paper-digest

name	paper-digest
description	当 Supervisor 给出论文或 blog 的 URL/标题/PDF/DOI，或阅读队列中有待处理条目时，消化内容并生成结构化笔记到 Papers/
argument-hint	[arXiv URL / blog URL / PDF path / title / DOI]
allowed-tools	Read, Write, Edit, Glob, Grep, Bash, WebSearch, WebFetch

Purpose

给定一篇论文或技术 blog 的来源（URL、PDF 路径、标题或 DOI），它自动获取内容、提炼核心信息，并按照 Templates/Paper.md 格式生成结构化笔记保存至 Papers/。

支持两种内容类型：

• 论文：arXiv、PDF、DOI 等学术论文
• Blog：技术博客文章（如 Google Research Blog、Lilian Weng、公司技术博客等）

Steps

Step 1：获取论文内容

根据 source 的类型选择获取方式：

• arXiv URL（如 https://arxiv.org/abs/2603.08127）：用 WebFetch 抓取该页面。若需要正文，同时抓取对应的 HTML 全文页（如 https://arxiv.org/html/2603.08127）。
• CVF Open Access URL（如 https://openaccess.thecvf.com/content/CVPR2026/html/..._paper.html）：全文 走同名 PDF（把路径中的 /html/ 换成 /papers/、.html 换成 .pdf，即 .../content/CVPR2026/papers/..._paper.pdf）。⚠️ thecvf.com 对 WebFetch 的 UA 返回 403，必须用 Bash + curl 带浏览器 UA 下载 PDF 再用 Read 读取：

  curl -s --max-time 90 -A "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36" \
    -o /tmp/cvf_paper.pdf "<pdf_url>"
  

  然后 Read /tmp/cvf_paper.pdf（>10 页需指定 pages）。abstract、作者等元数据可同样用 curl 抓 html 页解析（id="abstract" / id="authors"），或直接从 PDF 首页提取。venue 字段按 proceeding 填，如 CVPR 2026、ICCV 2025。CVF 论文 PDF 免费且完整，应获取全文而非停留在 abstract。若候选来自 daily-papers，其 pdf_url 字段已给出 PDF 直链。
• PDF 路径（如 /path/to/paper.pdf）：用 Read 读取文件内容。
• 论文标题或关键词：用 WebSearch 搜索（建议加上 site:arxiv.org 或 filetype:pdf），从结果中定位最可能的论文页面，再用 WebFetch 获取内容。
• DOI（如 10.1145/...）：用 WebFetch 抓取 https://doi.org/<DOI>，跟随重定向到出版商页面。
• Blog URL（非 arXiv/DOI 的普通网页链接）：用 WebFetch 抓取页面内容。从页面中提取作者、发布日期等元数据。

网络兜底协议：若 WebFetch / WebSearch 卡住、返回空内容、只拿到 abstract、或 arXiv / HuggingFace 页面无法完整读取，读取 references/network-fetch-fallback.md 并启用 Lexmount fallback。关键约束：

1. 不把 API key 写入笔记、日志、frontmatter 或可提交文件；只从 LEXMOUNT_API_KEY 或已被 .gitignore 忽略的 .env 读取。
2. arXiv 全文优先尝试 https://arxiv.org/html/<arxiv_id>，再尝试 https://ar5iv.labs.arxiv.org/html/<arxiv_id>；用：

   python3 scripts/lexmount_fetch.py extract "<url>" --format markdown
   

3. 若 extract 结果仍不完整，再用 DOM dump 检查：

   python3 scripts/lexmount_fetch.py dump "<url>" --engine lightmount_domstable --format text
   

4. HuggingFace papers / model / dataset 页面或动态页面卡顿时，先 extract 公共页面；仍失败再 dump --engine chrome_cdp。
5. Lexmount 也失败时，明确记录"未获取全文"，不得补写正文细节。

从获取到的内容中提取以下元数据（如果全文无法获取，至少要获取 abstract）：

字段	说明
title	完整论文标题
authors	作者列表（字符串数组）
institute	作者所属机构（字符串数组，从 affiliation 提取）
date_publish	发表日期，格式 YYYY-MM-DD、YYYY-MM 或 YYYY
venue	发表场所，如 NeurIPS 2025、arXiv；blog 填来源名如 Google DeepMind Blog、Lilian Weng Blog
url	论文链接（优先用论文主页，无则用 arXiv abstract 页）
arxiv_id	arXiv id，如 2606.19409（非 arXiv 论文留空）
doi	DOI，如 10.1109/TPAMI...（期刊/会议有则填，否则留空）
code	GitHub 代码链接（若论文中提及）

Step 2：阅读并理解

Read Critically——论文不是圣经。找出隐含假设和适用边界，ablation、failure case、baseline 选择往往比 main result 更有信息量。对高引论文同样保持批判。

通读获取到的内容，重点提炼以下四个维度：

1. Problem & Motivation：作者要解决什么问题？现有方法有什么局限？为什么这个问题重要？
2. Method：核心方法/架构是什么？关键设计选择有哪些？用简洁的中文描述，保留必要的英文术语。对于 blog，此处提炼文章的核心论点或技术方案。
3. Key Results：主要实验结果是什么？在哪些 benchmark 上取得了什么指标？核心 takeaway 是什么？对于 blog，提炼关键结论、数据或 demo 效果。
4. Strengths & Weaknesses：方法的亮点与局限，以及对该领域的潜在影响。严格区分已知、推测、不知道——不 overclaim，不掩盖方法的局限。

如果只能获取 abstract 而非全文，在所有内容区块开头加注：> [未获取全文，仅基于 abstract]

Step 3：确定文件名和 tags

文件名格式：YYMM-ShortTitle.md

• YYMM：取自 date_publish 的年份后两位 + 月份，如 2603（2026年3月）
• ShortTitle：标题的 CamelCase 缩写，2-4 个关键词，如 EvoScientist、RoboClaw、DiffusionPolicy
• Blog 同理，如一篇 2026 年 2 月的 blog 关于 scaling laws → 2602-ScalingLaws.md

去重检查：用 Glob 扫描 Papers/ 目录，检查是否已存在同名或同主题笔记（搜索标题关键词）。若发现重复，停止并告知 Human，不创建新文件。

Tag 选择：阅读 references/tags.md，按照规范选择 tag。

Step 4：生成笔记

读取 Templates/Paper.md，按模板中的字段和 %% 注释指导填写所有内容。

补充规则（模板未涵盖的）：

• rating：必填，按模板中的 1-5 分制评分，基于内容质量和与当前研究方向的相关性综合判断
• 未获取全文：在受影响的章节开头加注 > [未获取全文，仅基于 abstract]，不得推测正文内容
• date_added：填写今天日期，格式 YYYY-MM-DD

Step 5：保存并记录

1. 写入文件：用 Write 将笔记保存到 Papers/YYMM-ShortTitle.md。

2. YAML 前置校验：写入后立即用 Bash 执行以下检查，确保 frontmatter 可被 Quartz 正确解析：

   f="Papers/YYMM-ShortTitle.md"
   # 检查 title 等字段值中含冒号但未加引号的情况
   awk '/^---$/{n++; next} n==1 && /^[a-z_]+:/{print}' "$f" | while read -r line; do
     value=$(echo "$line" | sed 's/^[a-z_]*: *//')
     if echo "$value" | grep -q ':' && ! echo "$value" | grep -q '^"'; then
       echo "YAML ERROR: unquoted colon in value: $line"
     fi
   done
   

   若发现未加引号的字段，立即用 Edit 为该值加上双引号后重新检查。

3. 固化引用身份：用 Bash 为该论文分配稳定 cite_key 并缓存权威 BibTeX：

   python3 skills/4-writing/latex-citation-enhancer/assign_cite_keys.py Papers/YYMM-ShortTitle.md
   python3 skills/4-writing/latex-citation-enhancer/fetch_bibtex.py Papers/YYMM-ShortTitle.md
   

   第一条从 url 抽 arxiv_id 并写回 cite_key（幂等，已有 key 不变）；第二条把 arXiv/Crossref 权威 BibTeX 存入 references/bibtex-cache.bib（抓不到则从 frontmatter 重建）。两条都安全可重复执行。

4. 追加日志：用 Edit（或 Write 若文件不存在）将以下格式的 log entry 追加到 Workbench/logs/YYYY-MM-DD.md（日期为今天）：

   ### [HH:MM] paper-digest
   - **input**: <source 的原始内容>
   - **output**: [[Papers/YYMM-ShortTitle]]
   - **observation**: <一句话描述论文核心贡献>
   - **status**: success
   

   若日志文件不存在，先创建文件（包含一级标题 # YYYY-MM-DD），再追加 entry。

5. 阅读队列：若 source 来自阅读队列（Workbench/queue.md 的 Reading 部分），用 Edit 将对应条目标记为已完成（如在行首添加 ✓ 或删除该条目）。

Step 6：survey 归属记账

笔记保存后，运行记账脚本把它挂到相关 survey 的待更新队列：

python3 scripts/survey_updates.py record "Papers/{文件名}.md"

• 脚本按 Topics/*-Survey.md frontmatter 的 keywords 与本笔记 tags/标题匹配（大小写与连字符已归一化），输出匹配到的 survey 列表（JSON）。
• 匹配为空是正常情况（论文不属于任何已有 survey 主题），静默继续。
• 脚本报错时不阻塞 digest：在当日 log 记一条 survey-updates 记账失败 即可。
• pending 的消费由 survey-refresh skill 负责（GUI canonical 在 ≥1 篇时触发；其他 survey 在 ≥5 篇或最老条目超 7 天时触发）。
• 若输出列表含 GUIAgent-Survey，该 pending 是下一 skill round 的强制优先项：在执行任何其他研究任务、或宣告一个包含 digest+整合的多步请求完成前，必须先运行 survey-refresh。独立的单篇 digest 可以在本轮结束，但必须明确报告“GUI survey integration pending”；这保留“一轮一个 skill”的原子性，同时保证下一轮立即整合。
• GUI canonical 特例：若输出包含 GUIAgent-Survey，不等待 5 篇 / 7 天阈值；保持本轮 paper-digest 原子性，并由下一轮优先执行 survey-refresh GUIAgent-Survey。GUI 论文的 tag 必须遵守 references/tags.md 的 umbrella 规则，避免只标 agentic-RL 或宽泛 environment 而漏记账。

Guard

• 不覆盖已有笔记：若 Papers/YYMM-ShortTitle.md 已存在，停止执行并告知 Human，不得覆盖或修改已有文件。
• 不捏造信息：所有字段必须来自论文原文。无法获取全文时，在受影响的章节开头标注 > [未获取全文，仅基于 abstract]，不得推测正文内容填充 Method / Key Results 等节。
• 语言规范：正文用中文撰写，英文技术术语（模型名、方法名、benchmark 名）保持英文，不做翻译。

Verify

• Papers/YYMM-ShortTitle.md 已创建且正文 >200 字
• frontmatter 的 title、authors、date_publish 字段非空
• YAML 前置校验通过：所有含冒号的字段值已加双引号（title、venue 等）
• 引用身份已固化：frontmatter 的 cite_key 非空，references/bibtex-cache.bib 含该 key 的条目
• Summary 节非空且不超过 3 句话
• 日志已追加到 Workbench/logs/YYYY-MM-DD.md

Examples

示例 1：从 arXiv URL 消化论文

/paper-digest "https://arxiv.org/abs/2603.08127"

执行过程：

1. WebFetch https://arxiv.org/abs/2603.08127 获取 abstract、作者、日期等元数据
2. WebFetch https://arxiv.org/html/2603.08127 获取 HTML 全文
3. 提炼 Problem / Method / Results / Strengths & Weaknesses
4. Glob Papers/2603-*.md 检查是否重复
5. 读取 references/tags.md 选取合适 tags
6. Grep Papers/ 和 Ideas/ 搜索相关笔记
7. 写入 Papers/2603-EvoScientist.md
8. 追加日志到 Workbench/logs/2026-03-26.md

输出文件：Papers/2603-EvoScientist.md

---

示例 2：从论文标题搜索

/paper-digest "Diffusion Policy: Visuomotor Policy Learning via Action Diffusion"

执行过程：

1. WebSearch "Diffusion Policy: Visuomotor Policy Learning via Action Diffusion" site:arxiv.org
2. 获取 arXiv 链接，WebFetch 抓取内容
3. 后续步骤同示例 1

输出文件：Papers/2303-DiffusionPolicy.md

---

示例 3：从本地 PDF 消化

/paper-digest "/Users/qingli/Downloads/roboclaw_2025.pdf"

执行过程：

1. Read /Users/qingli/Downloads/roboclaw_2025.pdf 读取 PDF 内容
2. 从内容中提取元数据（title、authors、date、venue）
3. 后续步骤同示例 1

---

示例 4：从 blog URL 消化

/paper-digest "https://lilianweng.github.io/posts/2024-11-28-reward-hacking/"

执行过程：

1. WebFetch 抓取 blog 页面内容
2. 提取元数据：title、author（Lilian Weng）、date_publish、venue 填 Lilian Weng Blog
3. institute、code 无法确定则留空
4. 提炼 Problem / Method（核心论点）/ Key Results（关键结论）/ Strengths & Weaknesses
5. 后续去重、tag 选择、Connections 搜索、保存、日志同论文流程

输出文件：Papers/2411-RewardHacking.md