lijigang/ljg-paper-river

Was macht ljg-paper-river?

Papierfluss – Rekursive Rückverfolgung von Vorgängerarbeiten (bis zu 5 Ebenen) und anschließende Suche nach neuesten Entwicklungen, um die Problemgeschichte von der Quelle an vorwärts zu erzählen.

Diese Fähigkeit implementiert die "Papier-Rückwärtslese-Methode": Wenn ein Benutzer eine wissenschaftliche Arbeit teilt, identifiziert sie rekursiv die kritisierten und verbesserten Vorgängerarbeiten der Eingabe (bis zu 5 Ebenen) und sucht gleichzeitig nach den neuesten Fortschritten nach der Originalarbeit. Das Ergebnis ist eine chronologische, problemzentrierte Erzählung der Evolution des Forschungsproblems, ergänzt durch Feynman-artige Erklärungen, die für jede Arbeit das von den Autoren gesehene Problem und die von ihnen eingeführte Lösungsinnovation hervorheben.

Verwendung

Verwenden Sie diese Fähigkeit, wenn ein Benutzer:

• Eine Arbeit teilt und ihre intellektuelle Abstammung, Zitationskette oder Problemgeschichte verstehen möchte.
• Sätze sagt wie: '倒读', '论文溯源', '论文脉络', 'paper river', 'paper connects', 'trace back', '这篇论文的来龙去脉', '论文演化'.
• Verstehen möchte, wie sich ein Forschungsproblem über mehrere Arbeiten hinweg entwickelt hat.

Auslöser

Die Fähigkeit wird aktiviert, wenn der Benutzer eine Arbeit teilt und eine der oben genannten Absichten zeigt. Sie beginnt den rekursiven Rückverfolgungsprozess, um die Vorgängerarbeiten zu identifizieren, und präsentiert eine klare, zusammenhängende Erzählung der Problemevolution.

Funktionsweise

1. Eingabe: Der Benutzer teilt einen Titel oder eine DOI einer wissenschaftlichen Arbeit.
2. Rekursive Rückverfolgung: Die Fähigkeit nutzt semantische Ähnlichkeit und Zitationsnetzwerke, um die Vorgängerarbeiten zu identifizieren, die in der ursprünglichen Arbeit kritisiert oder verbessert wurden. Dieser Prozess wird bis zu 5 Ebenen tief wiederholt.
3. Vorwärtssuche: Neben der Rückwärtsverfolgung sucht die Fähigkeit auch nach den neuesten Arbeiten, die auf der ursprünglichen Arbeit aufbauen oder sie verbessern.
4. Erzählung: Die Ergebnisse werden als chronologische Geschichte präsentiert, beginnend bei der frühesten relevanten Arbeit bis hin zu den neuesten Fortschritten. Jede Arbeit wird mit ihrem Kontext, den spezifischen Problemen, die sie adressiert, und den von ihr eingeführten Lösungsinnovationen erklärt.
5. Ausgabe: Eine strukturierte Zusammenfassung oder eine visuelle Darstellung (z.B. ein Flussdiagramm, falls verfügbar) der Problemevolution, die es dem Benutzer ermöglicht, den gesamten Forschungsverlauf zu verstehen.

Beispiel

Benutzer: "Kannst du mir die Problemgeschichte von 'Attention is All You Need' erklären?"

Fähigkeit: Die Fähigkeit verfolgt rekursiv Vorgängerarbeiten wie 'Sequence to Sequence Learning with Neural Networks', 'Neural Machine Translation by Jointly Learning to Align and Translate' (Bahdanau Attention) und frühere sequenzielle Modelle zurück. Sie identifiziert dann nachfolgende Arbeiten wie BERT, GPT und andere transformerbasierte Modelle. Die Erzählung beginnt bei den sequenziellen Modellen, erklärt, warum sie Einschränkungen hatten, wie Aufmerksamkeitsmechanismen eingeführt wurden und schließlich die Transformer-Architektur entstand, und endet mit den neuesten Fortschritten und deren Lösungsinnovationen.

Ausgabeformat

Die Ausgabe ist typischerweise ein Absatz oder eine Liste, die die Problemevolution beschreibt, wobei jede Arbeit mit ihrem Problemkontext und ihrer Lösung hervorgehoben wird. Falls gewünscht, kann die Fähigkeit auch ein visuelles Flussdiagramm der Zitationskette generieren (abhängig von der Plattformunterstützung).