# Paper Deep Read

> 对学术论文进行科研式精读、讲解和批判性评估；适用于用户提供论文 PDF、链接或文本，并希望理解研究问题、方法、证据、图表、创新与局限时。

- Skill: `cj-lazy/paper-deep-read` (Agent Skill, multi-file: 6 files)
- Install (CLI): `npx skillmds@latest add cj-lazy/paper-deep-read`
- Raw SKILL.md: https://api.skillmd.com/api/skills/cj-lazy/paper-deep-read/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Docs & Writing
- Author: cj-lazy (https://skillmd.com/u/cj-lazy)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/cj-lazy/paper-deep-read

---


# Paper Deep Read

帮助用户形成可复述、可评价、可继续研究的理解，而不是逐句翻译或只复述摘要。

## 先确定材料与目标

- 优先获取完整论文；只有摘要、网页片段或不完整章节时，明确说明证据范围，不能假装已经评估全文。
- 识别用户需要的是快速判断、通俗讲解、方法复现、图表解读、批判性阅读，还是与自身课题的关联。未说明时，默认做“精读讲解 + 可信度评估”。当用户说“学习”“讲明白原理”“数学逻辑”“我能学会”时，采用**学习优先的双层输出**：先解释方法机制和符号，再保留完整的科研式评审；两者互补，不相互替代。
- 使用适合 PDF 内容提取与页面核对的能力。涉及图、表、公式、版式或页码时，检查原页，而不是只依赖文本抽取。
- 学科术语保留原文并在首次出现时用中文解释；公式先说明变量、输入输出和研究中的作用，再讲推导。

## 建立论文的论证地图

按下列顺序重建工作，而非按文章句子顺序改写：

1. **问题与定位**：研究对象、待解决问题、理论或实践缺口、作者的核心主张。
2. **研究设计**：研究类型；数据/样本/语料；干预或模型；对照或基线；评价指标；关键假设。
3. **证据链**：把每个主要结论连到相应结果、图表、实验或推导。区分“作者观察到的结果”“作者的解释”“本文尚未证明的外推”。
4. **贡献与边界**：与最相近既有工作相比改变了什么；哪些条件下成立；作者承认和阅读时发现的限制。

给重要判断标注对应的章节、页码、图或表（材料允许时）。找不到证据时写“文中未说明”或“需要进一步核对”，不要补造细节。

## 科研式评估

评价围绕论文类型调整，避免把所有论文套进同一种实证标准：

- **实证/实验论文**：检查研究对象与抽样、对照或基线、公平比较、指标与统计、混杂因素、稳健性/消融、可复现信息和结果外推范围。
- **方法/计算论文**：检查问题设定、训练/测试泄漏、比较预算、实现或超参数、数据集代表性、误差分析以及成本和适用条件。
- **理论论文**：检查定义、前提、定理或命题的范围、证明关键跳步，以及理论结论到实际应用之间是否仍有缺口。
- **综述/系统综述**：检查检索范围、纳入排除标准、证据分级、偏倚处理、引用是否均衡，以及结论是否超过所纳入证据。

不因发表 venue、作者名气或被引量自动推断质量。将“论文报告的事实”“合理解释”“你的批判性判断”分别标出。

## 讲解与输出

默认按“先建立问题，再学会方法，再检验证据，最后评价工作”的顺序组织。对以学习为目的的精读，采用下列结构：

1. **研究背景与论文全貌**：领域正在解决什么问题、此前方案的不足或缺口、本文的研究问题；再用一段话说明本文提出什么方法、处理什么输入、产出什么结果、声称解决了什么。必要时给出一句话结论和适合的读者。
2. **原理与数学逻辑**：按数据流解释方法、关键图表/公式、算法流程和端到端手算例子。此部分是学习的主体，不得为了压缩篇幅而删减公式解释、维度/符号说明、数值例子、参数敏感性或失败条件。
3. **实验与证据分析**：先交代数据、任务划分、基线、指标、实现与公平比较；再解读主结果、消融、可视化或误差分析。对每项核心主张说明它由什么证据支持、证据强度如何、还不能推出什么结论。
4. **优点、局限与科研评价**：最后再归纳创新与实际优点、方法或实验设计的局限、适用边界、可复现性和可继续研究的问题；明确区分论文报告的事实、合理解释和批判性判断。

根据实际材料删减而不是凑齐栏目。用户要求“讲论文”时，要讲清因果/机制/推理，不只给摘要翻译；用户要求“精读”时，使用 [阅读框架与输出模板](references/reading-framework.md)。

### 学习讲解模式

先让用户建立可运行的心智模型，然后用科研式评审检验该方法的真实价值。阅读 [学习讲解模式](references/learning-mode.md)，并遵循：

1. 从一个具体输入例子开始，逐步跟踪一个对象/样本如何经过整个方法；
2. 每个公式先说明它在流程的哪一步、要比较或优化什么、所有符号的含义和范围，再解释运算与直觉；
3. 对算法伪代码逐行解释输入、循环、状态如何变化和输出；
4. 区分论文明确写出的定义、由公式直接推出的含义和为了理解给出的简化例子；
5. 每个关键小节给出一个简短自检问题或可手算的小例子。不要跳过关键公式而直接给结论。

当论文包含多个核心公式、损失函数、阈值算法或几何变换时，数学讲解的篇幅和粒度优先于摘要与评审；阅读 [数学深讲协议](references/math-deep-dive.md)。科研评审必须保留，但不得以压缩公式推演为代价。

对以学习为目标的输出，同时阅读 [科研学习补充协议](references/research-learning-upgrades.md)。它只补充三项而不改变既有输出顺序：在“研究背景与论文全貌”中给出简洁的学习定位；在容易混淆来源时标记论文事实、公式推论、教学补充和批判判断；在方法讲解结束、实验分析开始前列出有证据的可复现性缺口。

学习讲解的推荐顺序是：研究背景与论文全貌 → 预备概念 → 要解决的关联决策 → 单模块原理与公式 → 模块如何接起来 → 用一个小例子走完全流程 → 常见失败情形 → 实验与证据解读 → 优点、局限与科研评价。公式缺少实现细节或定义不完整时，指出缺口并说明继续推导需要的资料。学习部分的每一个关键假设或潜在失败点，应在后续实验分析或最终评价中得到证据核对，或明确标为待核对。

## 完成前检查

- 能否不看原文清楚说出问题、方法、主要证据和结论边界？
- 每个核心结论是否有可定位的证据？
- 是否把相关性误说成因果，把统计显著误说成实际重要，或把作者解释误说成事实？
- 是否指出了至少一个会改变结论适用范围的前提或局限？
- 学习定位是否只列出理解本文真正需要的前置概念，而没有把它扩写成泛泛教程？
- 是否在来源层级切换处作了清晰标记，并把文中未交代的复现要素如实列为缺口？