paper-reader

name paper_reader description 解析并分析学术 PDF 论文 — 深度多模态提取文本与图表，支持结构化解析和视觉分析 Paper Reader（论文阅读器）Skill 什么时候使用 当用户提出以下需求时使用此 Skill： 提供了一篇 PDF 论文并要求"分析"、"阅读"或"总结"它 想要理解论文中的图表或公式 询问论文的结构或各个章节 提到了一个本地的 PDF 文件路径 前置条件 Python 环境，且已安装依赖： pip install -r requirements.txt 操作指南 0. 📥 下载论文 PDF 当用户通过 paper-search MCP 工具搜索到论文后，使用此命令下载 PDF： python skills/paper_reader/scripts/parse_pdf.py --action download --url "<arXiv_ID_or_URL>" 支持两种格式： arXiv ID ： --url "2210.03629" → 自动拼接为 https://arxiv.org/pdf/2210.03629.pdf 完整 URL ： --url "https://arxiv.org/pdf/2210.03629.pdf" 可选： --filename "ReAct.pdf" 自定义文件名（默认从 arXiv ID 自动生成） PDF 文件保存到 data/ 目录。下载完成后，使用下方的深度解析命令分析论文。 1. 🌟 深度多模态解析（推荐首选） 一次性提取文本 + 章节结构 + 所有嵌入图片，是论文分析的最佳起点。 python skills/paper_reader/scripts/parse_pdf.py --action deep --pdf "<pdf_path>" 返回结构化 JSON，包含： metadata : 标题、页数、文件大小、总字符数 sections : 各章节名称、字数、预览文本 text : 全文文本（用于 LLM 理解和知识图谱入图） figures : 提取的图片列表（自动过滤了 icon/logo 等噪声图片） ⚠️ Token 成本控制规则 ： 深度解析后， 禁止自动 view_file 查看图片 只向用户报告"共提取了 N 张图表"以及路径列表 仅当用户 明确要求 分析某张图表时，才使用 view_file 查看 每次 view_file 查看一张图片约消耗 500~1500 Vision Token 设计原理 ：文本用文本提取（零 Vision 开销），图片只提取嵌入的 figure（不做全页渲染），最大化信息密度、最小化 token 消耗。 2. 提取论文结构（零成本，无 API 消耗） 当用户想要快速了解论文各个章节时： python skills/paper_reader/scripts/parse_pdf.py --action structure --pdf "<pdf_path>" 这将返回包含章节名称和字数的 JSON 数据。请将其格式化为表格形式呈现。 3. 提取全文 当用户需要论文的全部文本内容时： python skills/paper_reader/scripts/parse_pdf.py --action text --pdf "<pdf_path>" 返回全文内容。可以将其用于知识抽取（传递给 add_paper_to_graph MCP 工具）。 4. 从指定页面提取图片 当用户 明确要求 分析某个具体的图表时： python skills/paper_reader/scripts/parse_pdf.py --action images --pdf "<pdf_path>" --page <page_num> 此命令会将提取出的图片保存到 data/scholarmind_images/ 并返回它们的文件路径。 图表分析触发条件 （仅当以下情况之一成立时才使用 view_file 查看图片）： ✅ 用户明确说了"分析图表"、"看看这张图"、"解释 Figure X" ✅ 用户提问的内容无法仅从文本中回答（如"这个系统框图的架构是什么"） ✅ 用户要求将图表信息加入知识图谱 禁止触发 的情况： ❌ 用户只是说"分析论文"或"总结论文" → 文本已足够，无需看图 ❌ 深度解析后自动查看所有图片 → 严禁，Token 浪费严重 分析图片时，结合论文 text 中引用该图表的上下文段落（如 "As shown in Fig. 2..."）能显著提升分析质量。 5. 将整页渲染为图片（仅在必要时使用） 当页面包含复杂公式、矢量图或扫描版 PDF 时，才需要全页渲染： python skills/paper_reader/scripts/parse_pdf.py --action render --pdf "<pdf_path>" --page <page_num> --dpi 200 将渲染后的页面保存到 data/scholarmind_images/ 并返回路径。请使用 view_file 查看渲染出的页面图片并进行分析。 6. 获取 PDF 元数据 python skills/paper_reader/scripts/parse_pdf.py --action metadata --pdf "<pdf_path>" 返回标题、作者、页数、文件大小以及该文档是否为扫描版 PDF。 输出格式 始终以结构化的 Markdown 格式展示结果： 元数据：呈现为表格 结构：呈现为带有字数的有序列表 图片： 仅列出路径和数量 ，不要自动查看。告知用户可以要求分析特定图片 对于扫描版 PDF：提醒用户，并建议使用"整页渲染 + 视觉分析"的方式 Workflow 集成推荐 在分析完一篇论文后，主动建议下一步操作： "要把这篇论文加入知识图谱吗？" → 使用 add_paper_to_graph MCP 工具，将 deep 解析的全文文本传入 "需要分析某张具体图表吗？（共提取了 N 张图）" → 仅在用户同意后，再使用 view_file 查看指定图片 "需要运行相关仿真吗？" → 使用 code-execution MCP 工具