用途：对学术论文进行结构化自动评审。输入为 PDF 文件或 .tex 文件路径（$ARGUMENTS）。若为 PDF，先用脚本抽取文本；若为 .tex，直接读取 LaTeX 源码。
主要能力：基于 references/review-form.md 中的 NeurIPS 审稿 JSON 格式，运行三种独立审稿角色——严格但公正、严格且批判、开放心态——各自生成评审。每份评审后应用反思提示，重新评估准确性与合理性并按需精炼，每位审稿人最多 3 轮，直到确认完成。
聚合与输出：合并三份评审，数值分数取平均并四舍五入为整数；综合出寻找共识的 meta-review；按 AgentLaboratory 权重加权，Overall (1.0)、Contribution (0.4)、Presentation (0.2)、其余各 0.1。最终输出包括评审摘要（Overall Score、加权分、Accept/Reject 决定、Confidence）、优势、劣势、给作者的问题、具体改进建议，以及各维度分数明细表。
必要用法：抽取 PDF 文本可运行 python ~/.claude/skills/self-review/scripts/extract_pdf_text.py paper.pdf --output paper_text.txt，或加 --format markdown；解析章节可运行 python ~/.claude/skills/self-review/scripts/parse_pdf_sections.py --pdf paper.pdf --output sections.json，另有 --format text、--verbose 参数。依赖安装：pip install pymupdf4llm pymupdf pypdf；解析脚本需 pip install pymupdf。
强制检查：必须确认 Abstract、Introduction、Methods/Approach、Experiments/Results、Discussion/Conclusion 等章节齐全，缺失则降低分数。相关技能：上游 paper-compilation，下游 paper-revision、rebuttal-writing，另见 slide-generation。
限制：资料未提供具体评分细则、模型调用方式或支持的语言范围；实际效果依赖文本抽取质量与所用模型，暂未提供更多说明。