CommunityPesquisa e Análise de Dadosgithub.com

artigo-para-notebook

Transforme um artigo de pesquisa — fornecido como PDF, HTML ou texto simples (LaTeX, Markdown ou similar) — em um notebook marimo interativo e guiado para aprendizado.

O que é artigo-para-notebook?

Esta skill capacita agentes de IA a converter um único artigo de pesquisa em um notebook marimo executável que funciona como uma lição interativa, em vez de um resumo passivo. O notebook gerado inclui explicações em linguagem clara, widgets interativos (como controles deslizantes e botões) e verificações informais ao longo do caminho, adaptadas ao nível de conhecimento do leitor (de criança a especialista). A skill suporta entrada nos formatos PDF, HTML e texto simples (LaTeX, Markdown), extrai a estrutura do artigo, termos-chave, equações e figuras, e então planeja um percurso de aprendizado com base no estado atual do campo (estabelecido, emergente ou interdisciplinar). O resultado final é um arquivo Python (.py) compatível com PEP 723, que pode ser aberto com `uvx marimo edit --sandbox`, garantindo que todas as dependências sejam instaladas automaticamente. Embora a skill esteja em estágio inicial (com muitos itens marcados como TODO), seu potencial é enorme para educadores, estudantes e profissionais que desejam compreender artigos complexos de forma prática e interativa.

Funciona com✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/ericmjl/paper-to-notebook-skill/tree/main

Installed? Explore more Pesquisa e Análise de Dados skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

De artigo a notebook

Oriente um agente de um artigo para um notebook marimo executável que ajude o leitor a compreender esse artigo. O notebook é uma lição, não uma página de resumo: explicações em linguagem clara, widgets interativos onde eles ajudam e verificações informais ao longo do caminho. A escrita deve ser inteligível e representativa do artigo, não uma prosa genérica de IA.

Este arquivo é um esqueleto. Muitos detalhes serão preenchidos posteriormente. Itens marcados como TODO ainda estão indecisos ou apenas esboçados.

Contrato

EntradaUm artigo em PDF, HTML ou texto simples (LaTeX, Markdown, etc.). Caminho, URL ou identificador é aceitável, desde que o texto completo possa ser obtido.
SaídaUm notebook marimo executável (*.py) que o leitor pode abrir com uvx marimo edit --sandbox ….

Entradas opcionais a perguntar se estiverem faltando (não bloqueie se o usuário fornecer apenas o artigo):

  • Público-alvo inicial ou "adaptar conforme necessário." Suposição padrão de trabalho: graduação e pós-graduação, além de profissionais ativos que são novos neste artigo ou campo, com algum conhecimento científico geral. TODO: refinar o padrão.
  • Contexto extra: informações de apoio, artigos citados ou outras fontes que o usuário deseja que sejam tratadas como base (não apenas conhecimento geral).
  • Profundidade: visão geral completa vs. métodos, resultados ou uma figura específica.
  • Caminho de saída e restrições de tempo de execução.

Não trate esta skill como uma ferramenta para revisar uma literatura extensa. Esse é um trabalho diferente.

Fluxo de trabalho

1. Ingerir o artigo (PDF / HTML / fonte de texto simples)
2. Extrair estrutura, termos, equações, figuras e lacunas
3. Planejar o percurso de aprendizado
4. Gerar o notebook marimo
5. Validar que ele executa com `uv run`, depois entregar

1. Ingerir o artigo

Obtenha o texto completo, não apenas um resumo. Ramifique com base no tipo de entrada; coloque notas específicas do formato em resources/ e quaisquer auxiliares em scripts/ (sempre com uv run, nunca com um pip install global).

  • PDF: TODO: como buscar e analisar (texto, matemática, figuras, ordem de leitura). Sinalize falhas em vez de adivinhar.
  • HTML: TODO: como buscar e analisar (texto principal vs. navegação/interface, MathJax/MathML, figuras).
  • Fonte de texto simples (LaTeX, Markdown, etc.): TODO: como seguir includes, bibliografia e arquivos de figuras; como manter rótulos de equações e figuras.

Registre o título do artigo, autores, ano e um link ou identificador estável quando disponível.

2. Extrair estrutura, equações e figuras

Construa uma imagem intermediária do artigo antes de escrever qualquer notebook. TODO: definir as formas de dados para esta etapa (veja também a ideia de que estruturas intermediárias sólidas facilitam o resto).

Extraia pelo menos:

  • Problema e contribuição, em suas próprias palavras.
  • Perfil de pré-requisitos: o que um leitor em cada nível sabe, não sabe e precisa aprender (veja Explicando em vários níveis).
  • Conceitos-chave e termos que o artigo usa mas não define (metadados centrais ou termos de campo). Exemplo levantado na discussão de design: um artigo sobre ataques cardíacos que nunca explica "infarto do miocárdio."
  • Equações-chave, numeradas como no artigo, com variáveis.
  • Figuras-chave: o que cada uma codifica, como é rotulada e se os dados subjacentes parecem estar disponíveis.
  • Pontos de risco para a geração: LaTeX pesado ou matemática, rótulos de figuras com letras gregas, outro texto não ASCII.
  • Lacunas óbvias em métodos ou relatórios. Não invente resultados experimentais ausentes.

Classifique a maturidade do campo (estabelecido, emergente, interdisciplinar ou misto) usando a rubrica e amostra leve de literatura em resources/field-maturity.md. Registre a classe, as evidências e quais componentes de notebook de integração de vocabulário são necessários (glossário, desambiguação, terminologia em fluxo).

TODO: se classificar o artigo como semelhante a algoritmo (exercícios de codificação, reconstruir o método) vs. semelhante a conceito (widgets explicativos escritos pelo agente). Exemplos de química usados na discussão: balanço de massa, cinética de reação, um novo modelo cinético.

3. Planejar o percurso de aprendizado

Projete um caminho que um humano possa seguir em uma única sessão. TODO: duração alvo.

Não trave todo o notebook em um único nível de leitura. Planeje uma explicação adaptável: o leitor deve poder obter uma explicação mais simples ou mais avançada de uma passagem difícil. TODO: direção padrão — começar simples e adicionar complexidade, ou começar alto e descer quando o leitor estiver confuso. Ambas foram propostas; nenhuma foi escolhida. Conceitos centrais recebem uma escada completa (veja Explicando em vários níveis).

Espinha dorsal sugerida (ajuste por artigo):

  1. Por que este artigo importa.
  2. Intuição ou exemplo simples antes de notação pesada.
  3. Configuração: notação, suposições, termos e integração de vocabulário de campo (glossário; desambiguação ou terminologia em fluxo quando necessário — veja resources/field-maturity.md).
  4. Ideia central, ligada a uma equação ou figura.
  5. Passo a passo alinhado com o artigo.
  6. Verificações informais após segmentos, combinadas ao nível de explicação: explicar, prever, aplicar ou criticar (não avaliação formal — avaliação formal está fora do escopo).
  7. Para leitores de pós-graduação e acima, pontos de crítica: o desenho experimental aborda a questão declarada; o enquadramento estatístico é uma escolha apropriada; o que está faltando; quais suposições o leitor está fazendo.
  8. Conclusão: limitações, o que ler a seguir, citação.
  9. Questionário final: cinco perguntas de múltipla escolha sobre o artigo, sempre a última seção (veja Questionário final).

TODO: o alcance da crítica, análise da seção de resultados e prompts de interpretação de figuras na primeira versão, em comparação com uma visita guiada simples.

Se o usuário forneceu fontes extras, planeje onde elas serão citadas no notebook e como a evidência referenciada será distinguida do conhecimento geral. TODO: o mecanismo para essa distinção, e se um mapa conceitual pequeno ou "wiki de conhecimento" pertence aqui posteriormente.

4. Gerar o notebook marimo

Comece a partir de um modelo em assets/ quando existir (TODO: adicionar assets/notebook_template.py). Escreva um notebook marimo que possa ser aberto com uvx marimo edit --sandbox.

Siga as skills marimo instaladas em .agents/skills/ (uma célula import marimo as mo; nomes únicos no nível superior; widgets que impulsionam a exploração, não decoração):

  • marimo-notebook-patterns: leia antes de escrever ou editar qualquer célula do notebook (regras de import e parâmetros de célula, variáveis únicas, assinaturas de API de widgets, erros comuns).
  • marimo: referência de autoria mais ampla, incluindo emparelhamento ao vivo e incorporação de notebooks na web.
  • awesome-marimo-notebook: como tornar um artigo ou explicador de conjunto de dados envolvente e polido.

Declare dependências em um bloco de metadados de script inline PEP 723 no topo do arquivo (# /// script … # ///), listando marimo e cada pacote que o notebook importa, cada um com uma versão mínima (por exemplo, numpy>=2.0). Isso permite que uv run e marimo edit --sandbox os instalem.

Termine o notebook com o questionário de cinco perguntas descrito em Questionário final.

Requisitos rigorosos para a prosa:

  • Inteligível e representativa das ideias centrais do artigo.
  • Não é "conteúdo genérico de IA." Se uma frase pudesse ter sido escrita sobre qualquer artigo, reescreva-a.
  • Defina símbolos e termos de campo quando eles aparecerem pela primeira vez, ou aponte para um glossário / dica de ferramenta / destaque-para-explicar. Siga resources/field-maturity.md para seções de integração específicas de maturidade. TODO: quais desses auxiliares de leitura entregar primeiro. "Marimo Lens" foi mencionado como um possível ajuste para destacar-para-explicar; confirme o nome real do recurso e o suporte do host.

Outras regras de geração:

  • Equações: LaTeX em mo.md; widgets nos parâmetros quando isso constrói intuição.
  • Figuras: reproduza ou simplifique quando os dados permitirem; vincule de volta ao número da figura no artigo. Se os dados não estiverem disponíveis, diga isso — não invente gráficos. TODO: até onde ir com estimativas baseadas em visão ou interpretações de figuras escritas pelo leitor na v1.
  • Visitas guiadas a figuras: quando uma figura-chave precisa de um tour guiado passo a passo, leia resources/dynamic_figure_annotation.md (FigureAnnotatorWidget mais um auxiliar de auditoria de coordenadas em scripts/).
  • Conceitos centrais (1–3 por notebook) recebem uma escada de explicação (Explicando em vários níveis).
  • Verificações informais: perguntas curtas, não avaliação classificada. Use o padrão show_check em resources/explanation-levels.md §9 (rádio, uma resposta numérica com tolerância, ou uma resposta aberta com uma resposta modelo).
  • Modo de domínio da etapa 2: exercícios de codificação e reconstrução de método para artigos semelhantes a algoritmo; widgets visualizadores/explicadores escritos pelo agente para artigos semelhantes a conceito (por exemplo, um mecanismo em uma célula).
  • Rotule qualquer coisa que vá além do artigo ("Nossa demonstração," "Suposição simplificada").
  • Inclua metadados do artigo e citações.

5. Validar e entregar

Mínimo (esqueleto v1): o notebook deve executar.

uv run scripts/validate_notebook.py caminho/para/notebook.py --run

Ele verifica a sintaxe Python, executa marimo check --strict e, com --run, executa o notebook de cima a baixo. Corrija cada problema relatado antes da entrega.

Diga ao usuário:

  • Caminho para o notebook e o comando para abri-lo (uvx marimo edit --sandbox …).
  • Público-alvo assumido e o que foi simplificado.
  • TODOs e lacunas conhecidas (incluindo dados ausentes ou termos indefinidos).
  • Referência do artigo (título, autores, ano, link).

Validação planejada além de "executa" (não tudo necessário para um primeiro esboço):

  • A escrita é inteligível e representativa, não é conteúdo genérico.
  • Conceitos centrais e termos de metadados são realmente explicados.
  • Nenhum número ou afirmação fabricada.
  • O notebook termina com o questionário de cinco perguntas, e suas perguntas são sobre as afirmações, descobertas e limites do artigo, não sobre seus detalhes de implementação.
  • Cada escada explica o mesmo mecanismo central em todos os níveis; cada simplificação registrada é corrigida em um nível posterior; o limite da analogia é declarado.
  • Integração de vocabulário: para estudos de caso estabelecidos, emergentes e interdisciplinares, verifique a cobertura do glossário e, quando necessário, seções de desambiguação ou terminologia em fluxo por resources/field-maturity.md §8.
  • TODO: avaliações por asserção ou perguntas de ouro; execuções com múltiplos modelos (modelos chineses de peso aberto e modelos Claude foram oferecidos); LLM-como-juiz apenas como um primeiro filtro que é mais confiável em "isso é ruim" do que em "isso é bom"; uma validação humana em um artigo desconhecido; revisão por especialista no domínio após um teste de fumaça no próprio campo.
  • TODO: um conjunto de artigos de teste compartilhado que cubra trabalho estabelecido, emergente e interdisciplinar, e subdomínios, não apenas um campo. Um artigo sobre influenza de 2016 foi oferecido como um caso possível; a lista não foi escolhida.

Explicando em vários níveis

Ideias centrais recebem uma escada de explicação: um mecanismo explicado em cinco níveis, cada um escrito para um leitor com pré-requisitos específicos. É modelado na série 5 Níveis da WIRED. Os nomes dos níveis são abreviações. O que define um nível é o conhecimento do assunto e a matemática que o leitor traz, e a precisão que o nível adiciona.

Nível (abreviação)Conhecimento do assunto assumidoMatemática assumidaAdiciona ao mecanismo
1 · CriançaExperiência cotidianaContagem e comparaçãoCausa e efeito, em termos cotidianos
2 · AdolescenteAlfabetização científica geralAritmética, porcentagens, gráficos simplesUm exemplo simples com números reais e pequenos
3 · GraduaçãoUm curso introdutório no campoFerramentas introdutórias do campoA equação ou algoritmo exato, cada símbolo definido
4 · Pós-graduaçãoMétodos padrão de uma área adjacenteAcompanha as derivações do artigoSuposições, quando se sustenta, o que quebra e como se compara com a abordagem padrão
5 · EspecialistaLiteratura deste subcampoFormalismo completoO que é novo, trade-offs, limites e perguntas em aberto

Regras:

  1. Perfis de pré-requisitos por artigo (Fase 1): para cada nível, o que o leitor sabe, o que não sabe e o que o notebook deve ensinar. Mapeie o histórico declarado do usuário (das entradas opcionais no Contrato) para um nível.

  2. Um mecanismo em cada nível. Escreva primeiro uma espinha do mecanismo de uma frase; cada nível adiciona precisão a ela. Nenhum nível substitui um mecanismo mais vago ou diferente.

  3. Preciso em cada nível. Simplifique omitindo coisas, nunca dizendo algo falso. Registre cada simplificação em um registro e corrija-a em um nível posterior.

  4. Mapeie a analogia e declare seu limite. Leve uma âncora até o Nível 3, mapeie suas partes nas partes do método e diga onde ela quebra até o Nível 3.

  5. Verificações combinadas ao nível:

    • Criança: explicar.
    • Adolescente: prever.
    • Graduação: aplicar.
    • Pós-graduação: aplicar e criticar suposições.
    • Especialista: criticar.

    Cada verificação tem uma resposta esperada, o raciocínio e a localização no artigo.

  6. Escadas são para o central: 1–3 conceitos por notebook.

  7. Fundamentado: cite locais do texto que você leu e nunca adivinhe. Marque lacunas [cite: …] durante o rascunho e resolva-as antes de entregar.

  8. Números carregam suas condições: a tabela, coorte, conjunto de características ou intervalo vão na mesma frase. Em testes em artigos reais, ambos os equívocos que as escadas causaram vieram de um número despojado de sua condição.

No notebook: adicione um seletor de nível perto do topo. Cada escada recebe mo.ui.tabs que abrem no nível do leitor, com a verificação desse nível abaixo.

Leia antes de escrever: resources/explanation-levels.md tem os modelos de perfil e registro, um exemplo trabalhado, células marimo testadas e armadilhas. resources/examples/ tem mais duas escadas completas...

Individual skills in this repo

This repo contains 1 individual skill — each has its own dedicated page.

Habilidades Relacionadas