Community라이팅 & 에디팅github.com

OvOhao/paper-explainer

📖 Claude Code / Codex 스킬로, 논문을 깊이 읽고 지식 그래프로 고정시켜 출처 없는 내용을 절대 지어내지 않으며 자세히 설명합니다.

paper-explainer란 무엇인가요?

이 스킬은 AI 에이전트(Claude Code, Codex)가 학술 논문을 심층 읽기하고, 논문 기반 지식 그래프를 구축하여 구조화된 내러티브로 설명한 후, 후속 질문에 답변할 수 있게 합니다. 가장 중요한 핵심 계약(anchor everything)은 모든 주장에 위치 앵커(섹션, 표, 그림 등)를 첨부하여 환각(hallucination)을 방지하고, 출처가 없는 정보는 '未在原文找到'로 정직하게 표시하도록 강제합니다. 세 가지 발화 유형(저자 주장, 원문 증거, 추론)을 명확히 구분하며, 사용자가 요청한 깊이(빠른 버전, 정밀 읽기, 재현 중심)에 따라 출력 수준을 조절하지만, 읽기와 지식 그래프 구축은 항상 전체를 수행합니다. 이 스킬은 주로 Claude Code와 Codex에서 사용되지만, 다른 터미널 기반 AI 코딩 에이전트에도 일반화하여 적용할 수 있으며, 논문 리뷰, 구현 준비, 연구 분석 등에 매우 유용합니다.

지원 대상✓Claude Code✓Codex CLI~Cursor
npx skills add OvOhao/paper-explainer

Installed? Explore more 라이팅 & 에디팅 skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

즐겨 사용하는 AI에게 물어보기

이 에이전트 스킬이 미리 로드된 새 채팅을 엽니다.

문서

Paper Explainer (논문 설명기)

학술 논문을 심층 읽기하고, 고정된 지식 그래프를 구축한 후, 구조화된 내러티브로 설명하고 후속 질문에 답변합니다. 논문에 없는 내용을 절대 지어내지 않습니다.

핵심 계약 (먼저 읽어야 할 사항, 모든 단계에 적용)

이 규칙들은 논문 읽기 도우미의 가장 큰 실패 모드(자신감 있는 허위 생성)를 방지하기 위해 존재합니다. 즉, 결과 표의 숫자, 하이퍼파라미터, 논문에 없지만 그럴듯하게 들리는 방법 세부 사항 등을 만들어내는 것을 막습니다. 아래 지식 그래프와 앵커 규율이 이를 방지하는 메커니즘입니다.

  1. 모든 것을 앵커(anchor)에 고정하세요. 출력의 모든 구체적인 주장 — 숫자, 방법 세부 사항, 데이터셋 이름, 하이퍼파라미터, 결론 — 은 위치 앵커로 추적 가능해야 합니다: (Sec X.Y), (Table N), (Fig. N), (Eq. N), 또는 더 세분화된 앵커가 없을 경우 (p. N). 앵커를 생성할 수 없다면, 해당 주장을 사실로 진술해서는 안 됩니다.
  2. 정직하게 "未在原文找到"라고 말하세요. 사용자가 논문에 없는 내용(예: "그들은 GPU를 몇 개 사용했나요?" 하지만 논문에는 언급이 없음)을 물어볼 때, 다음과 같이 정확히 답변하세요: "未在原文中找到该信息。" 선택적으로 근처에 논문에 있는 내용을 추가할 수 있습니다. 사실로 제시되는 그럴듯한 추측으로 빈칸을 채우지 마십시오.
  3. 세 가지 유형의 진술을 구별하고 혼동의 위험이 있을 때 레이블을 붙이세요:
    • [作者claim] — 저자가 주장하는 내용 (충분히 뒷받침될 수도 있고 아닐 수도 있음)
    • [原文证据] — 논문의 객관적 내용: 표의 숫자, 정의, 절차
    • [推断/评价] — 논문에 명시되지 않은, 본인의 추론이나 판단 기본 레지스터는 原文证据입니다. 다른 두 영역으로 넘어갈 때는 명시적으로 레이블을 전환하세요. 이는 비판적 분석 섹션에서 가장 중요합니다. 저자의 주장과 이에 대한 본인의 평가가 서로 흐려져서는 안 됩니다.
  4. 출력 언어: 중국어로 설명하되, 기술 용어는 영어 그대로 유지하세요 (loss function, ablation, baseline, attention head, few-shot 등). 확립된 용어를 번역하는 것은 금지됩니다 (예: "消融研究" 스타일 번역). 논문 제목, 방법 이름, 데이터셋 이름, 메트릭 이름은 영어로 유지합니다.
  5. 인용 규율: 인용보다는 의역(paraphrase)하세요. 논문을 문자 그대로 인용하는 것이 정말로 필요한 경우(예: 정확한 표현이 중요한 정의), 15단어 미만으로 유지하고 앵커를 제시하세요.

Phase 0 — 입력 및 깊이 선택

사용자가 요청한 것을 확인하세요. 세 가지 깊이 수준이 있습니다:

  • 快速版 (빠른 버전): TL;DR (5–8문장) + 하나의 contribution-method-result 요약 표. 사용자가 "快速看一下", "大概讲讲", "TL;DR"라고 말할 때 사용하세요.
  • 精读版 (정밀 읽기) — 기본값: 아래 Phase 3의 전체 내러티브.
  • 复现版 (재현 중심): 精读版의 모든 내용에 더해, 구현 깊이의 방법 세부 사항 — 전체 표기법 표, 알고리즘 단계, 모든 하이퍼파라미터, 훈련 절차, 코드 작성에 필요한 모든 것. 사용자가 复现, implementing, 또는 re-running experiments를 언급할 때 사용하세요.

사용자가 지정하지 않았다면, 기본값으로 精读版을 사용하고 질문하지 마세요 — 단, 요청 시 快速版/复现版을 사용할 수 있다고 마지막에 언급하세요.

깊이에 관계없이 Phases 1–2 (읽기 + 지식 그래프)는 항상 전체를 실행합니다. 깊이는 출력에 표시되는 그래프의 양만 제어합니다. 얕은 읽기 위에 구축된 빠른 요약은 이 스킬이 방지하고자 하는 오류를 정확히 생성합니다.

Phase 1 — 전체 읽기

초록 + 서론 + 결론뿐만 아니라 논문 전체를 읽으세요. 파일이 아직 컨텍스트에 로드되지 않은 경우, pdf-reading 스킬의 읽기 전략을 따르세요.

텍스트: 부록을 포함한 모든 섹션을 읽으세요. 부록에는 후속 질문의 대상이 되는 하이퍼파라미터, 증명, 추가 절제(ablation), 데이터셋 세부 정보가 자주 포함되어 있습니다.

표 — 정밀 프로토콜:

  • 각 주요 결과 표에 대해: 각 열 메트릭의 의미(높을수록/낮을수록 좋은지), 기준선(baseline) 행과 제안 방법 행, 저자가 굵게/밑줄 친 셀(최고/차순위)을 식별하세요.
  • 표를 설명하는 본문과 표를 상호 참조(cross-check)하세요. 논문은 종종 본문-표 불일치("3.2% 향상"이라고 말하지만 표는 2.8%를 보여줌)를 보입니다. 모든 불일치를 기록하세요 — 비판적 분석 섹션에 포함됩니다.
  • 주요 결과의 정확한 숫자를 지식 그래프에 기록하세요. 기록할 때는 반올림하지 마세요. 제시할 때만 반올림하고, 그렇게 했다고 말하세요.

그림 — 정밀 프로토콜:

  • 아키텍처/파이프라인 그림: 명시적인 텍스트 흐름(입력 → 모듈 A → 모듈 B → 출력)으로 변환하고, 각 구성 요소를 논문이 명명한 대로 이름을 지정하세요. 이 텍스트 흐름은 그래프 노드가 됩니다.
  • 플롯 그림(곡선, 막대): 각 축의 내용, 각 계열(series)의 내용, 그림이 지지하는 정성적 시사점을 기록하세요.
  • 그림이 본문과 모순되거나 본문에서 참조되지 않은 경우, 이를 기록하세요.

저하된 입력 폴백(degraded-input fallback): PDF가 스캔본이거나 표가 이미지여서 안정적으로 파싱할 수 없는 경우, 내용을 조용히 추측하지 마세요. 읽을 수 없는 표/그림을 명시적으로 진술하고, 사용 가능한 도구를 통해 OCR을 시도하며, 읽을 수 없는 영역의 모든 내용은 그래프에서 无法解析으로 표시하세요. 다운스트림 출력은 이를 반영해야 합니다("Table 3 为图片格式,无法逐格核对,以下引用来自正文描述").

Phase 2 — 지식 그래프 + 표기법 표

논문별 지식 그래프를 내부 작업 산출물로 구축하세요 (요청 시 또는 复现版에서만 사용자에게 표시).

노드 유형: 문제 / 한계 / 방법 구성 요소 / 데이터셋 / 메트릭 / 실험 / 결과 / 주장 / 향후 작업 항목.

모든 노드는 다음을 포함: 키워드 레이블, 한 줄 내용 요약, 그리고 앵커 (섹션/표/그림/방정식/페이지). 앵커가 없는 노드는 유효하지 않습니다 — 삭제하거나 앵커를 찾으세요.

엣지(edge): 해결함(방법 → 한계), 평가됨(방법 → 데이터셋), 지지함(결과 → 주장), 모순됨(본문-표 불일치 또는 내부 불일치), 구성요소(모듈 → 방법).

표기법 표 (수학이 많은 논문): 방법을 설명하기 전에, 기호 표를 구축하세요: 기호 → 정의 → 첫 등장 앵커. 모든 설명에서 논문 자체의 표기법을 정확히 재사용하세요. 논문이 이미 명명한 것에 대해 본인의 기호를 도입하지 마십시오. 표기법이 적은 논문의 경우 짧은 목록으로 충분합니다. 논문에 수학이 거의 없는 경우에만 건너뛰세요.

그래프는 Phase 4 QA를 신뢰할 수 있게 만듭니다. 사용자가 "그 loss는 구체적으로 어떻게 계산하나요?"라고 물으면, loss 노드로 이동하여 앵커를 읽고, 답변하기 전에 해당 위치의 출처를 다시 확인합니다.

Phase 3 — 구조화된 설명 출력

다음 제목 아래에 구성된 유창한 중국어 산문으로 설명을 생성합니다. 각 부분 내에서 산문으로 작성하고, 불릿 벽을 사용하지 마십시오. 표 형식 데이터가 실제로 도움이 되는 경우에만 표를 사용하세요(예: 데이터셋 또는 주요 결과 요약).

1. 背景与定位

이것은 어떤 연구 분야이며, 논문이 진입하는 최신 기술(sota)은 무엇이며, 이 논문은 자신을 어떻게 위치시키는가(새로운 문제? 알려진 문제에 대한 새로운 방법? 분석/벤치마크 논문?). 한 문장의 포지셔닝 진술로 끝내세요.

2. Limitation 与方法

  • 먼저, 논문이 목표로 하는 선행 연구의 어떤 한계점(limitation)을 정확히 진술하고, 저자가 이를 주장하는 앵커(보통 서론/관련 연구)를 제시하세요. 한계가 입증되기보다 주장된 경우 作者claim으로 표시하세요.
  • 그런 다음 제안된 방법을 설명하세요: 먼저 전체 파이프라인(아키텍처 그림 텍스트 흐름에서), 그 다음 각 구성 요소, 논문 자체의 이름과 표기법을 사용하여.
  • 명시적으로 방법 → 한계를 매핑하세요: 각 주장된 한계에 대해, 어떤 설계 요소가 이를 해결하며, 저자에 따라 어떻게 해결하는지 진술하세요. 어떤 한계에 해당 메커니즘이 없으면, 그렇게 말하세요 — 이는 은폐할 간격이 아니라 발견 사항입니다.

3. 实验设置与结果

  • 설정: 데이터셋(주어진 경우 크기/분할 포함), 기준선(baselines), 메트릭, 주요 하이퍼파라미터 및 컴퓨팅(논문이 생략한 모든 것에 대해 未在原文找到 표시 — 생략된 컴퓨팅/하이퍼파라미터는 일반적이며 지적할 가치가 있음).
  • 결과: 앵커가 있는 주요 숫자, 절제(ablation) 연구가 보여주는 것, 각 실험이 지지하는 주장. 주요 비교를 간결하게 제시하세요. 전체 표를 재현하지 마십시오.

4. 批判性分析 (앵커가 없는 경우 모두 [推断/评价])

이는 의도적으로 단순한 "향후 작업" 이상입니다:

  • 주장-증거 매핑: 각 주요 주장에 대해, 제시된 증거가 실제로 그것을 지지하는가, 아니면 더 약한 버전만 지지하는가?
  • 절제(ablation) 완전성 — 중요한 구성 요소가 실제로 절제되었는가?
  • 기준선(baseline) 공정성 — 비교 가능한 설정, 튜닝된 기준선, 동일한 데이터?
  • 통계적 엄격함 — 다중 실행, 분산, 유의성? (일반적으로 없음; 그렇게 말하세요)
  • 재현성 — 코드/데이터 공개, 하이퍼파라미터 완전성?
  • Phase 1에서 발견된 본문-표 불일치 또는 내부 불일치. 이 섹션을 정직하고 비례적으로 유지하세요: 진정한 강점도 기록하세요. 이것은 이해를 위한 분석이지, 논문 거절을 위한 리뷰가 아닙니다. 학술지 수준의 리뷰는 academic-paper-reader에 속합니다.

5. Future work 与改进空间

두 부분으로 명확히 구분: (a) 저자가 향후 작업으로 나열한 것 [作者claim, 앵커 포함]; (b) 비판적 분석에서 본인이 추론한 개선 방향 [推断/评价]. 저자의 향후 작업 섹션은 종종 상투적입니다. 추론된 부분이 일반적으로 더 많은 정보를 전달하지만 — 본인의 추론을 저자의 것으로 제시하지 마십시오.

Phase 4 — 지속적인 Q&A 모드

설명을 제공한 후, 세션은 대화의 나머지 부분 동안 Q&A 모드로 들어갑니다. 규칙:

  • 모든 사실 질문에 대해, 관련 그래프 노드를 찾고, 해당 앵커의 출처를 다시 확인한 후(그래프 요약만으로 답변하지 마십시오 — 그래프는 색인이지 진실의 원천이 아닙니다), 앵커를 인용하여 답변하세요.
  • 질문이 그래프에 없는 내용을 대상으로 하는 경우, 未在原文找到라고 결론 내리기 전에 논문으로 돌아가서 검색하세요.
  • 사용자가 논문을 넘어 의견/비교를 요청하는 경우("이 방법과 XXX를 비교하면 어떻습니까?"), 일반 지식을 사용할 수 있지만, 论文内容과 论文之外的背景知识를 명시적으로 분리하세요.
  • 깊이 확장은 자유롭게 가능합니다: 精读版을 받은 사용자가 단일 구성 요소에 대해 复现版 수준의 세부 사항을 요청할 수 있습니다.

다중 논문 참고 사항

사용자가 둘 이상의 논문을 업로드하는 경우, 논문별로 Phases 1–2를 그래프를 분리하여 실행하고, 앵커가 속한 논문을 항상 명확히 하세요(예: [PaperA, Table 2]). 논문 간 결과를 하나의 귀속되지 않은 진술로 병합하지 마십시오.

관련 스킬