技能介绍

要解决的问题

读论文时，真正难的不是拿到全文，而是在 PDF 中快速定位 研究缺口、方法组件、实验数值与消融贡献。公式常缺少符号解释，实验表里的 baseline、数据集和指标也容易被泛泛概括。这个技能把论文阅读拆成可复查的结构化流程，避免只得到一段摘要式的结论。

技能如何工作

第一步：解析 PDF 并做质量评估。脚本执行 5 项检查：乱码、公式质量、文本错位、空章节、缺失表格，并输出 quality.score，范围是 0-100。分数达到 70 时使用提取内容；低于 70 时走 fallback 链路，若 fallback 失败再询问用户。
Layer 1：Overview。生成包含 Research Gap、Target Problem、Method、Experiments、Ablation 和 Conclusion 的结构化 Markdown。实验和消融部分优先保留数值，例如数据集、baseline、主要指标和各组件贡献。
Layer 2：Method Detail。对每个公式给出公式原文、用途、符号表、直觉解释、公式间关系和复杂度（如适用），并补充整体架构、数据流、训练/推理流程与超参数说明。
Layer 3：Innovation & Optimization。基于论文证据列出 strengths、weaknesses、可落地的优化点、新研究方向和额外实验想法。若用户提供研究方向，可进一步定制建议。

最终输出完整 Markdown 报告，先内联展示 Layer 1，再按需展开 Layer 2/3。若环境中存在 MCP 工具，还可用于知识库检索或互补分析。

适用边界

该技能的分析主体是 agent 本身，Python 包只负责 PDF 解析与质量评估，不改变论文内容。它适合科研论文、技术报告或含公式的实验型文档；若 PDF 质量差、语言混杂，或公式数量较多（10+），会先给 overview，再让用户选择深入方向。对关键数值、公式和引用仍建议回查原始 PDF。