Communitygithub.com

QinghongLin/paperdoctor

PaperDoctor:為進行中的科學論文提供基於證據且可操作的意見回饋

paperdoctor 是什麼?

PaperDoctor 是一個 AI 輔助技能,專為幫助研究人員在科學論文尚未完成時,透過基於證據且可操作的回饋機制來改善論文品質。此技能支援多種平台(如 Claude Code、Coder),並先以「讀取實驗」與「讀取代碼」階段分析論文實驗計畫(check_exp.json)及程式碼問題(check_code.json),接著自動產生再現實驗的流程。它採用明確的使用者核准機制:在執行任何實驗前,會先呈現摘要並等待使用者確認。技能涵蓋環境建立、套件安裝、資料下載、實驗執行,並將結果與論文數據比對,最後更新狀態記錄(通過/警告/錯誤)。對於開發人員與 AI 代理使用者而言,PaperDoctor 簡化了科學論文的驗證與改進流程,確保實驗可重現且回饋具有實質幫助。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add QinghongLin/paperdoctor

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

執行實驗

此技能需要明確的使用者核准後才能執行。 請不要在 Phase 2 後自動開始 — 請先呈現再現計畫摘要,並等待使用者確認。

先決條件

  • {paper_dir}/reports/check_exp.json — 來自 read-exp 的實驗計畫(優先順序、可行性、指令)
  • {paper_dir}/reports/check_code.json — 來自 read-code 的程式碼問題(執行前需修正)

工作流程

- [ ] 步驟 1:建立環境
- [ ] 步驟 2:執行實驗

步驟 1:建立環境

conda create -n paperdr-{paper_stem} python=<version> -y
conda activate paperdr-{paper_stem}
# 按照 README 進行安裝

視需要下載資料/檢查點。在執行前,請先修正 check_code.json 中的任何 warning/error 項目。


步驟 2:執行實驗

按照 check_exp.json 中的優先順序(高優先先執行)執行實驗。優先採用評估而非訓練。

對於每個實驗,將輸出結果與論文中的數字進行比較。更新 check_exp.json,加入:

{
  "our_result": {"metric": 0.0},
  "status": "pass",
  "note": "..."
}
狀態意義
pass與論文匹配,誤差約 1-2% 內
warning部分匹配或需要修正
error顯著差異或無法執行

提示

  • 請遵循儲存庫的 README — 請勿猜測
  • OOM 視為 error — 記錄原因,不要無休止地重試
  • 記錄使用的確切指令與硬體資訊

相關技能