PaperConan 论文柯南

要解决什么问题

论文的补充数据往往藏在多张 Excel/CSV 附表里：重复数值、跨表复用、列间变换、图像与主图关系等，人工逐格核对成本高，也容易在公开讨论里把「统计异常」直接说成「作者意图」。PaperConan 用 CLI 对本地 source-data 目录（或通过 DOI/标题拉取到的表格包）做规则化扫描，产出 audit/scan.json 与仅供分拣用的 audit/report.html；本技能规定 Agent 如何调用真实命令、分层读结果，并把对外结论写成经 Agent 裁决的摘要或正式报告，而不是把 HTML 工作清单当成「审计定论」。

技能如何工作

1. 确认输入形态：本地目录执行 paperconan .；仅 DOI/标题时先 paperconan fetch 再扫描下载目录；若用户只给既有审计物，则读 audit/scan.json，用 report.html 做证据浏览后再作答。
2. 分层阅读 scan：优先 paperconan overview，再按需 drill、drill --kind、explain；遵守证据窗口边界、scan:/! 未覆盖说明，以及 detector=high 与 displayed=low 的展示降权逻辑。
3. 图像复核（可选）：在需要时加 --images，逐条处理 image_assets；image_findings 只是提示。无法读本地图时标记 unavailable_no_multimodal，结论写入统一流程的 verdict.json，不另起一套报告。
4. 输出定位：流水线是 scan → Agent 分拣/判断 → 裁决报告。Tier 标签表示跟进优先级，不是作者动机；PubPeer 式表述只列文件/表/列证据与待澄清问题。

边界与注意点

• 每条命中应视为信号而非判决；严重发现需回到原始表核实，源数据不可用则标明未验证。
• 技能不管理模型 Key 或厂商 SDK，不做自主语义定罪；无法在本环境跑 CLI 时须让用户本地执行，禁止伪造扫描输出。
• within_col_* 等模式默认可疑度较高；安静 overview 只表示在当前阈值与已扫描范围内无检出，不等于论文「干净」。