FeijiangHan/PaperForge

解決的問題

PaperForge 提供了一套使用 LLM 閱讀與分析學術論文的結構化框架。它不僅提供簡單摘要，更幫助研究人員超越表面理解，重建作者的推理過程，識別關鍵假設，並生成新穎的研究想法。

如何運作

此專案由一組高度結構化的系統提示與專為 LLM（如 Claude 或 ChatGPT）設計的「技能」組成。當提供論文的連結、標題或 PDF 時，該代理將遵循嚴謹的 12 步分析流程：

1. 問題識別：定義研究問題及其價值。
2. 上下文化：分析先前研究的空白。
3. 推理重建：基於現有知識模擬作者的直覺與靈感。
4. 核心直覺：提煉出主要思想的本質。
5. 方法論：用具體範例解釋整個流程。
6. 理論基礎：分解數學推導過程。
7. 實驗驗證：將主張與具體實驗和結果進行映射。
8. 關鍵收穫：總結核心經驗教訓。
9. 假設檢驗：識別最脆弱的假設。
10. 重現：建議一個最小實驗以快速驗證。
11. 反例設計：設計潛在的反例。
12. 未來工作：提出新穎且非漸進式的後續研究想法。

適用對象

主要面向 STEM 領域（尤其是）的研究人員與學生，希望深入分析學術文獻，並使用 LLM 對論文邏輯進行壓力測試，而非僅做摘要。

亮點

• 機制性解釋：聚焦於想法是如何、為何被構思的，而不僅是結果本身。
• 批判性思維：包含識別弱點和設計反例的具體步驟。
• 類人風格：引導 LLM 避免通用 AI 表述，採用類似 Andrej Karpathy 等研究者的高資訊密度風格。
• 可客製化：提供將該框架適配至社會科學與人文學科的指導。