didixuxu 论文剥洋葱 Paper Onion
核心理念
读论文不是信息倾倒，而是逐层内化的过程。这个技能模拟一个有经验的研究者如何真正读懂一篇论文：
- 先花30秒扫一遍，建立第一印象
- 再花5分钟理清故事线骨架
- 然后20分钟深入核心机制
- 最后10分钟内化为自己的理解，连接已有知识
每一层都不是简单的信息摘取，而是回答一个认知问题。
输入处理
接受以下输入类型：
- PDF 文件路径（从 /mnt/user-data/uploads/ 读取）
- 论文 URL（需要 fetch）
- 直接粘贴的论文文本
如果是 PDF，先提取全文文本。如果提取困难，基于可获取的部分（标题、摘要、图表描述）尽力分析，并告知用户。
四层剥洋葱流程
对论文执行以下四层分析。每一层都有一个认知问题驱动，而非机械地填表。
第一层 · 30秒扫读 (👁)
认知问题：这篇论文在说什么？
只看标题、摘要、引言第一段和结论，提取：
one_sentence：一句话概括（不超过40字，用中文，必须让非专业人士也能听懂）key_question：这篇论文试图回答的核心问题（用问句表达）first_impression：3个第一印象要点（每个不超过15字）
风格要求：像你30秒扫完后跟朋友口头说"这论文讲的是……"那样自然。不要用学术腔。
第二层 · 骨架透视 (🦴)
认知问题：论文的逻辑骨架是什么？
快速通读全文，提取论文的"故事线"：
storyline：4步故事线，每步包含label和text- 第1步标签用 "痛点"：前人方法的关键瓶颈是什么
- 第2步标签用 "灵感"：作者的突破性洞察是什么
- 第3步标签用 "方案"：具体怎么做的（一句话概括方法）
- 第4步标签用 "证据"：关键实验数据（必须带具体数字）
key_figure：论文中最重要的一张图/表的描述（指明Figure几，说清楚它展示了什么）
风格要求：故事线要像一个"以前→发现→做了→证明了"的叙事，不是干巴巴的列表。
第三层 · 深度解剖 (🔬)
认知问题：核心机制到底怎么工作的？
仔细分析方法部分，提取：
mechanisms：3-5个核心机制，每个包含：what：机制名称why：为什么这样设计（不是"是什么"，而是"为什么"）formula：关键公式或伪代码（用简洁的数学表示，如果没有公式就用一句话描述算法流程）
hidden_assumptions：2-3个论文没有明说但暗含的假设（这是最有价值的部分——作者不说但你应该知道的）
风格要求：每个 why 必须回答"如果不这样做会怎样"。隐形假设要尖锐但公正。
第四层 · 内化连接 (🧠)
认知问题：这对我意味着什么？
这是最重要的一层，也是大多数人跳过的一层：
napkin_formula：餐巾纸公式——用不超过10个字浓缩整篇论文的核心insight（像 "并行注意力 ＞ 顺序循环"、"扩散 = 逆向去噪" 这样极度压缩的表达）core_insight：核心洞察——2-3句话，说清楚这篇论文改变了什么认知。不是摘要的重复，而是"读完后你理解了什么之前不理解的东西"connections：3-5个知识连接，每个包含：to：连接到的其他论文/概念/方法（写清名称和年份）link：这个连接是什么关系（继承/对比/互补/启发/推广）用一句话说清
what_changed：读完这篇论文后"我的认知变化"——用第一人称写，像日记一样
风格要求：这一层最能体现深度理解。如果 connections 只能想到论文自己引用的那些reference，说明理解还不够深——要跨领域连接。
输出：React Artifact 笔记卡
完成四层分析后，生成一个 React artifact (.jsx)，呈现为手绘风格的笔记卡片。
关于视觉风格和实现细节，请阅读 references/notecard-template.md。
关键设计原则
- 一张卡片浓缩全部精华：不是四层的简单拼接，而是有主次的信息架构
- 手绘/纸质感：温暖的纸张底色(#fdf8ef)、手写字体(Caveat)、微微倾斜的元素、虚线边框
- 餐巾纸公式居中放大：这是整张卡的视觉焦点
- 故事线用箭头连接：痛点 → 灵感 → 方案 → 证据，一目了然
- 知识连接用彩色左边框：每个连接一种颜色，像思维导图的分支
- 隐形假设用警告色：提醒读者注意的地方
交互方式
这个技能的输出是一次性生成完整的笔记卡（不是交互式的多步操作）。但在生成过程中，按四层顺序组织思考，确保每一层都足够深入。
如果用户在看完笔记卡后追问某一层的细节，可以展开讨论，但不需要重新生成整张卡。
语言
- 所有分析内容用中文输出
- 论文标题、人名、术语保留英文原文
- 公式用英文/数学符号
- 风格：口语化、有温度、避免学术八股。想象你在咖啡馆给一个聪明的朋友讲这篇论文