 RELATED_LIBRARY_PAPERS。如果数组为空（用户首次或没相关论文），后续阶段不输出"🔗 与你已读论文的关联"节。

阶段二：三路并行深度分析

关键: 使用 Agent 工具 同时 启动以下 3 个专业子智能体。每个 sub-agent 都收到 PAPER_TMP_DIR 路径，用 Read 工具自己读 paper.md / refs.json / meta.json——不要再把全文内容塞进 prompt。

详细模式下的 Prompt 增强

如果用户启用了 --detailed，在每个 sub-agent prompt 末尾追加：

[详细模式] 请尽可能详尽地分析，不要省略细节。具体要求：

• 覆盖 paper.md 中的 appendix 部分（详细模式抽取时已包含）
• 对每个实验表格都进行分析，不仅限于主表
• 公式推导需要解释关键步骤，不只是列出最终形式
• 设计决策的分析需要列出所有可能的替代方案
• 与 Embodied AI / Multimodal 的关联分析需要给出具体的迁移方案

Agent 1: Method Reader

Agent tool, subagent_type="method-reader". Prompt 模板：

论文 tmp 目录：{PAPER_TMP_DIR}
请用 Read 工具读取该目录下的 paper.md / refs.json / meta.json，按 method-reader 框架完成方法论分析。
[如启用 -d，附加详细模式块]

Agent 2: Experiment Reviewer

Agent tool, subagent_type="experiment-reviewer". Prompt 模板：

论文 tmp 目录：{PAPER_TMP_DIR}
请用 Read 工具读取，按 experiment-reviewer 框架完成实验审查。特别注意：用 refs.json 反向核查 baseline 公平性。
[如启用 -d，附加详细模式块]

Agent 3: Insight Miner

Agent tool, subagent_type="insight-miner". Prompt 模板：

论文 tmp 目录：{PAPER_TMP_DIR}
用户已读相关论文（来自 ~/papers/）：
{RELATED_LIBRARY_PAPERS_JSON}

请用 Read 工具读取 tmp 目录，按 insight-miner 框架完成洞察挖掘。如果"已读相关论文"非空，明确做跨论文关联。
[如启用 -d，附加详细模式块]

三个 Agent 必须在同一轮 tool call 中并行发起。

阶段三：综合报告生成（草稿）

收到三路结果后，按下面的模板拼装一份 草稿报告（标记为草稿是因为 critic 还没跑）：

---

📄 论文深度阅读报告

📋 基本信息

项目	内容
标题	{meta.title}
作者	{meta.authors}
发表	{meta.venue} / {meta.year}
链接	{meta.source}
代码	[GitHub 链接（如能找到）]
关键词	[3-5 个核心关键词]

🎯 一句话总结

[综合三路分析，用一句话概括最核心贡献]

💡 方法解析

[整理 method-reader 输出]

• 核心思想（附直觉类比）
• 架构流程
• 关键公式（1-3 个，附解释）
• 关键设计决策及 trade-off

[详细模式额外输出]：完整架构图（ASCII）、所有公式逐步推导、设计决策替代方案对比、与 prior work 详细差异、appendix 中的方法补充

📊 实验审查

[整理 experiment-reviewer 输出]

• 实验设置概览
• ⚠️ 公平性问题（如有，含 refs.json 反向核查结果）
• 核心结果（Markdown 表格）
• Ablation 分析要点
• 可信度评分：实验严谨性 ⭐ / 结果可信度 ⭐ / 复现可能性 ⭐

[详细模式额外输出]：所有表格逐表分析、效率分析、统计显著性讨论、缺失实验建议、appendix 补充实验

🔍 深度洞察

[整理 insight-miner 输出]

• 3-5 个核心 insight（标题 + 简要说明 + 证据）
• 与 Embodied AI / Multimodal 的关联
• 2-3 个可行研究 idea（标题 + 一句话描述 + 可行性 ⭐）

[详细模式额外输出]：5-8 个 insight、3-5 个 idea（含完整 motivation/方法/挑战/可行性评估）、领域 Roadmap 定位、推荐阅读论文 5-10 篇

🔗 与你已读论文的关联

仅当 RELATED_LIBRARY_PAPERS 非空时输出本节。 列出与本论文相关的、用户已经读过的论文，每条：

• [arxiv-id] 标题 — 关联类型（印证 / 挑战 / 互补 / 同方向）
• 一句话说明关联点

⚡ 综合评价

维度	评分	说明
创新性	⭐⭐⭐⭐⭐	[一句话]
实验质量	⭐⭐⭐⭐⭐	[一句话]
写作质量	⭐⭐⭐⭐⭐	[一句话]
对我的研究的价值	⭐⭐⭐⭐⭐	[一句话]

[详细模式额外输出]：✅ 主要优点 / ❌ 主要缺点 / 📝 审稿建议 / 👥 适读人群

💭 关键收获（key_takeaway）

[用 1 句话总结：读完这篇论文，对你研究最有用的是什么？这一句会进入论文库 frontmatter 用于后续 recall]

🗂️ 引用场景

• 当论文需要 [场景] 时可引用
• ...

---

阶段二点五：Critic 对抗审视

默认执行；用户传 --no-critic 时跳过。

把阶段三的草稿报告写到一个临时文件 ${PAPER_TMP_DIR}/draft_report.md（用 Write 工具）。

然后用 Agent 工具调度 critic：

subagent_type="critic". Prompt 模板：

草稿报告路径：{PAPER_TMP_DIR}/draft_report.md
论文 tmp 目录：{PAPER_TMP_DIR}

请按 critic 框架审视草稿报告（不是论文），找出过于宽容、claim/evidence 错配、漏掉的 baseline、insight 不够深等问题。
[如启用 -d，附加 [详细模式] 块]

收到 critic 输出后，追加 到草稿报告末尾形成最终报告：

[草稿报告]

## 🔬 Critic Review（独立审视）
[critic 输出]

阶段四：自动写入论文库（默认）

用户传 --no-save 时跳过。

构造完整 YAML frontmatter，把最终报告写入 ~/papers/。用 Bash 把报告通过 stdin 喂给 paper_lib.py add——它会处理路径选择 + 触发 index 重建：

python3 .claude/scripts/paper_lib.py add --json <<'PAPER_EOF'
---
title: "{meta.title}"
arxiv_id: "{meta.arxiv_id}"
authors: [author1, author2, ...]
venue: "{meta.venue or null}"
year: {meta.year}
source: "{meta.source}"
tags: [3-7 个 from 关键词 + 研究方向]
rating:
  novelty: {1-5}
  experiment: {1-5}
  writing: {1-5}
  research_value: {1-5}
key_takeaway: "{阶段三 💭 节那句话}"
related_papers: [{RELATED_LIBRARY_PAPERS 中的 arxiv_id 列表}]
---

[完整最终报告 markdown，含 critic 节]
PAPER_EOF

paper_lib.py 会：

• 自动注入 date_read
• 按 <arxiv-id>.md 或 <title-slug>.md 决定文件名（arxiv-id 优先）
• 重建 ~/papers/index.md

捕获返回的 path，告知用户：📚 已存入论文库: {path}。

如果 arxiv_id 已存在于 ~/papers/（用户重读），paper_lib.py 会覆盖；这是预期行为。

阶段五：可选导出（--export / -o）

如果用户传了 --export / -o，额外 把报告写到指定路径（这与 ~/papers/ 的自动保存独立——可同时存在）。

1. 决定路径：用户指定 → 用之；否则 → {当前目录}/{slug}_report.md
2. 用 Write 工具写入完整报告（含 frontmatter 与 critic 节）
3. 输出 📁 已导出至: {path}

阶段六：呈现报告 + 后续操作提示

把完整最终报告（含 critic 节）输出给用户。

末尾追加：

📚 论文库现状：本次新增 1 篇，库内累计 {N} 篇。用 /paper-recall <关键词> 检索。

（N 通过 python3 .claude/scripts/paper_lib.py list --json | wc -l 取，或者直接读 ~/papers/index.md 表格行数。）

后续操作提示

告知用户可以继续：

1. 📌 对某个技术细节追问
2. 📊 与其他论文对比 → /paper-compare
3. 💡 深入探索某个 research idea → /paper-insight
4. 🔎 搜索相关论文 → /paper-search [关键词]
5. 📚 检索已读论文 → /paper-recall [关键词]
6. 📝 生成 related work 段落或 presentation outline