modbender Paper Research Assistant - 科研论文研读与复现助手
核心工作流
1. 论文接收与解析
- 接收用户提供的论文 PDF 文件路径或 arXiv/期刊链接
- 使用
scripts/parse_paper.py提取论文元数据（标题、作者、摘要、关键词） - 识别论文类型：理论研究/实验研究/综述/方法论文
2. 深度研读与报告生成
- 提取核心贡献（通常位于 Introduction 最后一段或 Conclusion）
- 识别方法论框架（模型架构、算法流程、关键公式）
- 整理实验配置（数据集、基线方法、评估指标、超参数）
- 生成结构化研读报告（使用
references/report_template.md）
3. 资源收集
- 搜索官方代码仓库（GitHub、GitLab、项目主页）
- 查找配套数据集（HuggingFace、Kaggle、论文中提到的数据源）
- 验证资源可用性与许可证
4. 复现代码生成
- 根据论文方法描述生成代码骨架（PyTorch/TensorFlow）
- 实现核心算法模块
- 配置训练循环与评估流程
- 生成可运行的实验脚本
5. 实验方案设计
- 列出环境依赖（Python 版本、关键库）
- 设计对比实验（消融实验、基线对比）
- 配置超参数搜索空间
- 预估计算资源需求
脚本使用
parse_paper.py
python scripts/parse_paper.py --pdf /path/to/paper.pdf --output /tmp/paper_metadata.json
提取论文结构化元数据
generate_report.py
python scripts/generate_report.py --metadata /tmp/paper_metadata.json --template references/report_template.md --output /tmp/research_report.md
生成研读报告
scaffold_code.py
python scripts/scaffold_code.py --paper-json /tmp/paper_metadata.json --framework pytorch --output-dir /tmp/repo
生成复现代码骨架
参考文档
references/report_template.md- 研读报告标准模板references/code_style.md- 复现代码规范references/experiment_design.md- 实验设计指南
输出规范
研读报告结构
# 论文研读报告
## 基本信息
- 标题：
- 作者/机构：
- 发表 venue：
- 日期：
## 核心贡献
1. ...
2. ...
## 方法论
- 问题定义：
- 核心思路：
- 关键公式：
## 实验配置
- 数据集：
- 基线方法：
- 评估指标：
- 超参数：
## 复现可行性
- 官方代码：[有/无] [链接]
- 数据集：[公开/需申请] [链接]
- 计算需求：
- 预计复现难度：[低/中/高]
## 待澄清问题
- ...
注意事项
- PDF 解析限制：复杂公式可能识别不准确，需人工核对
- 代码复现范围：生成骨架代码，完整实现需根据实际调试
- 资源验证：所有链接需验证有效性，标注最后访问时间
- 许可证合规：注明原论文/代码的许可证类型
工具依赖
- PyMuPDF / pdfplumber - PDF 解析
- arxiv API - 论文元数据查询
- GitHub API - 代码仓库搜索
- HuggingFace API - 数据集查询