关于 paper-digest
用于撰写适合社交分享的简短论文摘要，侧重洞见而非信息罗列。摘要按背景、洞见、方案和证据组织，并附上影响说明及 arXiv 链接。
主要功能
- 01按四个要素组织摘要
- 02突出洞见与因果推理
- 03使用具体示例和比较
- 04加粗关键概念
- 05综合多篇论文的内容
适用场景
- 01撰写适合社交分享的论文摘要
- 02向非专业读者解释研究方法
- 03综合多篇论文的共同主题
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/paper-digest确认已加载。
详细介绍
论文速览
为社交分享优化的单段摘要。重洞见，轻信息。
结构
- 背景：问题是什么？
- 洞见：他们发现了什么别人忽略的东西？
- 解决方案：洞见如何引出方法？（应当顺理成章）
- 证据：通过具体对比展示方法有效
然后：启示句 + 📎 arxiv 链接
关键规则
- 讲解时假设读者很聪明，但不熟悉该领域
- 使用具体示例或类比（例如，“垃圾桶的作用” >> “关注特定 token”）
- 明确呈现因果链
- 与其他方案进行对比（“X 失败了，而 Y 成功了”）
- 加粗 2–4 个关键概念
- 使用与用户相同的语言（韩语/英语）
示例
输入：arXiv 2601.15380
输出：
Transformer 的 attention 决定“关注哪些 token，以及关注多少”，而这篇论文将 softmax attention 重新解释为一个名为 Entropic Optimal Transport（EOT） 的优化问题的解。这一视角带来的洞见是：attention 计算中隐含着“所有位置都同等重要”的均匀先验。这有什么问题？在 LLM 中，存在一种 attention sink 现象：第一个 token 会在与语义无关的情况下获得极高的 attention。Softmax 必须输出总和为 1 的概率，因此，当 query 没有合适的 token 可关注时，attention 就需要一个“丢弃”之处；但在均匀先验下，要实现这一点，第一个 token 的 key vector 必须包含“我是垃圾桶”这样的结构信息——这浪费了本应只用于表达语义内容的 key 的表征能力。EOT 的解释揭示了这一问题，因此解决方案也顺理成章：将先验从均匀分布改为可学习的先验。这篇论文提出的 GOAT 将“每个位置的基本重要性”拆分出来，作为一个单独的可学习项，使 key vector 只负责语义，位置信息则由先验负责。实验表明，现有方法在超出训练长度时会迅速失效，而 GOAT 在长上下文中仍能保持信息检索性能。
启示：EOT 视角揭示了 attention 中隐藏的假设，也带来了改变该假设的设计自由度——attention sink 是均匀先验的副产物，显式建模先验即可解决这一问题。
📎 https://arxiv.org/abs/2601.15380
避免
- 缺乏直观解释的行话
- 未与其他方案进行对比的研究发现
- 未说明动机的方法描述（只说“怎么做”，不说“为什么这么做”）
多篇论文
总结多篇论文时：
- 以共同主题或问题开篇
- 对比每篇论文各自发现了什么
- 综合总结多篇论文的启示
语言
使用与用户相同的语言（韩语/英语）。无论使用哪种语言，都保持先讲洞见的结构。