从一次性总结到交互式精读：Paper Close Reading Skill 更新记录

从一次性总结到交互式精读：Paper Close Reading Skill 更新记录

本文介绍一个面向学术论文精读的 Codex Skill：Paper Close Reading，以及它在实际使用后完成的一次工作流更新。项目已开源：https://github.com/Delores-Lin/paper-close-reading
使用示例：https://blog.youkuaiyun.com/Delores_Lin/article/details/162969604?fromshare=blogdetail&sharetype=blogdetail&sharerId=162969604&sharerefer=PC&sharesource=Delores_Lin&sharefrom=from_link

一、为什么还需要一个论文精读 Skill

现在让 AI 总结一篇论文并不困难。把 PDF 交给模型，很快就能得到研究背景、方法、实验和结论。

但“生成了一份完整总结”和“用户真正读懂了论文”并不是一回事。

实际精读时，我们通常还需要解决这些问题：

• 原文中的长句、限定条件和专业术语究竟是什么意思；
• 方法的 input、output、data、ground truth、baseline 和 metric 分别是什么；
• 作者提出的指标是否真的测到了声称的能力；
• 正文引用的 Figure、Table、Equation 或 Appendix 是否支持当前主张；
• 哪些内容是作者明确写出的，哪些是合理推断，哪些是 AI 自己的评价；
• 方法中的哪些部分可以迁移到自己的研究，哪些假设需要重新验证。

我最初制作 Paper Close Reading，就是希望把论文阅读从“摘要生成”推进到“围绕原文和证据展开解释”。

第一版已经支持原文定位、方法拆解、图表阅读、批判性分析和研究笔记，但真正用它读了几篇论文之后，我发现工作流仍然存在明显问题。

二、第一次实际使用暴露了什么问题

最关键的问题是：Skill 中写了“三遍阅读”，不代表模型会真的带着用户读三遍。

模型可能在后台一次性完成全文分析，再交付一份看起来很完整的笔记。任务确实完成了，但用户没有参与阅读过程，也不知道模型在哪些地方做出了推断。

在实际使用中，我还遇到了以下情况：

1. 一个 Section 被一次性概括，粒度仍然太粗。
2. 正文同时引用多幅图，模型只解释了其中一幅。
3. 图表被集中放在回答末尾，与引用它的原文脱节。
4. 对话中没有真正讲过的内容，被直接写进“完整精读笔记”。
5. 图片和 Markdown 笔记保存在不同目录，移动文件后链接失效。

OCRBench 是我测试这套流程时使用过的论文之一，但这些问题并不属于 OCR 领域。任何包含复杂方法、实验、图表和附录的论文都可能遇到同样的问题。因此，Skill 的规则保持领域无关，具体检查项再根据当前论文和用户课题动态生成。

三、先区分两个容易混淆的维度

这次更新首先区分了两组概念：交互方式和阅读深度。

1. 交互方式

交互方式决定阅读节奏由谁控制：

模式	适用场景	行为
Guided	用户希望跟着论文逐步阅读	每个单元结束后停止，等待用户继续
Autonomous	用户希望模型独立完成分析	连续完成三遍阅读并交付完整笔记

如果用户只说“开始精读这篇论文”，而没有指定方式，Skill 不再自行选择默认模式，而是先询问用户。

2. 阅读深度

阅读深度决定这篇论文需要检查到什么程度：

深度	主要用途
Fast	快速判断论文是否值得继续读
Standard	阅读引言、方法、核心实验、图表、局限与结论
Replication-oriented	进一步检查数据构造、提示词、超参数、附录、代码和评测脚本

这两个维度彼此独立。例如，可以选择 Guided + Replication-oriented，也可以选择 Autonomous + Standard。

四、Guided 模式如何真正“带着读”

Guided 模式现在有明确的暂停边界。

Pass 1：建立论文地图

第一遍阅读标题、摘要、引言、结论、章节结构、图表标题和引用线索，输出：

• 5C 快速判断：Category、Context、Correctness、Contributions、Clarity；
• 研究问题和作者声称的贡献；
• 全文论证结构与核心术语；
• 关键 Figure、Table、Appendix 和先修概念；
• 按依赖关系安排的第二遍阅读顺序。

论文地图展示完成后必须停止，不能直接进入第二遍。

Pass 2：逐单元核验证据

第二遍不再默认按整节快速概括，而是让用户选择阅读粒度。

Unit-level

每次阅读一个章节或完整的论证单元，适合兼顾效率和证据定位。

Paragraph-level

每次只阅读一个原文段落，适合需要真正逐段理解的论文。

逐段模式要求：

1. 标出 Section、论文页码、PDF 页码和段落位置；
2. 在本地论文允许的情况下附上完整原文段落；
3. 按句解释术语、指代、逻辑连接和上下文作用；
4. 当场处理该段引用的全部图、表、公式和附录；
5. 给出主张、证据、成立边界和批判性判断；
6. 停止并等待用户继续下一段。

用户说“下一步”或“继续”，只授权处理下一个阅读单元，不代表允许模型自动读完整篇论文。

Pass 3：批判与综合

第二遍完成后，模型必须再次征求确认，才能进入第三遍。

第三遍主要检查：

• 主要 claim 是否都有对应证据；
• 数据集是否覆盖作者声称的现象；
• metric 是否具备足够的构念效度；
• baseline、控制实验和 ablation 是否公平充分；
• 是否报告不确定性、误差范围或负面结果；
• 实验结论能否推广到新的数据、模型或应用场景；
• 复现所需的信息是否完整。

最终目标不是重新总结全文，而是区分稳健结论、有限证据和推测性主张。

五、正文与图表必须放在一起读

论文经常出现这样的句子：

As shown in Figure 3, our method significantly outperforms previous approaches.

普通总结可能只会翻译为“如图 3 所示，我们的方法显著优于以往方法”。

但精读还需要继续检查：

• Figure 3 的横轴、纵轴、图例和数据集分别是什么；
• 比较的是哪个 baseline；
• 使用了什么 metric，方向是越高越好还是越低越好；
• 究竟提升了多少；
• 是否在所有数据集和设置上成立；
• 是否存在误差条、置信区间或统计显著性；
• 图表是否真的支持“significantly outperforms”这句话。

因此，新规则要求正文引用图表时立即处理。如果一个段落同时引用 Figure 5、Figure 7 和 Figure 36，就必须按引用顺序全部定位和解释，不能只挑其中一幅。

在本地 PDF 和渲染工具可用时，Skill 还会：

1. 渲染图表所在页面；
2. 裁出完整图表并保留标题、坐标、图例和关键脚注；
3. 检查图片是否空白、模糊或裁切错误；
4. 把截图放在引用它的正文解释之后；
5. 结合正文说明图表支持了哪一部分主张，以及还留下什么限制。

图表解释之后，还要进一步检查 claim 与 evidence 之间是否存在范围差异：

六、精读笔记不再抢跑

第一版流程容易出现一种情况：模型已经生成了 close-reading.md，但其中某些内容并没有在 Guided 对话中真正讲解过。

现在两种模式使用不同的笔记策略：

• Guided：默认不自动生成最终笔记；完成第三遍后，再询问用户是否整理。
• Autonomous：按照用户要求完成三遍阅读后，自动生成完整笔记。
• 如果用户明确要求“边读边记”，Guided 模式也可以增量维护笔记。

每篇论文的笔记和图片放在同一个自包含目录中：

notes/<paper-name>/
├── close-reading.md
└── images/
    ├── figure_01_<description>.png
    ├── table_01_<description>.png
    └── page_01.png

对话中使用图片的绝对路径，保证 Codex 可以直接显示；持久化 Markdown 笔记中使用 images/... 相对路径，保证整个目录移动后链接仍然有效。

七、可以怎样使用

1. Guided 模式，按章节阅读

使用 Paper Close Reading 精读这篇论文。
选择 Guided 模式，第二遍按 Unit-level 阅读。
每个单元完成后停下来等我继续。

2. Guided 模式，逐段阅读

使用 Paper Close Reading 带我逐段精读这篇论文。
每次附上一个完整原文段落，逐句解释。
该段引用的全部图表和附录要同步展开，然后停止。

3. Autonomous 模式，复现导向

使用 Paper Close Reading，以 Autonomous + Replication-oriented 方式完整阅读这篇论文。
检查数据构造、指标、baseline、超参数、附录、代码和评测脚本，
最后生成可复用的 close-reading.md 和配套图片。

4. 只解释一个局部问题

解释论文第 5 页这段话，并定位它引用的 Figure 3 和 Table 2。
判断这些证据是否支持作者当前的结论。

局部问题不需要强制选择 Guided 或 Autonomous，也不会默认创建笔记文件。

八、安装与项目地址

项目采用 Codex plugin 目录结构，核心 Skill 位于：

skills/paper-close-reading/

需要作为本地个人 Skill 使用时，可以将该目录放入：

${CODEX_HOME:-$HOME/.codex}/skills/paper-close-reading/

项目地址：

https://github.com/Delores-Lin/paper-close-reading

仓库中还包含 plugin manifest、界面元数据、验证用例、批判性阅读检查表和笔记模板。

九、最后

这次更新并没有改变 Paper Close Reading 的目标：它仍然是一个领域无关的论文精读流程。OCR、计算机视觉、自然语言处理、社会科学或其他方向都可以使用；具体术语和批判性检查项根据当前论文与用户目标动态生成。

我希望它解决的不是“如何让 AI 更快读完一篇论文”，而是：

如何让用户在 AI 的帮助下，沿着原文、证据、图表和论证过程，真正形成自己的理解。

项目还处于持续改进阶段。我自己也在学习如何更严谨地做研究和读论文。如果你在使用中遇到图表遗漏、证据定位不准、解释粒度不合适或笔记不好复用等问题，欢迎通过 GitHub Issue 提出建议。

如果这个项目对你有帮助，也欢迎 Star。

---

关键词： Codex Skill、论文精读、文献阅读、科研工具、学术论文、图表分析、批判性阅读、研究笔记