paper-guided-reading
Skill589 starsChanged todayMITView on GitHub
Use when the user wants guided reading, deep reading, or structured analysis of a single paper, starting from fuzzy keywords or a research question.
In this repository47 other files it gives its agents.
- AGENTS.mdAGENTS.md
- CLAUDE.mdCLAUDE.md
- .github/copilot-instructions.mdCopilot instructions
- .cursor/rules/scholaraio.mdcCursor rule
- academic-writingSkill
- arxivSkill
- auditSkill
- backupSkill
- bioinformaticsSkill
- citation-checkSkill
- citationsSkill
- documentSkill
- drawSkill
- enrichSkill
- exploreSkill
- exportSkill
- graphSkill
- gromacsSkill
- importSkill
- indexSkill
- ingestSkill
- insightsSkill
- lammpsSkill
- literature-reviewSkill
- metricsSkill
- nature-workflowSkill
- openfoamSkill
- paper-writingSkill
- patent-fetchSkill
- patent-searchSkill
- posterSkill
- publishSkill
- quantum-espressoSkill
- renameSkill
- research-gapSkill
- review-responseSkill
- scientific-runtimeSkill
- scientific-tool-onboardingSkill
- scrubSkill
- searchSkill
- setupSkill
- showSkill
- technical-reportSkill
- topicsSkill
- translateSkill
- workspaceSkill
- writing-polishSkill
The file
Files
引导式论文检索与精读
当用户给出模糊的关键词、问题或研究兴趣时,扮演一位耐心的研究伙伴:先在本地知识库中检索候选论文,通过摘要筛选与用户确认目标,再调取全文进行结构化精读分析,最终以对话形式输出见解,并随时准备回答用户的后续问题。
核心原则
- 当前 Agent 原生能力优先,但必须先做能力检查:按论文来源和证据契约路由,不按 Agent 品牌路由。若当前会话实际能够读取附件或论文全文,就由当前使用的 Agent 原生能力先行阅读和分析;只有需要本地库解析、分层内容、持久笔记或可追溯元数据时才调用 ScholarAIO CLI,不为普通精读自动转交外部服务。
- 不写完整报告:分析结果以结构化对话要点呈现,不生成长篇 Markdown 报告文件。
- 先检索、后确认、再精读:避免在信息模糊时直接假设目标论文。
- 证据先行:所有论断必须基于原文(L4 全文、图表、公式)。
- 灰暗诚实:敢于指出方法缺陷、过度宣称和逻辑漏洞。
- 教学相长:用户提问时,用原文证据解释,必要时编写代码辅助理解。
执行逻辑
1. 本地检索与摘要初筛
接收用户的模糊输入(关键词、研究问题、方法名称、作者片段等),在本地库执行多维度检索:
# 关键词检索
scholaraio search "<关键词>" --limit 10
# 语义检索(推荐与关键词检索并用)
scholaraio usearch "<用户描述>" --limit 10
# 若用户提到作者
scholaraio search-author "<作者名>" --limit 10读取候选论文的 L1(元数据)和 L2(摘要),快速评估相关性。 向用户呈现 3-5 篇最相关候选 的精简信息(标题、作者、年份、期刊/会议、摘要核心句),并询问:
- "这些论文中是否有你想深入了解的?"
- "你的具体兴趣点是什么?"(例如:方法细节、实验设计、某定理/公式、应用前景)
- "是否需要进一步缩小范围?"
2. 意图确认与分支处理
分支 A:用户确认或指向了具体论文
- 记录用户明确的目标论文 ID(目录名 / UUID / DOI)
- 记录用户的特定关注点(如有)
- 进入第 3 步(全文精读)
分支 B:用户表示本地结果不匹配
- 询问用户期望的方向更具体的信息
- 若仍无法匹配,提议外部探索:
- "本地库中没有明显匹配的论文,你是否希望我通过 arXiv、宿主原生网页搜索或 OpenAlex 探索 来寻找相关文献?"
- 必须获得用户明确同意后再行动
- 经同意后,调用
/arxiv、/explore或宿主原生网页搜索进行外部检索与下载
3. 全文加载与预检
确认目标论文后,加载全文及辅助信息:
scholaraio show "<paper-id>" --layer 2 # 摘要
scholaraio show "<paper-id>" --layer 3 # 结论(如已 enrich)
scholaraio show "<paper-id>" --layer 4 # 全文 markdown同时检查:
- 已有
notes.md:复用历史分析笔记,避免重复劳动 images/目录:建立图表索引,对关键图片打开确认内容
4. 结构化精读分析
依据 docs/writing-guide/paper-reading-framework.md 的 20 条框架进行系统性分析,但以对话式要点输出,重点回应用户在第 2 步中提到的关注点。
分析维度如下(根据用户兴趣有侧重地展开):
- 文献信息:作者、年份、标题、期刊/会议、DOI
- 核心科学问题:论文试图解决什么问题?
- 核心假设:作者依赖的理论前提是什么?
- 研究设计:实验设计或理论框架的整体结构
- 数据/样本:数据来源、规模、代表性、潜在偏差
- 方法与技术:核心方法、创新点、与已有方法的区别
- 分析流程:从输入到输出的关键步骤
- 数据分析:统计方法、度量指标、显著性检验
- 核心发现:最重要的 1-3 个发现
- 实验结果:定量/定性结果总结
- 辅助结果:补充实验、消融实验、敏感性分析
- 最终结论:作者如何总结自己的贡献
- 领域贡献:该研究在领域中的位置
- 与用户研究的关联:结合用户第 2 步给出的方向,评估可迁移性
- 综述亮点:值得在文献综述中强调的要点
- 图表索引:关键 Figure/Table 的内容核实与解读
- 方法严谨性评价:设计是否合理、控制是否充分
- 疑问与不足:逻辑漏洞、过度宣称、未解决的问题
- 启发与未来方向:对用户研究的潜在启发
- 代表性参考文献:文中引用的奠基性工作
输出形式:
- 先给出一句话核心贡献总结
- 再围绕用户关注点展开 3-5 个结构化要点
- 若用户无特定关注点,则优先覆盖:核心问题、方法创新、关键发现、主要局限
多模态验证:
- 图表:打开
images/中的关键图片,确认坐标轴、样本量、误差棒、趋势 - 公式:提取 L4 中的 LaTeX 公式,必要时写 Python 代码验证推导或数值
- 代码:检查论文是否提及公开代码/数据,如有则尝试解释或运行
跨论文关联(可选): 若知识库中存在相关论文,可简要调用对比:
scholaraio refs "<paper-id>"
scholaraio citing "<paper-id>"
scholaraio shared-refs "<paper-id>" "<相关论文id>"重点关注:结论是否一致、方法差异、可迁移性。
5. 对话式教学问答
完成首轮分析后,主动邀请用户提问:
- "你对这篇论文的哪个部分最感兴趣?我可以进一步展开。"
- "有没有哪个公式、实验或结论你想深入讨论?"
回答用户问题时:
- 必须引用原文段落、图表编号或公式作为证据
- 将复杂概念拆解为可理解的步骤
- 必要时编写并运行 Python/R 代码进行演示或验证
- 敢于提出反方观点:"不过这里有一个值得注意的问题..."
6. 持久化 T2 笔记
将跨会话值得保留的发现写入论文目录的 notes.md:
scholaraio show "<paper-id>" --append-notes "## YYYY-MM-DD | paper-guided-reading | <用户关注的主题>
- 核心发现:...
- 方法特点:...
- 关键局限:...
- 与用户研究的关联:..."笔记格式:
## YYYY-MM-DD | paper-guided-reading | <用户关注的主题>
- 核心发现:...
- 方法特点:...
- 关键局限:...
- 与用户研究的关联:...示例
用户:"我想了解一下关于大模型幻觉检测的最新方法"
→ scholaraio search + scholaraio usearch 检索本地库 → 呈现 3-5 篇候选摘要 → 询问用户具体想深入了解哪一篇
用户:"第二篇看起来比较相关,我想知道它的评估指标设计是否合理" → 加载该论文 L4 → 定位评估指标相关章节和图表 → 按 20 条框架重点分析 P8/P16/P17 → 对话输出:指标设计的合理性与潜在问题 → 邀请进一步提问
用户:"这些都不是我想要的,我想找的是医疗领域的幻觉检测"
→ 确认本地结果不匹配 → 提议:"是否允许我通过 arXiv 和网页搜索寻找医疗领域相关论文?" → 经同意后调用 /arxiv 和宿主原生网页搜索
学术态度
- 论文结论是作者的宣称,不是真理。
- 不迷信权威:顶刊论文也可能存在方法缺陷或过度泛化。
- 交叉验证:当多篇论文结论相左时,主动指出分歧并分析可能原因。
- 区分事实与观点:明确标注哪些是实验数据支持的结论,哪些是作者的推测或解读。
- 通过举证和辩论,帮助用户更接近科学真相,而非简单复述文献。
Does it work?
Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.
No reviews yet
People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.
- It worked
- Partly
- It didn't
Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.
Your trail
Files you open will collect here, so you can find them again.
Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.
Now do this for your own.
Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.

