FeijiangHan/PaperForge

해결하는 문제

PaperForge는 LLM을 사용하여 학술 논문을 읽고 분석하는 구조화된 프레임워크를 제공합니다. 단순 요약을 넘어서 AI가 저자의 추론 과정을 재구성하고, 취약한 가정을 식별하며, 새로운 후속 연구 아이디어를 제안하도록 강제함으로써 연구자들이 표면적인 이해에 머무르지 않도록 돕습니다.

작동 방식

이 프로젝트는 Claude/Codex용으로 포맷된 시스템 프롬프트와 "스킬"(Skill) 세트로 구성되어 있으며, LLM이 12~13단계 분석 파이프라인을 따라가는 것을 안내합니다. 논문의 링크, 제목 또는 PDF가 제공되면 LLM은 특정 순서의 작업을 수행합니다.

1. 문맥화: 연구 문제와 그 중요성 식별.
2. 추론 재구성: 논문의 주장만을 말하는 것이 아니라, 기존 지식을 바탕으로 저자의 직관과 영감을 시뮬레이션.
3. 기계적 설명: 방법의 직관, 파이프라인(입력/처리/출력), 수학적 도출 분해 설명.
4. 비판적 분석: 논문 주장의 취약한 가정을 식별하고, 가능한 반례를 설계하여 주장에 대한 스트레스 테스트 수행.
5. 미래 연구: 검색 도구를 통해 후속 연구를 조사하고, 비누적적인 새로운 연구 아이디어 제안.

대상 사용자

학술 논문의 방법론과 이론적 기반을 단순 요약을 넘어서 깊이 이해하고자 하는 연구자, 학생, 학계 종사자(주로 STEM 분야).

주요 특징

• 추론 재구성: 결과가 무엇이었는지가 아니라, 저자가 어떻게 그 아이디어에 도달했는지에 초점.
• 비판적 스트레스 테스트: AI가 논문의 가장 약한 점을 찾아 최소한의 재현 실험을 설계하도록 명시적으로 유도.
• 아이디어 생성: 식별된 제약을 바탕으로 새로운 연구 방향을 생성하도록 장려.
• 유연한 배포: ChatGPT/Claude용 시스템 프롬프트 또는 사전 정의된 스킬로 사용 가능.