mcpField
P
paper-digest

paper-digest

github.com/iamseungpilProductivity336 installsUpdated 1d ago
Repository

About paper-digest

A skill for writing concise, insight-focused summaries of research papers for social sharing. It structures each summary around context, insight, solution, and evidence, followed by an implication and arXiv link.

Key features

  1. 01Structure summaries around four elements
  2. 02Emphasize insight and causal reasoning
  3. 03Use concrete examples and comparisons
  4. 04Bold key concepts
  5. 05Handle summaries of multiple papers

Use cases

  1. 01Prepare a paper summary for social sharing
  2. 02Explain a research method to non-specialists
  3. 03Synthesize themes across multiple papers

Install

Copy the command and run it in a terminal.

$npx skills add https://github.com/iamseungpil/claude-for-dslab --skill paper-digest

After installing, type/paper-digestin Claude Code to confirm it loaded.

Details

From the project README

Paper Digest

Single-paragraph summaries optimized for social sharing. Insight over information.

Structure

  1. Context: What's the problem?
  2. Insight: What did they realize that others missed?
  3. Solution: How does insight → method? (should feel natural)
  4. Evidence: Concrete comparison showing it works

Then: Implication line + 📎 arxiv link

Key Rules

  • Explain like reader is smart but unfamiliar with the domain
  • Use concrete examples/analogies (e.g., "쓰레기통 역할" >> "특정 토큰에 집중")
  • Show cause-and-effect chains explicitly
  • Compare/contrast with alternatives ("X failed while Y succeeded")
  • Bold 2-4 key concepts
  • Match user's language (Korean/English)

Example

Input: arXiv 2601.15380

Output:

Transformer의 attention은 "어떤 토큰을 얼마나 볼지"를 결정하는데, 이 논문은 softmax attention을 **Entropic Optimal Transport(EOT)**라는 최적화 문제의 해로 재해석한다. 이 관점이 주는 통찰은: attention 계산에는 암묵적으로 "모든 위치가 동등하게 중요하다"는 uniform prior가 숨어있다는 것이다. 이게 왜 문제인가? LLM에서 첫 번째 토큰이 의미와 무관하게 엄청난 attention을 받는 attention sink 현상이 있다. Softmax는 합이 1인 확률을 출력해야 하므로, query가 마땅히 볼 토큰이 없을 때 attention을 "버릴 곳"이 필요한데, uniform prior 하에서 이를 구현하려면 첫 토큰의 key vector가 "나는 쓰레기통이야"라는 구조적 정보까지 담아야 한다—원래 semantic content만 표현해야 할 key의 표현력이 낭비되는 것이다. EOT 해석이 이 문제를 드러내주었으므로, 해결책도 자연스럽다: prior를 uniform에서 learnable로 바꾸면 된다. 이 논문이 제안하는 GOAT은 "각 위치의 기본 중요도"를 별도의 학습 가능한 항으로 분리해서, key vector는 순수하게 의미만, 위치 정보는 prior가 담당하게 한다. 실험에서 기존 방법들이 훈련 길이 초과 시 급격히 실패한 반면, GOAT은 긴 문맥에서도 정보 검색 성능을 유지했다.

Implication: EOT 관점은 attention의 숨겨진 가정을 드러내고, 그 가정을 바꿀 수 있다는 설계 자유도를 열어준다—attention sink는 uniform prior의 부산물이며, prior를 명시적으로 모델링하면 해결된다.

📎 https://arxiv.org/abs/2601.15380

Avoid

  • Jargon without intuition
  • Findings without comparison to alternatives
  • Method description without motivation ("왜 이렇게 했는지" 없이 "이렇게 했다"만)

Multiple Papers

When summarizing multiple papers:

  • Lead with the unifying theme/problem
  • Contrast what each paper realized differently
  • Synthesize implications across papers

Language

Match the user's language (Korean/English). Maintain the same insight-first structure regardless of language.

Comments

Markdown supported