核心用法
Paper Compare 是一款专为学术研究者设计的论文对比分析技能，支持 1-5 篇论文的并行比较。用户可通过 DOI、URL、搜索关键词或直接上传 PDF 文件等多种方式输入论文，系统将自动提取元数据与摘要，并基于 10 个核心维度（标题、作者、年份、发表期刊/会议、研究问题、方法论、数据集、研究结果、局限性、代码与数据可用性）生成结构化对比表格与深度叙事分析。
该技能采用五阶段推理框架：解读需求 → 检索论文 → 分析提取 → 综合合成 → 验证交付。特别值得关注的是其"比较角度"识别机制，可自动判断用户关注焦点——是同一主题的不同方法比较、同一方法在不同领域的应用、技术演进时间线、竞争方案权衡，还是互补性研究整合，从而动态调整分析侧重点。
显著优点
多源异构输入支持是最大亮点。无论用户手头是精确的 DOI、arXiv 链接、模糊的搜索描述，还是本地 PDF 文件，系统都能灵活处理并统一转换为可比较的结构化数据。相比单一检索模式，这极大降低了使用门槛。
质量评分体系科学实用。技能从期刊/会议等级（顶会顶刊 ⭐⭐⭐ 到普通 ⭐）、引用量（100+ ⭐⭐⭐ 到 <10 ⭐）、代码开源程度、数据可用性四个维度量化论文可信度，帮助研究者快速识别领域标杆工作，避免在低质量文献上浪费时间。
结构化输出专业规范。自动生成的对比表格、六段式叙事综合（概览-方法论-结果-局限性-研究缺口-质量评估）、决策矩阵与最终推荐，符合学术写作规范，可直接用于文献综述、开题报告或研究提案。
历史记忆功能支持持续追踪研究脉络，避免重复劳动。
潜在缺点与局限性
来源可信度限制是当前最大短板。该技能由个人开发者 KeXu9 维护（T3 来源），无公开源码仓库可供审计，关键研究场景需人工复核输出。
API 依赖导致可用性风险。核心功能依赖 Crossref 与 Semantic Scholar 两个外部 API，虽均为成熟学术基础设施，但在网络受限或 API 服务异常时将完全失效，缺乏本地离线 fallback 方案。
PDF 文本提取质量不稳定。扫描版 PDF、复杂排版论文或包含大量数学公式的文档，可能出现信息提取不完整，导致"方法论无法分析"或"结果不可用"等降级输出。
跨领域/跨时间比较存在固有偏差。技能文档已警示：2010 年与 2024 年论文直接对比可能不公平，计算机科学与生物医学论文方法论差异巨大，这些需要用户自行判断，系统仅作标注提醒。
预印本质量风险。技能会标注 preprint 状态，但不会主动过滤，用户可能基于未同行评审的工作做出决策。
适合的目标群体
- 研究生与博士生：撰写文献综述、确定研究方向时快速绘制领域地图
- 青年学者：学习顶会论文写作范式，通过对比分析提升论文质量判断力
- 跨学科研究者：需要快速理解陌生领域方法论演进脉络
- 科研团队负责人：评估组内多个候选方案，辅助资源分配决策
- 学术期刊编辑/审稿人：初步评估投稿与已发表工作的差异化程度
不适合：完全依赖 AI 结论而不加验证的初学者；需要处理 5 篇以上大规模文献的系统性综述研究者（技能明确限制 2-5 篇以保证深度）。
使用风险
数据隐私方面：技能会将比较历史保存至本地 paper-compare-history.json，可能包含敏感研究计划。涉及保密或未发表研究时，应明确指示禁用历史保存，并定期清理文件。
API 合规性：Crossref 与 Semantic Scholar API 均为公开 HTTPS 接口，无认证凭据要求，符合 GDPR 与 CCPA 数据最小化原则，隐私风险可控。
输出可靠性：技能明确声明"不推断缺失信息"，但质量评分仍依赖自动提取的元数据准确性。建议对关键结论进行抽样验证，尤其是影响学术决策的推荐结果。
性能与依赖：纯 Markdown 文档型技能，无可执行代码，无第三方依赖，本身运行风险极低。主要性能瓶颈来自外部 API 响应延迟，单篇论文检索通常需 1-3 秒。