# Paper Read > 阅读一篇 paper（PDF 或 tex），生成结构化的中文阅读笔记，供事后查阅复习。当用户给出论文下载链接、arxiv 链接/编号，或论文名称/关键词，并希望精读、解析、做笔记、总结或复习一篇学术论文时使用。 - Skill: `pkulijing/paper-read` (Agent Skill) - Install (CLI): `npx skillmds@latest add pkulijing/paper-read` - Raw SKILL.md: https://api.skillmd.com/api/skills/pkulijing/paper-read/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Docs & Writing - Author: pkulijing (https://skillmd.com/u/pkulijing) - Updated: 2026-09-17 - Page: https://skillmd.com/skills/pkulijing/paper-read --- ## 论文下载 - 需要分析的论文为pdf或tex格式 - 当我直接提供下载链接时，使用我提供的下载链接下载 - 我只提供论文名称或关键词时，去 arxiv.org 下载论文pdf进行分析 - 如果 arxiv.org 搜不到论文，请报错要求我提供下载链接，不要自行搜索 ## 文件命名 - 笔记文件默认命名为 reading-paper-keyword.md - paper keyword 是论文最具代表性的关键词，全部小写，多个词用连字符 - 连接 - 举例：讲 PixelCNN 的论文，文件名就叫 reading-pixel-cnn.md - 若项目级 CLAUDE.md / AGENTS.md 另有命名规则，以项目规则为准 ## 文件格式 ### 格式要求 - 笔记文件为 markdown 格式 - 数学公式使用 MathJAX 支持的 latex 格式 - 使用 mermaid 绘制较简单的流程图 - 论文内容中的重要插图、复杂的函数图像直接在 markdown 中插入；图片文件保存到与笔记 markdown 同级的 `assets/` 文件夹（就近原则，而非固定根目录），引用使用相对路径 `![](assets/xxx.png)`。 ### 语言及编码 - 使用utf-8编码 - 笔记主体使用简体中文，通用术语（如 CNN/VAE）可以使用英文 - 只能使用中文、英文、标点符号，不得使用 emoji/希腊字母/箭头等 unicode 符号（行内公式使用行内 latex 表示） ### 排版注意事项 #### 标题层次 - Markdown一级标题：笔记大标题，格式为 `[论文标题](论文下载链接)` - Markdown 二、三、四级标题需要包含数字序号，与标题内容用空格隔开。 - 二级标题： 如`2. 论文的前序知识`。目录除外，目录不需要序号 - 三级标题： 如`2.1 BPE Encoding` - 四级标题：如`2.1.1 BPE 算法原理` - 不得包含五级及以下的标题。如果四级标题以下仍有明显的分段结构，直接用黑体做小标题，如: `**注意事项**` #### 混排要求 中文与英文、公式混排时，需要用空格隔开，确保美观和公式渲染正常 - 中文后跟随行内 latex 公式时，用空格隔开，如`对于服从均匀分布的随机变量 $u\sim U(0,1)$` - 英文单词与两侧的中文之间用空格隔开，如 `服从 Gumbel 分布` - 英文或行内公式前面的标点符号用英文标点符号如`,.;""`，不要用中文标点符号如`，。；“”` #### Latex 规范 - 公式中需要文字时，使用`\mathrm`，不要使用 `\text` - 中括号使用 `\lbrack, \rbrack`，不要直接使用 `[]` - 大括号使用 `\lbrace, \rbrace`，不要直接使用 `\{\}` - 星号使用 `\ast`，不要直接使用 `*` - 省略号使用 `\cdots`，不要直接用 `...` - 竖线使用 `\mid`，不要直接用 `|`，如 `p(x \mid z)` ## 文件内容 每篇阅读笔记都应该包括以下部分： - 目录 - 包含二、三、四级Markdown标题，即直到 1.2.3 级别的标题 - 论文的动机 - 根据论文 Abstract/Introduction/Conclusion 的内容，分析论文面临什么背景、要解决什么问题、做出了什么贡献 - 结合论文对相关工作（Related Work）的讨论，梳理本文与已有文献的关系：在前人基础上改进了什么、弥补了哪些已有方案的局限、与同类方法的关键区别 - 论文的前序知识：论文中没有详细论证、直接使用结论的前序数学或深度学习知识 - 数学知识：论文涉及的高等数学以上的数学基础知识，如 VAE 的论文用到了贝叶斯概率，i-ResNet 的论文用到了 Lipschitz 常数 - 深度学习知识：论文主体用到的前序研究的核心贡献，比如 DALL-E 的论文用到了 BPE Encoding, PixelRNN 论文用到了 LSTM - 这部分只讲知识，不要与论文的主题联系 - 这部分可以简略一些，不要过分detail，宁缺毋滥，我看不懂的会再要求你补充 - 属于常识、或读者大概率已掌握的核心基础不必在此展开 - 论文的主要逻辑：笔记的主体 - 详细阐述论文的核心逻辑，讲清楚模型的创新点，数学结论推导、模型宏观设计、核心模型组件设计等 - 论文的工程实现每一点用一两句话简要概括即可，如模型量化、分布式训练、数据集收集等 - 总结 - 与motivation呼应，重点关注 Conclusion，总结一下论文解决了什么问题 - 简要点出论文的后续影响，或作者展望的延伸方向（future work，如有） **不要**包含以下内容： - 详细的实验结果：直接忽略，无需概括