paper-research-assistant

name paper-research-assistant description 科研论文研读与复现自动化助手。使用当用户需要：(1) 研读论文 PDF 并提取核心内容，(2) 生成结构化研读报告，(3) 查找官方代码/数据集，(4) 编写复现代码框架，(5) 设计实验方案复现论文结果 Paper Research Assistant - 科研论文研读与复现助手 核心工作流 1. 论文接收与解析 接收用户提供的论文 PDF 文件路径或 arXiv/期刊链接 使用 scripts/parse_paper.py 提取论文元数据（标题、作者、摘要、关键词） 识别论文类型：理论研究/实验研究/综述/方法论文 2. 深度研读与报告生成 提取核心贡献（通常位于 Introduction 最后一段或 Conclusion） 识别方法论框架（模型架构、算法流程、关键公式） 整理实验配置（数据集、基线方法、评估指标、超参数） 生成结构化研读报告（使用 references/report_template.md ） 3. 资源收集 搜索官方代码仓库（GitHub、GitLab、项目主页） 查找配套数据集（HuggingFace、Kaggle、论文中提到的数据源） 验证资源可用性与许可证 4. 复现代码生成 根据论文方法描述生成代码骨架（PyTorch/TensorFlow） 实现核心算法模块 配置训练循环与评估流程 生成可运行的实验脚本 5. 实验方案设计 列出环境依赖（Python 版本、关键库） 设计对比实验（消融实验、基线对比） 配置超参数搜索空间 预估计算资源需求 脚本使用 parse_paper.py python scripts/parse_paper.py --pdf /path/to/paper.pdf --output /tmp/paper_metadata.json 提取论文结构化元数据 generate_report.py python scripts/generate_report.py --metadata /tmp/paper_metadata.json --template references/report_template.md --output /tmp/research_report.md 生成研读报告 scaffold_code.py python scripts/scaffold_code.py --paper-json /tmp/paper_metadata.json --framework pytorch --output-dir /tmp/repo 生成复现代码骨架 参考文档 references/report_template.md - 研读报告标准模板 references/code_style.md - 复现代码规范 references/experiment_design.md - 实验设计指南 输出规范 研读报告结构 # 论文研读报告 ## 基本信息 - 标题： - 作者/机构： - 发表 venue： - 日期： ## 核心贡献 1. ... 2. ... ## 方法论 - 问题定义： - 核心思路： - 关键公式： ## 实验配置 - 数据集： - 基线方法： - 评估指标： - 超参数： ## 复现可行性 - 官方代码：[有/无] [链接] - 数据集：[公开/需申请] [链接] - 计算需求： - 预计复现难度：[低/中/高] ## 待澄清问题 - ... 注意事项 PDF 解析限制 ：复杂公式可能识别不准确，需人工核对 代码复现范围 ：生成骨架代码，完整实现需根据实际调试 资源验证 ：所有链接需验证有效性，标注最后访问时间 许可证合规 ：注明原论文/代码的许可证类型 工具依赖 PyMuPDF / pdfplumber - PDF 解析 arxiv API - 论文元数据查询 GitHub API - 代码仓库搜索 HuggingFace API - 数据集查询