用途
该技能用于系统化地分析和总结研究论文，提取关键贡献、方法细节，并将研究发现置于相关文献背景中。它面向研究人员，帮助在阅读论文时高效获取可操作的见解，同时保持批判性评估。
主要能力
论文访问方式
接受的输入格式包括：
- 本地文件：绝对路径（如 /path/to/paper.pdf）、相对路径（如 ./papers/smith2024.pdf）、Markdown 文件（如 paper.md）
- DOI：标准格式（如 10.1234/journal.2024.12345）、带前缀格式（如 doi:10.1234/journal.2024.12345），可通过 https://doi.org/{doi} 解析
- URL：ArXiv（如 https://arxiv.org/pdf/2301.12345.pdf）、期刊网站的直接 PDF 或 HTML 链接、预印本服务器（bioRxiv、medRxiv 等）
访问问题处理
- 付费墙内容：使用可获取的摘要和元数据，提取公开可访问部分，在总结中注明限制，建议开放获取替代方案
- PDF 读取失败：请求文本版本（如有），尝试替代格式（HTML、arXiv），从 DOI 元数据提取
分析框架
初步扫描：识别论文结构（摘要与关键主张、章节组织如 IMRaD 或自定义、图表概览、引用密度与关键引用）；分类论文类型（理论、方法、应用、综述、实证）。
内容提取优先级：
- 必须提取：主要贡献与主张、方法路径与假设、带统计证据的关键结果、已承认的局限、相关工作定位
- 重要捕获：实验设置与验证、实现细节、性能指标与比较、数据集特征、可复现性信息
- 锦上添花：未来工作建议、更广泛影响、考虑过的替代方法、讨论的失败模式
质量评估标准
方法严谨性：强指标包括清晰的研究问题、与问题匹配的方法、受控比较、正确评估统计显著性、公开讨论局限、明确陈述假设；弱指标包括目标模糊、方法未论证、挑选结果、基于有限证据过度声称、忽视相反证据、未承认的假设。
可复现性评估：高可复现性包括代码公开、数据可访问或描述充分、实现细节完整、超参数指定、随机种子提供、环境记录；低可复现性包括“实现细节因简洁省略”、无代码或数据共享、参数描述模糊、关键细节缺失、非标准方法无解释。
影响力潜力：高影响指标包括解决重要问题、新颖方法或见解、强实证结果、可推广到特定案例之外、清晰的实际应用、挑战现有假设；有限影响指标包括增量改进、适用性窄、新颖性有限、实证支持弱、实际价值不明确。
分析结构
概述部分：用 2-3 段综合说明解决什么问题、主要贡献是什么、关键发现或结果是什么、为什么重要。
亮点：以要点形式提取最重要发现、关键方法创新、意外或反直觉结果、实际意义、需注意的局限。
优势评估：方法优势（严谨实验设计、适当统计分析、全面评估、清晰呈现）；影响优势（新颖贡献、实际适用性、理论见解、可复现性支持）。
不足评估：具体且公平地指出方法局限、范围约束、解释不清、缺失比较、可复现性担忧、证据不支持的过度声称；区分根本缺陷（使结论无效）、重要局限（影响解释）、次要问题（不影响主要发现）。
逐节分析
- 引言：提取问题动机与重要性、所填补的研究空白、主要研究问题、声称的贡献、论文组织；评估动机是否令人信服、空白是否清晰识别、主张范围是否适当。
- 方法/路径：提取核心方法或算法、关键设计决策与理由、所做假设（显式与隐式）、实现细节、参数与配置；评估方法是否论证充分、假设是否合理、描述是否完整到可复现、局限是否承认。
- 结果/实验：提取实验设置、所用数据集或场景、指标与评估标准、带数字的主要发现、统计显著性、与基线的比较；评估实验设计是否良好、比较是否公平、结果呈现是否清晰、统计分析是否适当、主张是否有证据支持。
- 讨论/结论：提取结果解释、更广泛影响、讨论的局限、建议的未来工作、核心要点；评估解释是否合理、局限是否诚实处理、更广泛主张是否得到支持。
技术细节提取
- 方法论文：算法伪代码或描述、计算复杂度、关键方程与公式、实现策略、性能特征
- 理论论文：主要定理与证明结构、假设及其必要性、形式定义、理论保证、与先前工作的联系
- 应用论文：领域背景与需求、数据特征、解决的具体挑战、现实约束、实际验证
- 综述论文：所用分类法、覆盖范围、识别的趋势、文献空白、建议的研究方向
相关工作定位
识别关键相关论文引用、本工作如何不同、填补什么空白、扩展哪些结果、在研究轨迹中的位置；评估相关工作覆盖是否充分、比较是否公平、重要工作是否引用、新颖性是否清晰确立。
输出格式模板
输出包含：论文摘要标题、作者、年份、发表场所、DOI/URL；概述（2-3 段综合）；亮点（要点列表）；优势；不足；详细总结（引言、方法、结果、讨论）；技术细节；相关工作背景；潜在应用；可复现性说明。
按领域的特殊考量
- 机器学习/AI：架构细节与超参数、训练过程与收敛、数据集特征与划分、消融研究、计算需求、泛化证据
- 统计/生物统计：模型设定与假设、先验选择与理由、可识别性与推断、敏感性分析、缺失数据处理、验证方法
- 流行病学/公共卫生：研究设计与人群、暴露与结局定义、混杂调整、因果解释、可推广性、公共卫生意义
- 计算生物学：生物学背景与动机、数据来源与预处理、用已知生物学验证、生物学解释、数据/代码可复现性
使用方式
该技能通过接受论文输入（本地文件、DOI 或 URL）触发分析流程，按上述框架执行初步扫描、内容提取、质量评估、逐节分析、技术细节提取与相关工作定位，最终按输出格式模板生成结构化论文摘要。具体调用方式与集成方法暂未提供。
适用场景
- 为文献综述阅读论文
- 评估方法以决定是否采用
- 为研究方向评估新颖性
- 提取技术细节用于实现
- 为团队准备论文摘要
- 为期刊/会议审稿
- 构建带注释的书目
限制
- 付费墙内容只能基于摘要和元数据，分析受限
- PDF 读取失败时需依赖替代格式或 DOI 元数据
- 具体调用方式、集成环境与平台支持暂未提供
- 不编造论文内容，缺失信息需明确标注