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。它超越了简单的摘要，强制 AI 重建作者的推理过程，识别脆弱的假设，并提出新颖的后续研究想法，帮助研究人员避免浅层理解。

如何工作

该项目由一组系统提示和 "技能"（专为 Claude/Codex 格式化）组成，引导 LLM 完成 12-13 步的分析流程。当提供论文的链接、标题或 PDF 时，LLM 会遵循特定的任务序列：

1. 上下文化：识别研究问题及其重要性。
2. 推理重建：基于现有知识模拟作者的直觉和灵感，而非仅仅陈述论文的主张。
3. 机制性解释：分解方法的直觉、流程（输入/处理/输出）和数学推导。
4. 批判性分析：通过识别最脆弱的假设并设计潜在的反例，对论文主张进行压力测试。
5. 未来工作：通过搜索工具研究后续研究，并提出一个非增量式的全新研究想法。

适用人群

希望深入理解学术论文的方法论和理论基础，而非仅阅读摘要的研究人员、学生和学术工作者（主要为 STEM 领域）。

特色亮点

• 推理重建：关注作者如何得出该想法，而不仅仅是结果本身。
• 批判性压力测试：明确提示 AI 找出论文中最薄弱的环节，并设计最小可复现实验。
• 创意生成：鼓励基于已识别的局限性生成新的研究方向。
• 灵活部署：可作为 ChatGPT/Claude 的系统提示使用，或作为预定义的技能使用。