FeijiangHan/PaperForge

해결하는 문제

PaperForge는 LLM을 사용하여 학술 논문을 읽고 분석하는 구조화된 프레임워크를 제공합니다. 단순한 요약을 넘어서 연구자들이 표면적인 이해를 넘어 저자의 추론 과정을 재구성하고, 핵심 가정을 식별하며, 새로운 연구 아이디어를 도출할 수 있도록 돕습니다.

작동 방식

이 프로젝트는 Claude나 ChatGPT와 같은 LLM을 위한 매우 구조화된 시스템 프롬프트와 "스킬" 세트로 구성되어 있습니다. 논문의 링크, 제목, 또는 PDF가 제공되면 에이전트는 엄격한 12단계 분석 파이프라인을 따릅니다:

1. 문제 식별: 연구 질문과 그 가치를 정의합니다.
2. 문맥화: 이전 연구의 격차를 분석합니다.
3. 추론 재구성: 기존 지식을 바탕으로 저자의 직관과 영감을 시뮬레이션합니다.
4. 핵심 직관: 주요 아이디어의 본질을 요약합니다.
5. 방법론: 구체적인 예시를 들어 파이프라인을 설명합니다.
6. 이론적 기반: 수학적 도출을 분해합니다.
7. 실험적 검증: 주장과 특정 실험 및 결과를 매핑합니다.
8. 핵심 통찰: 핵심 교훈을 요약합니다.
9. 가정 검증: 가장 취약한 가정을 식별합니다.
10. 재현: 빠른 검증을 위한 최소한의 실험을 제안합니다.
11. 반론 설계: 가능한 반례를 설계합니다.
12. 미래 연구 제안: 혁신적이고 비누적적인 후속 연구 아이디어를 제안합니다.

대상 사용자

STEM 분야(주로)의 연구자 및 학생으로, 학술 문헌을 깊이 있게 분석하고 LLM을 사용해 논문의 논리를 검증하고자 하는 사람들을 대상으로 합니다.

주요 특징

• 기계적 설명: 결과의 "무엇"이 아니라 아이디어가 어떻게, 왜 탄생했는지에 초점을 맞춥니다.
• 비판적 사고: 약점 식별 및 반례 설계를 위한 구체적인 단계를 포함합니다.
• 인간 같은 스타일: 일반적인 AI 표현을 피하고 Andrej Karpathy와 같은 연구자처럼 정보 밀도가 높은 스타일을 유도합니다.
• 사용자 맞춤형: 사회과학 및 인문학 분야에 적용하기 위한 가이드를 제공합니다.