Academic Paper Summarizer

核心用法

Paper Summarize 是一款面向学术研究者的智能论文精读技能，通过动态 SOP（标准操作程序）选择机制，针对不同论文类型（方法、数据集、多模态等）匹配专业分析模板。用户输入论文标题、作者、摘要及主题分类后，系统自动生成符合 NeurIPS/ICML/ICLR/ACL 等顶会评审标准的深度总结。

输出文件采用结构化 Markdown 格式，包含：论文信息、核心贡献、方法论批判（2000+ 字）、实验评估（1000+ 字，重点关注训练/测试数据集）、优劣势分析、关键质疑及影响评估。同时自动维护提示词记录与本地目录结构，确保研究可追溯性。

显著优点

• 专业性对标顶会：直接借鉴顶级会议评审标准，而非通用摘要生成，输出具备同行评议深度
• 类型自适应：覆盖方法、数据集、多模态、技术报告、RL对齐等10种论文类型，差异化处理不同研究范式
• 数据集意识：强制要求披露训练/评估数据集细节，直击当前AI研究可复现性痛点
• 工程化集成：与 arXiv 检索、质量筛选、批量处理、报告生成形成完整研究工作流
• 本地优先：文件系统级存储，支持长期知识管理与版本控制

潜在局限

• 输入依赖质量：需用户准确提供主题分类，错误归类可能导致分析框架错配
• 长文本处理压力：未明确说明对超长论文（如100页技术报告）的处理能力边界
• 领域覆盖偏向：当前分类明显偏向机器学习/AI，对传统学科（数学、物理实验）支持有限
• 无实时检索：依赖用户输入的摘要信息，不具备自动获取全文并解析图表的能力

适合人群

AI/ML 研究者、博士生、文献综述撰写者、技术调研团队，尤其适用于需快速建立对陌生领域系统认知的场景，以及系统性文献回顾前的批量预筛选。

常规风险

• 过度依赖风险：自动化深度分析可能降低研究者独立批判性阅读能力
• 幻觉传导：若输入摘要存在作者夸大，系统缺乏事实核查机制可能放大误导
• 存储安全：本地文件存储需用户自行管理访问权限与备份策略

核心功能

paper_summarize 是一款面向学术研究的专业论文摘要 Skill，采用动态标准操作流程（SOP）选择机制，针对不同论文类型（方法、数据集、多模态、技术报告等10+类别）自动匹配专属分析模板，确保输出符合 NeurIPS/ICML/ICLR/ACL 等顶级会议的审稿标准。

显著优点

专业化分析框架：强制要求方法论批判2000字以上、实验评估1000字以上，涵盖技术原理、创新点对比、计算成本、失效模式等深度维度；数据集透明化：特别强调训练/测试数据集的披露与审查，解决AI研究中的数据溯源痛点；可复现性设计：自动保存原始提示词至本地文件，支持研究流程追踪；结构化输出：生成的 Markdown 文件包含贡献总结、优缺点分析、作者关键问题、影响力评估等完整模块。

潜在局限

作为纯文档型 Skill，其核心价值依赖于底层 LLM 的学术理解能力，无法自主访问论文全文（需用户输入标题、摘要等元数据）；SOP 模板虽覆盖10类论文，但新兴交叉领域（如 AI4Science、具身智能）可能缺乏针对性指导；输出质量高度依赖用户提供的研究上下文完整度。

适用人群

• 需要系统性文献综述的研究生/博士生
• 投稿前自检论文完整性的作者
• 快速筛选arXiv预印本的研究团队
• 撰写审稿意见的期刊/会议审稿人

风险提示

该 Skill 本身无代码执行能力，安全风险极低（S+级认证）。主要风险在于：用户可能过度依赖AI生成的批判意见而忽视自主判断；提示词模板若被恶意构造可能存在注入风险（建议定期审查模板内容）；未声明开源许可证，商用场景需确认授权范围。