用途：面向科研论文的研读与复现，接收论文 PDF 路径或 arXiv/期刊链接，辅助提取核心内容、整理实验配置并生成复现材料。
主要能力：解析论文元数据（标题、作者、摘要、关键词）并识别论文类型；提取核心贡献、方法论框架与实验配置（数据集、基线、评估指标、超参数）；按模板生成结构化研读报告；搜索官方代码仓库与配套数据集并验证可用性和许可证；按论文方法生成 PyTorch/TensorFlow 代码骨架；设计对比实验、超参数搜索空间并预估计算资源。
使用方式：先解析论文，再生成报告与代码骨架。 解析：python scripts/parse_paper.py --pdf /path/to/paper.pdf --output /tmp/paper_metadata.json 生成报告：python scripts/generate_report.py --metadata /tmp/paper_metadata.json --template references/report_template.md --output /tmp/research_report.md 生成代码骨架：python scripts/scaffold_code.py --paper-json /tmp/paper_metadata.json --framework pytorch --output-dir /tmp/repo 参考文档包括 references/report_template.md、references/code_style.md、references/experiment_design.md。
适用场景：论文速读与研读报告撰写、复现可行性评估、复现代码起步搭建、实验方案与资源需求规划。
限制：复杂公式解析可能不准确，需人工核对；生成的是骨架代码，完整实现需实际调试；链接需验证有效性并标注访问时间；须注明原论文与代码的许可证类型。工具依赖 PyMuPDF/pdfplumber、arxiv API、GitHub API、HuggingFace API。