FeijiangHan/PaperForge

解决的问题

PaperForge 提供了一套使用 LLM 阅读和分析学术论文的结构化框架。它不仅提供简单摘要，更帮助研究人员超越表面理解，重建作者的推理过程，识别关键假设，并生成新颖的研究想法。

如何工作

该项目由一组高度结构化的系统提示和专为 LLM（如 Claude 或 ChatGPT）设计的「技能」组成。当提供论文的链接、标题或 PDF 时，该代理将遵循严格的 12 步分析流程：

1. 问题识别：定义研究问题及其价值。
2. 上下文化：分析先前研究的空白。
3. 推理重建：基于现有知识模拟作者的直觉和灵感。
4. 核心直觉：提炼出主要思想的本质。
5. 方法论：用具体示例解释整个流程。
6. 理论基础：分解数学推导过程。
7. 实验验证：将主张与具体实验和结果进行映射。
8. 关键收获：总结核心经验教训。
9. 假设检验：识别最脆弱的假设。
10. 复现：建议一个最小实验以快速验证。
11. 反例设计：设计潜在的反例。
12. 未来工作：提出新颖且非渐进式的后续研究想法。

适用人群

主要面向 STEM 领域（尤其是）的研究人员和学生，希望深入分析学术文献，并使用 LLM 对论文逻辑进行压力测试，而非仅做摘要。

亮点

• 机制性解释：聚焦于想法是如何、为何被构思的，而不仅仅是结果本身。
• 批判性思维：包含识别弱点和设计反例的具体步骤。
• 类人风格：引导 LLM 避免通用 AI 表述，采用类似 Andrej Karpathy 等研究者的高信息密度风格。
• 可定制化：提供将该框架适配至社会科学和人文学科的指导。