Paper To Blog

Paper to Blog Converter

将论文分析结果自动转换为符合 Chirpy 主题规范的博客文章。

核心职责

读取 paper-analyzer 生成的 analysis.json，输出：

• _posts/YYYY-MM-DD-slug-title.md（符合 Chirpy Frontmatter）
• assets/images/{slug}/（重命名的图片 + 说明）

硬编码规范（Chirpy 强制要求）

以下规范必须严格遵守，由转换器自动保证：

Frontmatter 格式

---
layout: post
title: "{中文标题}"
date: {YYYY-MM-DD HH:MM:SS +0800}
categories: [{一级分类},{二级分类}]  # 英文逗号分隔
tags: [标签 1, 标签 2, ..., 标签 N]  # 英文逗号分隔，5-8 个
math: true
mermaid: true
image: /assets/images/{slug}/{封面图}
---

验证规则:

• ✅ categories 必须使用英文逗号（,）而非中文逗号（，）
• ✅ tags 必须使用英文逗号（,）而非中文逗号（，）
• ✅ date 格式必须为 YYYY-MM-DD HH:MM:SS +0800
• ✅ image 路径必须是绝对路径（/assets/images/...）

内容结构模板

> **论文信息**
> - **标题**: {英文标题}
> - **作者**: {Author et al.} ({机构})
> - **会议**: {会议/期刊}
> - **arXiv**: [链接](url)
> - **代码**: [GitHub](url) (如公开)

---

## 一句话总结

{50-100 字核心贡献总结}

---

## 背景与动机

{问题重要性 + 现有方法局限}

---

## 核心方法

### 整体框架

![框架图](/assets/images/{slug}/{figure}.png)
*图 1：框架说明（斜体格式）*

### 关键技术 1

{技术细节 + 公式}

---

## 实验结果

### 主要结果

![结果图](/assets/images/{slug}/{figure}.png)
*图 X：结果说明*

**发现**:
- 关键发现 1
- 关键发现 2

---

## AI 分析方法亮点

1. **问题定位精准**: {直接针对论文解决的核心问题}
2. **方法创新**: {技术/方法上的创新点，包含具体数据}
3. **实用性强**: {实际应用价值或优势，包含性能对比}

---

## 总结

{核心 takeaway}

---

## 参考链接

1. 论文原文：[链接](url)
2. 代码仓库：[链接](url)
3. 项目主页：[链接](url)

图片说明格式

强制格式（斜体）:

*图 X：说明文字，解释图片展示的核心概念*

要求:

• ✅ 必须使用斜体（*文字*）
• ✅ 说明图片展示的核心概念
• ✅ 解释与上下文的关联
• ❌ 不要只写"架构图"、"结果图"等简短描述

数学公式格式

使用 $$ 包裹 LaTeX 公式：

$$G(t_i|a^*)=\log\frac{P(t_i|p,q,a^*,t_{<i})}{P(t_i|p,q,a^{'},t_{<i})}$$

要求:

• ✅ 独立公式用 $$...$$
• ✅ 行内公式用 $...$
• ❌ 不要使用 \[...\] 或 \(...\)

可配置部分（写作风格）

以下风格配置从 config/style-guide.md 读取，允许灵活调整：

段落组织

• 段落长度: 2-4 句为佳
• 小标题频率: 每 2-3 段一个 ### 标题
• 字数范围: 2000-3000 字（总计）

语气和语调

• 直接: 陈述观点明确，不模棱两可
• 观点鲜明: 允许表达 contrarian 观点
• 第一人称: 分享经验时使用"我"
• 过渡词: 使用"that said", "however" 等

词汇选择

推荐:

• leverage, key, that said, directly

避免:

• utilize, important, very, really

列表使用

• 避免过多 bullet points
• 优先使用连贯的段落叙述
• 对比/总结时使用表格

工作流程

1. 读取分析 JSON

import json

with open("_papers/{slug}/analysis.json", "r", encoding="utf-8") as f:
    analysis = json.load(f)

2. 生成博客草稿

python ".opencode/skills/paper-to-blog/scripts/convert_to_blog.py" \
  "_papers/{slug}/analysis.json" \
  --categories "论文阅读，知识蒸馏" \
  --output "_posts/"

核心步骤:

1. 生成 Frontmatter（验证格式）
2. 生成论文信息块
3. 生成"一句话总结"
4. 生成各章节内容（背景、方法、实验）
5. 生成"AI 分析方法亮点"（三个维度）
6. 生成总结和参考链接

3. 图片处理

python ".opencode/skills/paper-to-blog/scripts/rename_images.py" \
  "_papers/{slug}/figures/" \
  "assets/images/{slug}/" \
  --analysis "_papers/{slug}/analysis.json"

重命名规则:

• fig_1_1.png → roadmap.png（第 1 章第 1 张，类型为 overview）
• fig_3_1.png → method.png（第 3 章第 1 张，类型为 method）
• fig_5_2.png → results.png（第 5 章第 2 张，类型为 result）

自动添加说明:

![框架图](/assets/images/{slug}/method.png)
*图 2：方法示意图，展示核心算法流程*

4. 发布前检查

python ".opencode/skills/paper-to-blog/scripts/validate_blog.py" \
  "_posts/YYYY-MM-DD-slug-title.md"

检查清单:

• Frontmatter 语法正确（YAML 格式）
• categories/tags 使用英文逗号
• 所有图片都有斜体说明
• 图片路径存在（文件检查）
• 公式使用 $$ 包裹
• 包含"AI 分析方法亮点"部分
• 参考链接完整

5. 清理临时文件（可选）

# 询问用户
是否保留分析文件？
- 保留（便于后续修改）
- 删除（仅保留博客和图片）

输出位置

_posts/
└── YYYY-MM-DD-slug-title.md

assets/images/{slug}/
├── roadmap.png
├── architecture.png
├── method.png
├── results.png
└── ablation.png

错误处理

与 paper-analyzer 的协作

标准流程:

用户输入 arXiv 链接
    ↓
paper-analyzer 下载 + 解析 → _papers/slug/analysis.json
    ↓
paper-to-blog 读取 JSON → _posts/slug-title.md
    ↓
询问是否清理 _papers/slug/

一键调用:

python ".opencode/skills/paper-to-blog/scripts/convert_pipeline.py" \
  "https://arxiv.org/abs/2305.01879" \
  --categories "论文阅读，知识蒸馏" \
  --auto-cleanup

示例

输入

{
  "metadata": {
    "title": "Survey on AI Memory",
    "authors": ["Ting Bai", "Jiayang Fan"],
    "affiliations": ["BUPT", "Huawei"],
    "date": "2026-01-15",
    "links": {
      "github": "https://github.com/BAI-LAB/Survey-on-AI-Memory",
      "homepage": "https://baijia.online/homepage/memory_survey.html"
    }
  },
  "key_contributions": ["提出 4W 记忆分类法", "首个系统性评估框架"],
  "tags": ["AI Memory", "Agent", "Survey"],
  "figures": [
    {"path": "fig_1_1.png", "suggested_name": "roadmap.png", "type": "overview"}
  ]
}

输出 Frontmatter

---
layout: post
title: AI 记忆综述：从认知理论到 Agent 架构
date: 2026-03-26 16:00:00 +0800
categories: [论文阅读，Agent]
tags: [AI Memory, Agent, 多智能体系统，记忆机制，综述，认知科学]
math: true
mermaid: true
image: /assets/images/ai-memory-survey/roadmap.png
---

输出正文片段

> **论文信息**
> - **标题**: Survey on AI Memory: Theories, Taxonomies, Evaluations, and Emerging Trends
> - **作者**: Ting Bai, Jiayang Fan et al. (BUPT, Huawei)
> - **发布**: 2026/01/15
> - **项目主页**: [链接](https://baijia.online/homepage/memory_survey.html)
> - **GitHub**: [链接](https://github.com/BAI-LAB/Survey-on-AI-Memory)

---

## 一句话总结

本文提出了统一的 AI 记忆理论框架，通过独创的 4W 记忆分类法系统梳理了单智能体和多智能体系统中的记忆机制。

---

## 核心方法

### 4W 记忆分类法

![4W 记忆分类法](/assets/images/ai-memory-survey/4w-taxonomy.png)
*图 3:4W 记忆分类法，包含四个正交维度：When（生命周期）、What（记忆类型）、How（存储形式）、Which（模态类型）*

参考文档

• Chirpy 主题文档: https://github.com/cotes2020/jekyll-theme-chirpy
• 写作风格指南: 详见 config/style-guide.md
• Frontmatter 模板: 详见 config/frontmatter-template.md
• 验证规则: 详见 config/validation-rules.json