用途：忠实实现 PaperOrchestra（Song 等，2026，arXiv:2604.05018）第 3 节及附录 C、F.2 中 PaperWritingBench 的数据集构建流程。原基准含 200 篇论文（100 篇 CVPR 2025 + 100 篇 ICLR 2025），对每篇论文用附录 F.2 的三个提示词剥离叙事流，反向拆解出 (I, E) 元组。本技能可用于从任意论文 PDF 反向拆解自建基准案例。
主要能力：给定一篇已有 AI 研究论文（PDF 或 markdown 提取文本），产出三份文件——idea_sparse.md（稀疏变体：高层概念笔记，无数学、无实验结果）、idea_dense.md（密集变体：含 LaTeX 公式与变量定义的详细技术方案，仍无实验结果）、experimental_log.md（详尽原始实验设置、数值数据与定性观察，剥离全部叙事引用）。三者构成 paper-orchestra 流水线完整的 (I, E) 输入对。
使用方式：对每篇论文运行三次独立 LLM 调用，分别加载 references/sparse-idea-prompt.md、references/dense-idea-prompt.md、references/experimental-log-prompt.md，将论文文本作为 {paper_content} 传入。输出路径为 bench/<paper_id>/ 下的三个文件。随后选一个变体，连同 experimental_log.md、目标会议 template.tex 与 conference_guidelines.md 放入 paper-orchestra 工作区运行流水线，再用 paper-autoraters 与原文对比（引用 F1、文献综述质量、SxS 论文质量）。
关键规则：三份输出均不得含 \cite、参考文献编号或作者名；剥离所有超链接；匿名化作者、单位与致谢；每份文件须自洽；idea 文件不得泄漏实验内容；实验日志不得引用表/图编号；实验日志数值须 100% 准确。
限制：PDF→markdown 提取需宿主环境自备工具（原文用 MinerU）；受控实验可另用 PDFFigures 2.0 单独提取图。其余细节暂未提供。