AI论文速读与复现路线

它解决什么问题

读论文最常见的卡点不是「看不懂公式」，而是读完之后说不清三件事：这篇论文在解决什么、为什么要这样解、自己接下来该从哪里动手。结果通常是摘要读完了，方法看了个大概，实验表格跳过，复现计划完全没有。

这个技能补的正是「从读懂到能做」之间的空白。它不只生成摘要，而是把一篇论文拆成可执行的学习与复现路径，让输出落在「我知道它解决了什么问题、方法怎么运作、我需要先补哪些知识、我可以先做一个什么样的最小版本」这个层面。

它如何工作

核心能力可以归为四块：

• 结构化拆解：按「领域与任务 → 问题与动机 → 核心贡献 → 方法逐层分解」的顺序读论文，从直观想法、整体流程、模块级技术细节、训练与评测四个层次把方法讲清楚。
• 前置知识地图：把要补的知识分成 must know、helpful to know、optional later 三档，说明每项为什么重要、动手前是否必须学会。
• 复现难度评估：用 1 到 5 的尺度给出评级，并解释主要瓶颈，如实现细节缺失、算力要求、预处理复杂、评测口径不清、训练不稳定。
• 最小复现路线：不默认全量复现，而是先定义 toy reproduction、minimal faithful reproduction、extended reproduction 三层，优先选能抓住核心思想且足够小的版本。

执行流程是固定的推理顺序：先定位研究领域与任务，再用大白话解释问题与动机，然后提炼贡献并排序，接着做方法拆解、构建前置知识地图、评估难度、设计学生可执行的复现路线，最后给出带时间轴的行动清单（1 小时 / 1 天 / 1 周）。

默认输出包含 11 个部分，其中 Explicit Facts vs Reasonable Inference 一节专门把「论文明确写了的」和「合理推断出的」分开，不确定的地方直接标注，避免把猜测当成事实。

语言和受众会自动适配：中文提问就用中文回答并保留关键技术的英文原词，同时根据措辞判断水平，在 beginner、intermediate、advanced 三种模式间切换。公式会先讲它想表达的行为再讲符号含义；实验与消融会说明对比基线、关键指标、增益是否显著、改进可能来自哪里。

适用边界

它不适合这些场景：跨大量论文的文献综述或 benchmark 汇总、生产系统的部署规划、与论文无关的纯代码调试、以及论文材料本身不完整时要求「完全验证过的实现」。

信息不足时，比如只给了标题或摘要，技能不会编造隐藏细节，而是给出带不确定性标注的初步分析，并明确说明哪些无法确定。只提供截图时只基于可见信息，缺什么会直接说明。

讲清楚「哪些是已知的、哪些是推断的、哪些现在还定不了」，是这个技能和普通论文摘要器最主要的区别。