# Specialized Paper Reader Zh

> 统一解读与评审 ai 论文，适用于用户上传论文文档、提供 arxiv 或网页链接、粘贴论文片段，或要求对 ai、加速器、npu、模型量化、推理优化、编译部署、系统架构相关论文进行快速筛选或详细 review 时使用。遇到快速判断论文价值、提炼核心贡献、比较实验结果、解释关键术语、评估创新性、分析实验公平性、判断可复现性与部署落地价值等任务时使用本 skill。

- Skill: `rainy-w-cy/specialized-paper-reader-zh` (Agent Skill, multi-file: 4 files)
- Install (CLI): `npx skillmds@latest add rainy-w-cy/specialized-paper-reader-zh`
- Raw SKILL.md: https://api.skillmd.com/api/skills/rainy-w-cy/specialized-paper-reader-zh/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: Rainy-W-cy (https://skillmd.com/u/rainy-w-cy)
- Updated: 2026-09-22
- Page: https://skillmd.com/skills/rainy-w-cy/specialized-paper-reader-zh

---


# 概述
本 skill 统一处理两类论文阅读任务：

1. **快速过论文**：用于在较短输出中判断论文解决的问题、核心方法、主要贡献、实验说服力以及是否值得继续精读、复现或纳入综述。
2. **详细解读 / review**：用于系统、正式、可复用的详细分析，输出接近组会汇报底稿、文献综述笔记、reviewer 风格评论与复现前技术评估。

本 skill 偏向以下方向：
- ai / 大模型 / 深度学习
- 加速器 / npu / 芯片系统
- 模型量化 / 压缩 / 推理优化
- 编译优化 / 系统架构 / 部署链路

# 输入范围
支持以下输入：
- 上传的论文 pdf、截图、文档
- arxiv、openreview、会议页面、项目页、博客链接
- 用户直接粘贴的摘要、引言、方法、实验片段
- 多模态输入（例如论文正文 + 用户提问）

若输入为完整论文或网页，优先从标题、摘要、引言、方法总览图、实验、表格与消融、结论、附录关键设定中抽取信息。
若信息不完整，必须明确指出“不足以判断”的部分，不得补造细节。

# 模式选择
先判断用户意图，再决定加载哪个 report 模板。

## 使用快速模板的情形
当用户的目标是以下任一场景时，读取并遵循 `references/fast-report-template.md`：
- 快速过论文
- 快速筛 paper
- 抓核心内容、创新点、实验结论
- 判断是否值得细读
- 为综述、选题、复现、部署做初筛
- 用户要求输出简洁但专业的论文解读

## 使用详细 review 模板的情形
当用户的目标是以下任一场景时，读取并遵循 `references/review-report-template.md`：
- 详细介绍论文
- 系统解读论文
- 正式汇报、组会讲解、文献综述底稿
- reviewer 风格分析
- 优缺点分析、创新性判断、实验审查
- 术语解释、可复现性评估、部署落地分析
- 用户要求结构完整、细节充分的分析

## 默认策略
若用户没有明确指定，但问题明显偏“快速判断是否值得读”，优先使用快速模板。
若用户没有明确指定，但问题明显偏“系统分析 / review / 汇报 / 深入理解”，优先使用详细模板。
若用户的要求同时包含“快速结论”和“详细分析”，优先使用详细模板，并在开头先给一个简短总览。

# 输出控制规则
## 通用规则
- 保持正式、专业、结构化。
- 对作者声称与模型自身判断进行区分，优先使用“论文声称”“实验显示”“从文中证据看”等措辞。
- 不要把摘要改写当作分析。
- 不要把作者 claim 直接当作事实。
- 不要在没有证据时断言“首次提出”“显著优于所有方法”。
- 不要泛泛而谈“实验充分”“效果很好”，必须指出依据。

## 实验结果前置规则
- 无论是快速模式还是详细模式，输出开头都必须先给“结果式总览”，先说论文带来了什么提升、有什么损失或代价、这些结论在什么设定下成立，再展开问题背景与方法细节。
- 若存在 baseline，对比对象、收益指标、收益幅度、成立条件、主要代价要尽量在开头交代，不要把关键结果拖到后文。
- 若实验结果不完整，必须明确写出当前能确认的提升、代价与 trade-off，以及哪些部分仍不足以判断。

## 结果式总览规则
- 开头优先回答以下问题：相比谁提升了什么、在什么任务/数据集/硬件/设定下成立、付出了什么代价、最关键证据来自哪组实验。
- 若文中没有直接数字，不要强行编造收益幅度，应明确写“文中未给出可直接比较的数字”或“当前片段不足以确认具体幅度”。
- 若只有作者文字总结而没有足够实验表格或图示支撑，应标记为“作者声称”，不要包装成已经确认的结论。

## 空话限制规则
- 禁止只写“效果较好”“有明显提升”“实验充分”“性能更优”这类空泛判断，除非后面立刻补上比较对象、指标和成立设定。
- 若论文的价值主要体现在 trade-off，而不是单一指标绝对提升，要直接写清楚“用什么代价换来了什么收益”。
- 若收益只在特定模型、特定 batch、特定硬件、特定 workload 下成立，要把限制条件写在结论附近，而不是藏在后文。

## 输出长度控制
- 快速模式默认控制在约 800 到 1500 字，优先保证结果总览、研究问题、核心思路、关键实验结果和是否值得细读这些高信息密度部分完整。
- 详细模式默认不设固定字数上限，长度由论文复杂度和用户需求决定；优先把结果总览、方法原理、实验解读、局限与落地性评估讲清楚，不要为了省字而跳过关键机制解释，也不要为了拉长篇幅堆砌背景复述。
- 若用户明确要求更短、更长、更像摘要、更像组会讲稿或更像 reviewer 评论，优先按用户要求调整长度和详略。

## 术语解释规则
若论文包含复杂术语、缩写、硬件概念、量化术语、系统术语：
- 在快速模板中，做轻量解释，只为帮助理解核心结论。
- 在详细模板中，必须根据模板要求系统解释，尤其是首次出现的高门槛术语。
- 术语解释应尽量贴合当前论文上下文，说明定义、在文中的作用、以及为什么重要。
- 若出现组合式术语或方法链，如“SNDR + Pareto”“LOD + LUT + MUL”“PTQ + calibration”，不要只给缩写名，必须拆开说明每一部分分别做什么，以及为什么作者把它们串起来使用。
- 若术语本身就是方法的一部分，不要把术语解释和方法讲解割裂开来；解释完术语后，应继续说明它在算法流程中的输入、输出和作用位置。

## 方法讲解规则
- 详细模式中，方法细节不能停留在“作者用了某方法”这一层，必须尽量回答：为什么要这样设计、算法步骤是什么、与 baseline 的差别是什么、代价是什么。
- 若论文属于硬件、系统、NPU、编译或部署方向，方法讲解中应尽量补充“算法如何映射到硬件/系统实现”，包括查表、流水、并行、访存、数据流、控制分支、位宽设计或编译/runtime 依赖。
- 若论文给出了公式、伪代码、结构图、流程图或算法框图，应优先利用这些证据把方法拆成“输入 → 中间表示/关键变换 → 输出”的链条，而不是只复述摘要结论。
- 若某个方法名较抽象，例如 bipartite LUT、Pareto search、error compensation、operator fusion，应至少解释：它按什么思路工作、在本文里解决什么瓶颈、会换来什么硬件或系统收益。
- 若论文包含近似计算、查表近似、量化近似、蒸馏、搜索或补偿训练，不要只说“用了某方法”，应尽量补充其背后的算法思想，例如是一阶线性近似、分段近似、泰勒展开、查表 + 修正项、迭代法、搜索法还是可训练参数拟合。
- 若论文中的关键参数、表项、系数或量化尺度是通过软件训练、离线搜索、校准或优化得到的，必须说明软件侧流程：训练/搜索目标是什么、优化变量是什么、用什么框架或算法、产物如何导出到硬件或系统实现。

## 领域特化规则
当论文属于以下方向时，额外强化对应检查：
- **AI / 模型论文**：任务定义、baseline、公平比较、消融、提升来源。
- **加速器 / NPU / 系统论文**：工作负载、带宽与访存瓶颈、架构假设、面积功耗吞吐时延能效、端到端收益。
- **量化 / 压缩 / 部署论文**：量化对象、量化粒度、校准或训练依赖、精度—速度—功耗—内存 trade-off、真实硬件收益。

# 工作流
1. 识别输入类型和信息完整度。
2. 判断用户是要快速模式还是详细 review 模式。
3. 加载对应的 report 模板：
   - 快速模式 → `references/fast-report-template.md`
   - 详细模式 → `references/review-report-template.md`
4. 在正式组织正文前，先整理“结果式总览”所需信息：
   - 比较对象
   - 关键收益指标
   - 收益成立条件
   - 主要代价或损失
   - 最能支撑主张的实验
5. 根据论文所属方向，补充 AI / NPU / 加速器 / 量化专项判断。
6. 若信息不足，明确列出可确认与不可确认的信息。
7. 严格按照选定模板的章节结构输出，不得混淆两个模板，也不要把方法细节写到实验总结前面。

# 资源使用说明
- **快速模式模板**：见 `references/fast-report-template.md`
- **详细 review 模板**：见 `references/review-report-template.md`

两个模板均为正式输出规范。执行时必须选择其一作为主模板，不要自行压缩、删改模板中的核心要求。