用途：该技能用于深入拆解学术论文，结构化提取实验方法论、算法/系统流程、所用数据集、超参数与性能测试结果，便于研究者复现前人工作或对比基线。
主要能力：按 10 个必填组件提取信息，包括论文目标、数据集（名称、规模、来源、标签、时间范围、训练/验证/测试划分、数据增强）、预处理、模型/方法及基线、架构（网络结构、激活函数、参数量、流程图）、参数（学习率、优化器如 AdamW、batch size、epoch、损失函数、软硬件环境）、评估（Accuracy、F1、RMSE、交叉验证）、主要结果、局限性、可复现性（代码仓库链接、安装说明、数据集公开性）。
使用方式：先确定要提取的技术要素，再用文献检索工具获取论文 ID 或 URL。执行强制性的分节解析脚本以过滤方法、设置与结果部分，避免上下文过载：python "<PATH_KE_SKILL>/scripts/parse_sections.py" --input paper_text.md --output sections.json。随后基于 sections.json 的片段进行深度评估，不得仅凭摘要推断。最后以 Markdown 表格或 JSON 输出结构化结果，并做可复现性检查。
依赖：literature-search-openalex、literature-search-arxiv、pubmed-database。
限制与规则：严禁编造技术数值；未报告的参数须写“未报告”，数据集不明确须写“未明确说明”，仅以图表呈现的结果须注明为视觉估算并给出范围。禁止跨论文直接比较性能，除非数据集、实验配置与测试场景一致。每个数值或参数须标注原文出处（如某表某页某列）。