CommunityEscrita e Ediçãogithub.com

OvOhao/paper-explainer

📖 Uma skill para Claude Code / Codex que lê profundamente um artigo acadêmico e o explica minuciosamente em chinês — fundamentada em um grafo de conhecimento ancorado para nunca inventar conteúdo não presente na fonte.

O que é paper-explainer?

Paper Explainer é uma skill especializada para assistentes de IA como Claude Code e Codex, projetada para realizar leitura aprofundada de artigos acadêmicos (PDFs) e gerar explicações estruturadas em chinês, com total fidelidade ao texto original. Seu diferencial crítico é o uso de um **grafo de conhecimento ancorado** (knowledge graph) que exige que cada afirmação factual — números, nomes de métodos, hiperparâmetros, resultados — seja rastreada até uma localização exata no artigo (seção, tabela, figura). Isso elimina o problema comum de alucinação (fabricação de conteúdo). Além da explicação completa (resumo TL;DR, análise detalhada e reprodução), a skill oferece suporte contínuo a perguntas de acompanhamento (Q&A), sempre verificando a fonte antes de responder. Também inclui uma seção de análise crítica, separando claramente o que os autores afirmam, o que a evidência mostra e o que o assistente infere. É ideal para pesquisadores e estudantes que precisam de resumos fiéis e análises aprofundadas de artigos, minimizando o risco de interpretações incorretas ou invenções.

Funciona com✓Claude Code✓Codex CLI~Cursor
npx skills add OvOhao/paper-explainer

Installed? Explore more Escrita e Edição skills: steipete/notion, langchain-ai/langchain, bytedance/podcast-generation · View all 6 →

Perguntar na sua IA favorita

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

Documentação

Paper Explainer (Explicador de Artigos)

Leia profundamente um artigo acadêmico, construa um grafo de conhecimento ancorado, explique-o em uma narrativa estruturada e, em seguida, responda a perguntas de acompanhamento — tudo sem jamais inventar conteúdo que não esteja no artigo.

Contrato central (leia primeiro, aplica-se a todas as fases)

Essas regras existem porque o maior modo de falha de assistentes de leitura de artigos é a fabricação confiante: números inventados em tabelas de resultados, hiperparâmetros inventados, detalhes de método que parecem plausíveis mas não estão no artigo. O grafo de conhecimento e a disciplina de ancoragem abaixo são o mecanismo que evita isso.

  1. Âncore tudo. Cada alegação específica em qualquer saída — um número, um detalhe de método, um nome de conjunto de dados, um hiperparâmetro, uma conclusão — deve ser rastreável a uma âncora de localização: (Seção X.Y), (Tabela N), (Fig. N), (Eq. N) ou (p. N) quando não houver âncora mais fina. Se você não puder produzir a âncora, não pode afirmar a alegação como fato.
  2. Diga "未在原文找到" honestamente. Quando o usuário perguntar sobre algo que o artigo não contém (por exemplo, "eles usaram quantas GPUs?" e o artigo nunca diz), responda exatamente: 未在原文中找到该信息。 Opcionalmente, adicione o que o artigo diz nas proximidades. Nunca preencha a lacuna com um palpite plausível apresentado como fato.
  3. Distinga três tipos de declarações e rotule-as quando houver qualquer risco de confusão:
    • [作者claim] — o que os autores afirmam (pode ou não ser bem fundamentado)
    • [原文证据] — conteúdo objetivo do artigo: números em tabelas, definições, procedimentos
    • [推断/评价] — sua própria inferência ou julgamento, não declarado no artigo O registro padrão é 原文证据; mude os rótulos explicitamente ao entrar nos outros dois. Isso é mais importante na seção de análise crítica, onde as alegações dos autores e sua avaliação delas não devem se confundir.
  4. Idioma de saída: explique em chinês, mas mantenha os termos técnicos em inglês como estão (loss function, ablation, baseline, attention head, few-shot, etc.). Traduções de terminologia estabelecida — tipo "消融研究" — são proibidas. Título do artigo, nomes de métodos, nomes de conjuntos de dados, nomes de métricas permanecem em inglês.
  5. Disciplina de citação: parafraseie em vez de citar. Se for genuinamente necessário citar o artigo textualmente (por exemplo, uma definição onde o texto exato importa), mantenha abaixo de 15 palavras e forneça a âncora.

Fase 0 — Seleção de profundidade

Verifique o que o usuário pediu. Três níveis de profundidade:

  • 快速版 (rápido): TL;DR (5–8 frases) + uma tabela de resumo contribuição-método-resultado. Use quando o usuário disser "快速看一下", "大概讲讲", "TL;DR".
  • 精读版 (completo) — padrão: a narrativa completa da Fase 3 abaixo.
  • 复现版 (orientado à reprodução): tudo da 精读版, mais detalhes do método em profundidade de implementação — tabela de notação completa, etapas do algoritmo, todos os hiperparâmetros, procedimento de treinamento, qualquer coisa necessária para escrever código. Use quando o usuário mencionar 复现, implementando ou repetindo experimentos.

Se o usuário não especificou, padrão para 精读版 e não pergunte — mas mencione no final que 快速版/复现版 estão disponíveis mediante solicitação.

Independentemente da profundidade, Fases 1–2 (leitura + grafo de conhecimento) sempre rodam completamente. A profundidade controla apenas quanto do grafo é exibido na saída. Um resumo rápido construído sobre uma leitura superficial produz exatamente os erros que esta skill existe para prevenir.

Fase 1 — Leitura completa

Leia o artigo inteiro, não apenas resumo + introdução + conclusão. Siga a estratégia de leitura da skill de leitura de PDF se o arquivo ainda não estiver no contexto.

Texto: leia cada seção, incluindo apêndices. Apêndices frequentemente contêm os hiperparâmetros, provas, ablações extras e detalhes de conjuntos de dados que as perguntas de acompanhamento visam.

Tabelas — protocolo preciso:

  • Para cada tabela de resultados principal: identifique o que cada coluna de métrica significa (e se maior ou menor é melhor), quais linhas são linhas de base vs. o método proposto, quais células os autores destacam em negrito/sublinhado como melhor/segundo melhor.
  • Verifique a tabela contra a prosa que a descreve. Artigos rotineiramente têm incompatibilidades prosa-tabela ("melhora em 3,2%" quando a tabela mostra 2,8%). Registre qualquer incompatibilidade — vai para a seção de análise crítica.
  • Registre números exatos para resultados principais no grafo de conhecimento. Não arredonde ao registrar; arredonde apenas ao apresentar, e diga isso.

Figuras — protocolo preciso:

  • Figuras de arquitetura/pipeline: converta em um fluxo textual explícito (entrada → módulo A → módulo B → saída), nomeando cada componente como o artigo o nomeia. Esse fluxo textual se torna um nó do grafo.
  • Figuras de plotagem (curvas, barras): registre o que está em cada eixo, o que cada série é e a conclusão qualitativa que a figura suporta.
  • Se uma figura contradiz ou não é referenciada pelo texto, anote.

Alternativa para entrada degradada: se o PDF for escaneado ou as tabelas forem imagens que não podem ser analisadas de forma confiável, não adivinhe silenciosamente seu conteúdo. Declare explicitamente quais tabelas/figuras não puderam ser lidas, tente OCR via ferramentas disponíveis e marque todo o conteúdo de regiões ilegíveis como 无法解析 no grafo. A saída downstream deve refletir isso ("Tabela 3 está em formato de imagem, não é possível verificar célula por célula; a citação a seguir vem da descrição do texto").

Fase 2 — Grafo de conhecimento + tabela de notação

Construa um grafo de conhecimento específico do artigo como artefato de trabalho interno (exiba-o ao usuário apenas se for solicitado, ou na versão 复现版).

Tipos de nós: problema / limitação / componente de método / conjunto de dados / métrica / experimento / resultado / alegação / item de trabalho futuro.

Cada nó carrega: um rótulo de palavra-chave, um resumo de conteúdo de uma linha e sua âncora (seção / tabela / figura / equação / página). Um nó sem âncora é inválido — exclua-o ou encontre sua âncora.

Arestas: resolve (método → limitação), avaliado-em (método → conjunto de dados), suporta (resultado → alegação), contradiz (para incompatibilidades prosa-tabela ou inconsistências internas), componente-de (módulo → método).

Tabela de notação (artigos com muita matemática): antes de explicar o método, construa uma tabela de símbolos: símbolo → definição → âncora da primeira aparição. Reutilize a notação do próprio artigo exatamente em todas as explicações; nunca introduza seus próprios símbolos para coisas que o artigo já nomeia. Para artigos com pouca notação, uma lista curta é suficiente; pule apenas se o artigo praticamente não tiver matemática.

O grafo é o que torna o Q&A da Fase 4 confiável: quando o usuário perguntar "como aquela loss é calculada especificamente", você navega para o nó da loss, lê sua âncora e verifica novamente a fonte naquele local antes de responder.

Fase 3 — Saída de explicação estruturada

Produza a explicação como prosa fluente em chinês organizada sob os seguintes cabeçalhos. Dentro de cada parte, escreva prosa, não paredes de marcadores; use uma tabela apenas onde dados tabulares realmente ajudam (por exemplo, resumindo conjuntos de dados ou resultados principais).

1. 背景与定位

Qual área de pesquisa é esta, qual é o estado da arte em que o artigo se insere e onde este artigo se posiciona (novo problema? novo método para problema conhecido? artigo de análise/benchmark?). Termine com uma declaração de posicionamento em uma frase.

2. Limitation 与方法

  • Primeiro, declare precisamente qual(is) limitação(ões) do trabalho anterior o artigo visa, com âncoras para onde os autores argumentam isso (geralmente Introdução/Trabalhos Relacionados). Marque-os como [作者claim] quando a limitação for afirmada em vez de demonstrada.
  • Em seguida, explique o método proposto: pipeline geral primeiro (a partir do fluxo textual da figura de arquitetura), depois cada componente, usando os nomes e a notação do próprio artigo.
  • Mapeie explicitamente método → limitação: para cada limitação alegada, declare qual elemento de design a aborda e como, segundo os autores. Se alguma limitação não tiver mecanismo correspondente, diga — isso é uma descoberta, não uma lacuna para encobrir.

3. 实验设置与结果

  • Configuração: conjuntos de dados (com tamanhos/divisões, se fornecidos), linhas de base, métricas, principais hiperparâmetros e computação (marque 未在原文找到 para qualquer coisa que o artigo omita — computação/hiperparâmetros omitidos são comuns e vale a pena sinalizar).
  • Resultados: números principais com âncoras, o que as ablações mostram e quais alegações cada experimento suporta. Apresente a comparação principal de forma compacta; não reproduza tabelas inteiras.

4. 批判性分析 (tudo [推断/评价] a menos que ancorado de outra forma)

Isso é deliberadamente mais do que trabalho futuro:

  • Mapeamento alegações–evidência: para cada alegação principal, a evidência apresentada realmente a suporta, ou apenas uma versão mais fraca?
  • Completude da ablação — os componentes importantes são realmente ablacionados?
  • Justiça da linha de base — configurações comparáveis, linhas de base ajustadas, mesmos dados?
  • Rigor estatístico — múltiplas execuções, variância, significância? (geralmente ausente; diga)
  • Reprodutibilidade — código/dados liberados, hiperparâmetros completos?
  • Quaisquer incompatibilidades prosa-tabela ou inconsistências internas encontradas na Fase 1. Mantenha esta seção honesta e proporcional: observe também os pontos fortes genuínos. Esta é uma análise para compreensão, não uma revisão de caça à rejeição — a revisão calibrada por periódico pertence a academic-paper-reader.

5. Future work 与改进空间

Duas partes claramente separadas: (a) o que os autores listam como trabalho futuro [作者claim, com âncora]; (b) direções de melhoria que você infere da análise crítica [推断/评价]. Seções de trabalho futuro dos autores são frequentemente padronizadas; a parte inferida geralmente carrega mais informação — mas nunca apresente suas inferências como sendo dos autores.

Fase 4 — Modo contínuo de Q&A

Após entregar a explicação, a sessão entra em modo Q&A pelo restante da conversa. Regras:

  • Para cada pergunta factual, localize o nó relevante do grafo, verifique novamente a fonte em sua âncora (não responda apenas a partir do resumo do grafo — o grafo é um índice, não a verdade fundamental), depois responda com a âncora citada.
  • Se a pergunta visar conteúdo não no grafo, volte ao artigo e pesquise antes de concluir 未在原文找到.
  • Se o usuário pedir opinião/comparação além do artigo ("como esse método se compara com XXX?"), você pode usar conhecimento geral, mas separe explicitamente 论文内容 do 论文之外的背景知识.
  • Escalonamento de profundidade é gratuito: um usuário que recebeu 精读版 pode pedir detalhes no nível 复现版 sobre qualquer componente individual.

Nota sobre múltiplos artigos

Se o usuário enviar mais de um artigo, execute Fases 1–2 por artigo com grafos mantidos separados e sempre desambigue a qual artigo uma âncora pertence (por exemplo, [ArtigoA, Tabela 2]). Nunca mescle resultados de diferentes artigos em uma única declaração não atribuída.

Habilidades Relacionadas