paper2code

paper2code — 编排

你正在执行 paper2code 技能。本文件规定了高级流程。每个阶段都会调用 pipeline/ 中的详细推理协议。不要跳过阶段。不要合并阶段。请按顺序执行。

解析参数

从用户输入中提取：

• ARXIV_ID：arxiv 论文 ID（例如 2106.09685）。去掉任何 URL 前缀。
• MODE：minimal（默认）、full、educational 三者之一。
• FRAMEWORK：pytorch（默认）、jax、numpy 三者之一。

如果用户提供了完整 URL，例如 https://arxiv.org/abs/2106.09685，则提取 ID 2106.09685。 如果用户提供了带版本号的 ID，例如 2106.09685v2，则保留版本号。

设置工作目录

创建临时工作目录：.paper2code_work/{ARXIV_ID}/ 中间产物存放在此目录中。最终输出存放在当前目录下的 {paper_slug}/ 中。

安装依赖项

通过 Bash 运行：

pip install pymupdf4llm pdfplumber requests pyyaml

执行流水线

阶段 1 — 论文获取与解析

阅读并遵循：pipeline/01_paper_acquisition.md

运行辅助脚本来获取和解析论文：

python skills/paper2code/scripts/fetch_paper.py {ARXIV_ID} .paper2code_work/{ARXIV_ID}/

然后运行结构提取：

python skills/paper2code/scripts/extract_structure.py .paper2code_work/{ARXIV_ID}/paper_text.md .paper2code_work/{ARXIV_ID}/

继续之前，确认输出文件存在。如果提取失败，请遵循 pipeline/01_paper_acquisition.md 中的回退协议。

该脚本还会搜索官方代码仓库（在论文正文和 arxiv 页面中），并将找到的链接保存到 paper_metadata.json 的 official_code 键下。依赖这些链接前，请先验证它们——参见 pipeline/01_paper_acquisition.md 中的步骤 8。

阶段 2 — 贡献识别

阅读并遵循：pipeline/02_contribution_identification.md

阅读解析后的论文各章节。识别唯一的核心贡献。判定论文类型。撰写贡献说明。将其保存到 .paper2code_work/{ARXIV_ID}/contribution.md。

阶段 3 — 歧义审查

阅读并遵循：pipeline/03_ambiguity_audit.md

阅读本阶段前，还要阅读：guardrails/hallucination_prevention.md

逐一检查所有与实现相关的细节。将每项归类为 SPECIFIED、PARTIALLY_SPECIFIED 或 UNSPECIFIED。将审查结果保存到 .paper2code_work/{ARXIV_ID}/ambiguity_audit.md。

阶段 4 — 代码生成

阅读并遵循：pipeline/04_code_generation.md

编写代码前，请阅读：

• guardrails/scope_enforcement.md — 确定哪些内容属于实现范围，哪些不属于
• guardrails/badly_written_papers.md — 适用于表述含糊或前后不一致的论文
• knowledge/ 中与论文领域相关的知识文件
• scaffolds/ 中用于确定预期文件结构的脚手架模板

根据论文标题确定 paper_slug（小写、使用下划线、不含特殊字符）。 在当前工作目录下的 {paper_slug}/ 中生成所有文件。

阶段 5 — 演练笔记本

阅读并遵循：pipeline/05_walkthrough_notebook.md

生成演练笔记本，将论文各章节与代码联系起来，并包含可运行的合理性检查。保存到 {paper_slug}/notebooks/walkthrough.ipynb。

清理

成功完成后，删除 .paper2code_work/ 目录。

最终输出

打印摘要：

✓ paper2code complete for: {paper_title}
  Output directory: {paper_slug}/
  Files generated: {list of files}
  Unspecified choices: {count} (see REPRODUCTION_NOTES.md)
  Mode: {MODE} | Framework: {FRAMEWORK}

模式专属行为

• minimal（默认）：仅实现核心贡献。只有当贡献涉及训练时才编写训练循环。除 Dataset 骨架外，不包含数据流水线。
• full：实现核心贡献，并包含完整训练循环、数据流水线和评估流水线。代码更多，但引用要求不变。
• educational：与 minimal 相同，但添加额外的行内注释来解释 ML 概念，扩展演练笔记本并加入理论章节，同时提供逐节讲解论文的 PAPER_GUIDE.md。

防护规则 — 始终生效

这些规则适用于所有阶段。如果你还没有阅读，请先阅读：

• guardrails/hallucination_prevention.md — 此技能中最重要的文件
• guardrails/scope_enforcement.md — 要实现和跳过的内容
• guardrails/badly_written_papers.md — 论文表述不清时的处理方法

知识库 — 按需查阅

在实现以下任何组件之前，请阅读相应的知识文件：

• Transformer 层、注意力、位置编码 → knowledge/transformer_components.md
• 优化器、学习率调度、批次大小语义 → knowledge/training_recipes.md
• 交叉熵、对比损失、扩散损失、ELBO → knowledge/loss_functions.md
• 特定框架的陷阱、符号不一致 → knowledge/paper_to_code_mistakes.md