paper-analyzer

name	paper-analyzer
description	通用论文分析技能，从多种来源（arXiv/GitHub/PDF/网页）提取论文信息并生成结构化分析结果。**优先使用于**: (1) 用户需要**分析/总结/理解论文内容**，(2) 用户提供 arXiv/GitHub/PDF 链接并提到"论文阅读/分析/总结"，(3) 需要将论文转换为博客文章，(4) 需要提取论文的元数据/章节/图片。**注意**: 如果用户只是需要合并/分割/旋转 PDF 文件操作，使用 pdf skill；如果用户需要**理解论文内容**，使用 paper-analyzer

Paper Analyzer - 通用论文分析技能

核心职责

从多种来源提取论文信息，输出结构化 JSON 分析结果供 paper-to-blog 使用。

支持的输入来源

1. arXiv 链接: https://arxiv.org/abs/2305.01879 → 下载 PDF + LaTeX 源码
2. GitHub 仓库: https://github.com/user/repo → 提取 README + 下载论文 PDF
3. 项目主页: https://example.com/paper → 抓取页面内容 + 查找 PDF 链接
4. PDF 文件: 本地路径或 URL → 直接解析
5. 论文标题 + 作者: 尝试网络搜索后让用户确认

工作流程

1. 来源检测与下载

# 调用下载脚本
python ".opencode/skills/paper-analyzer/scripts/download_paper.py" \
  "<input_source>" \
  "_papers/<paper-slug>/"

下载策略（带 fallback）:

• arXiv: PDF → e-print 源码 → GitHub
• GitHub: README → releases → 项目主页 → 搜索
• 网页：HTML → 查找 PDF 链接 → 下载
• 搜索：Semantic Scholar → Google Scholar → arXiv

验证要求:

• 文件大小 > 1KB
• PDF 文件头正确（%PDF- 开头）
• 下载失败自动重试（3 次，间隔递增）

2. 内容解析

# 调用解析脚本
python ".opencode/skills/paper-analyzer/scripts/parse_paper.py" \
  "_papers/<paper-slug>/"

解析器 fallback 链:

1. pdfplumber（首选，支持文本提取）
2. PyMuPDF/fitz（备选，支持扫描版）
3. pdfminer（第三选择）
4. OCR/tesseract（最后手段，针对图片型 PDF）

提取内容:

• 元数据（标题、作者、机构、日期）
• 摘要（Abstract）
• 各章节内容（Introduction, Method, Experiments, Conclusion）
• 参考文献列表

3. 图片提取与分类

# 调用图片提取脚本
python ".opencode/skills/paper-analyzer/scripts/extract_figures.py" \
  "_papers/<paper-slug>/paper.pdf" \
  "_papers/<paper-slug>/figures/"

图片分类规则:

类型	识别关键词	示例
overview	roadmap, overview, pipeline	论文路线图
architecture	framework, architecture, model	架构图
method	method, approach, algorithm	方法示意图
result	results, comparison, accuracy	实验结果
ablation	ablation, study, analysis	消融实验
table	table, statistics, benchmark	数据表格

输出格式:

{
  "path": "_papers/slug/figures/fig_1_1.png",
  "suggested_name": "roadmap.png",
  "caption": "论文内容路线图",
  "type": "overview",
  "page": 1,
  "confidence": "high"
}

4. 生成分析 JSON

输出文件: _papers/<paper-slug>/analysis.json

完整结构:

{
  "metadata": {
    "title": "论文英文标题",
    "authors": ["Author One", "Author Two"],
    "affiliations": ["Institution 1", "Institution 2"],
    "venue": "会议/期刊名称",
    "date": "2024-01-15",
    "links": {
      "arxiv": "https://arxiv.org/abs/...",
      "github": "https://github.com/...",
      "homepage": "https://..."
    }
  },
  "abstract": "论文摘要原文",
  "sections": {
    "introduction" 
     
     
     
     
  
   
           
  
   ...
   
    
    
    
  
     
   

输出位置

_papers/<paper-slug>/
├── analysis.json          # 结构化分析结果（核心输出）
├── paper.pdf              # 下载的 PDF 文件
└── figures/               # 提取的图片
    ├── fig_1_1.png
    ├── fig_2_1.png
    └── ...

与 paper-to-blog 的协作

标准调用流程:

1. 用户提供 arXiv 链接
2. 调用 paper-analyzer 生成 analysis.json
3. 自动调用 paper-to-blog 读取 JSON 并生成博客
4. 询问用户是否保留临时文件

示例命令:

# 完整流程
python ".opencode/skills/paper-analyzer/scripts/analyze_paper.py" \
  "https://arxiv.org/abs/2305.01879" \
  --output "_papers/scott-kd" \
  --next "paper-to-blog" \
  --categories "论文阅读，知识蒸馏"

错误处理策略

错误级别	示例	处理方式
致命错误	无法下载 PDF、无可用内容	终止，告知用户原因
严重错误	所有解析器失败、图片提取全失败	降级处理，询问继续/终止
警告	某些章节缺失、图片命名置信度低	继续，在报告中说明
提示	临时文件未清理	自动处理或询问

临时文件管理

默认策略: 发布后询问用户是否删除 _papers/<slug>/ 目录

自动清理条件:

• 用户配置 auto_cleanup: true
• 博客生成成功且用户确认无误

.gitignore 规则:

_papers/*.json
_papers/*.py
_papers/figures/
*.tmp

参考文档

• 详细 API: 详见 references/api.md
• 解析器配置: 详见 references/parsers.md
• 图片分类规则: 详见 references/figure-classification.md

示例

输入

https://arxiv.org/abs/2305.01879 分类：论文阅读，知识蒸馏

输出

_papers/scott-kd/
├── analysis.json (8.2KB)
├── paper.pdf (1.2MB)
└── figures/
    ├── fig_1_1.png (roadmap.png)
    ├── fig_3_1.png (contrastive_decoding.png)
    └── ...

分析 JSON 片段

{
  "metadata": {
    "title": "Self-Consistent Thought Distillation",
    "authors": ["Xiaohan Xu", "Ming Li"],
    "affiliations": ["University A", "University B"],
    "venue": "ICML 2024",
    "date": "2024-05-15",
    "links": {
      "arxiv": "https://arxiv.org/abs/2305.01879",
      "github": "https://github.com/user/scott"
    }
  },
  "key_contributions": [
    "提出自洽思维链蒸馏方法",
    "在 5 个基准上达到 SOTA",
    "开源代码和数据"
  ],
  "tags"