study

论文学习工作流

使用论文 PDF 路径调用此技能。

语言检测：根据用户输入检测其语言，并使用该语言生成所有材料。

• 示例：用户说“我们学习一下这篇论文吧” → 使用中文生成材料
• 示例：用户说“Let's study this paper” → 使用英文生成材料

---

核心理念

主要目标： 促进深入的概念理解和研究层面的思考。

次要目标： 构建结构化、可复用的论文知识体系。

此工作流不仅用于总结，还会围绕论文构建学习环境。

---

步骤 0：检查依赖项（仅首次运行）

if [ ! -f "${CLAUDE_PLUGIN_ROOT}/.installed" ]; then
  echo "First run - installing dependencies..."
  cd "${CLAUDE_PLUGIN_ROOT}"
  npm install || exit 1

  # Install Python dependencies for image extraction
  python3 -m pip install pymupdf --user 2>/dev/null || pip3 install pymupdf --user 2>/dev/null || echo "Warning: Failed to install pymupdf"

  touch "${CLAUDE_PLUGIN_ROOT}/.installed"
  echo "Dependencies installed!"
fi

建议：

• Node >= 18
• Python 3 和 pip（用于提取图像）

---

步骤 1：下载并解析 PDF

支持多种输入格式：

• 本地路径：~/Downloads/paper.pdf
• 直接 PDF URL：https://arxiv.org/pdf/1706.03762.pdf
• arXiv URL：https://arxiv.org/abs/1706.03762

步骤 1a：检查输入类型，并在输入为 URL 时下载

USER_INPUT="<user-input>"

# Check if input is a URL (starts with http:// or https://)
if [[ "$USER_INPUT" =~ ^https?:// ]]; then
  # Download PDF from URL
  INPUT_PATH=$(node ${CLAUDE_PLUGIN_ROOT}/skills/study/scripts/download-pdf.cjs "$USER_INPUT")
else
  # Use local path directly
  INPUT_PATH="$USER_INPUT"
fi

对于 URL，下载脚本将：

• 将 PDF 下载到 /tmp/claude-paper-downloads/
• 自动将 arXiv /abs/ URL 转换为 PDF URL
• 验证 URL 是否指向 PDF 文件
• 返回用于处理的本地文件路径

对于本地路径，直接使用该路径，无需下载。

步骤 1b：解析 PDF

提取结构化信息：

PARSE_OUTPUT_DIR=$(mktemp -d)
node ${CLAUDE_PLUGIN_ROOT}/skills/study/scripts/parse-pdf.js \
  "$INPUT_PATH" \
  --output-dir "$PARSE_OUTPUT_DIR"

该命令会将简短且严格的 JSON 摘要打印到 stdout，并写入：

• meta.json — 标题、作者、摘要、链接、页数和适合上下文的内容预览
• paper.txt — 提取的完整文本，不受 50k 预览限制

使用 paper.txt 作为生成材料的来源。根据需要搜索并阅读相关章节；当 contentTruncated 为 true 时，不要将 meta.json.content 视为论文全文。

选择 {paper-slug} 后，创建论文目录，并复制两个解析器产物以及原始 PDF：

mkdir -p ~/claude-papers/papers/{paper-slug}
cp "<metaPath-from-parser-output>" ~/claude-papers/papers/{paper-slug}/meta.json
cp "<fullTextPath-from-parser-output>" ~/claude-papers/papers/{paper-slug}/paper.txt
cp "$INPUT_PATH" ~/claude-papers/papers/{paper-slug}/paper.pdf

在步骤 2.5 中生成恰好 2 个标签，并将其添加到保存的 meta.json 中。

回退方案： 如果结构化解析失败，则提取原始文本，并以结构降级模式继续。

---

步骤 2：生成材料前评估论文

生成任何文件之前，评估：

1. 难度级别

   • 入门
   • 中级
   • 高级
   • 高度理论化

2. 论文类型

   • 理论研究
   • 基于架构
   • 以实证为主
   • 系统设计
   • 综述

3. 方法复杂度

   • 简单流程
   • 多阶段训练
   • 新颖架构
   • 大量数学推导

此评估将决定：

• 是否创建 method.md
• 是否创建 .ipynb
• 讲解深度
• 代码演示复杂度

---

步骤 2.5：生成恰好 2 个语义标签（必需）

生成文件之前，根据对论文语义的理解推断出恰好 2 个标签。

规则：

• 生成恰好 2 个标签，不多不少
• 标签必须各不相同
• 每个标签应简短（1-3 个词）
• 避免使用通用标签：paper、research、ai、ml
• 优先选择一个表示问题/领域的标签，以及一个表示方法/核心思想的标签

示例：

• machine translation、self-attention
• 3d detection、bev transformer
• protein folding、structure prediction

将这 2 个标签保存到以下两个位置：

• ~/claude-papers/papers/{paper-slug}/meta.json 中的 tags
• ~/claude-papers/index.json 条目中的 tags

---

步骤 3：生成核心学习材料

创建文件夹：

~/claude-papers/papers/{paper-slug}/

---

必需文件

README.md

• 论文内容简介（一段）
• 难度级别
• 材料导航方式
• 关键要点
• 预计学习时间
• 文件夹结构概览

---

summary.md

• 背景
• 问题陈述
• 主要贡献
• 关键结果
• 定量指标

---

insights.md（最重要）

• 用浅显的语言解释核心思想
• 解释其有效原因
• 介绍其带来的概念转变
• 权衡
• 局限性
• 与既有工作的比较
• 实际影响

---

qa.md

15 个问题：

• 5 个基础问题
• 5 个中级问题
• 5 个高级问题

使用以下格式：

### Question

<details>
<summary>Answer</summary>

Detailed explanation.

</details>

---

---

条件文件

method.md（推荐用于大多数论文）

包括：

• 组件拆解
• 算法流程
• 架构图（必要时使用 ASCII）
• 分步说明
• 伪代码（与说明保持平衡）
• 实现中的陷阱
• 超参数敏感性
• 复现风险

---

mental-model.md（推荐用于大多数论文）

• 这是哪一类问题？
• 假设读者具备哪些先验知识？
• 这项工作如何融入更广泛的研究版图？
• 如何在思维上对这项工作进行分类？

---

reflection.md（可选，自动生成）

• 如果要扩展这篇论文，我会怎么做
• 还有哪些未解决的问题
• 哪些假设较为脆弱
• 它在实践中可能会在哪些方面失败

---

第 4 步：代码演示（必需）

至少创建一个可运行的演示。

所有代码演示都必须放在：

~/claude-papers/papers/{paper-slug}/code/

先创建代码目录：

mkdir -p ~/claude-papers/papers/{paper-slug}/code

指南：

• 自包含
• 可独立运行
• 添加有助于学习的注释（解释原因）
• 聚焦核心贡献
• 清晰优先于完整

可选类型：

• 简化的概念实现
• 可视化脚本
• 最小化架构演示
• 交互式笔记本（.ipynb）

使用描述性名称：

• model_demo.py
• vectorized_planning_demo.py
• contrastive_loss_visualization.ipynb

避免使用通用名称。

---

第 5 步：生成交互式 HTML 探索器

创建一个独立的 HTML 文件，用于交互式探索论文的核心概念。

输出路径：

~/claude-papers/papers/{paper-slug}/index.html

要求

• 单个 HTML 文件，所有 CSS/JS 均内嵌，且不依赖任何外部资源
• 使用论文中的真实数据（实际指标、超参数、比较结果）——绝不编造数字
• 必须能在沙盒 iframe 中运行（不进行外部 fetch，不使用 localStorage）

指南

选择最适合论文的交互模式，例如架构图、参数探索器、结果仪表板、公式拆解、比较矩阵等。根据论文内容决定格式，不要强行套用固定布局，并聚焦论文的核心思想。

每个交互控件（滑块、开关、下拉菜单）都应能直观地改变可视化内容。在交互元素旁添加简短说明，帮助读者理解概念。

---

第 6 步：提取图片

mkdir -p ~/claude-papers/papers/{paper-slug}/images

python3 ${CLAUDE_PLUGIN_ROOT}/skills/study/scripts/extract-images.py \
  paper.pdf \
  ~/claude-papers/papers/{paper-slug}/images

为关键图片使用描述性名称：

• architecture.png
• training_pipeline.png
• results_table.png

---

第 7 步：更新索引

至关重要：先读取现有的 index.json，再追加新论文。绝不要覆盖整个文件。

如果 index.json 不存在，则创建：

{"papers": []}

将新条目追加到 papers 数组中：

{
  "id": "paper-slug",
  "title": "Paper Title",
  "slug": "paper-slug",
  "authors": ["Author 1", "Author 2"],
  "abstract": "Paper abstract...",
  "year": 2024,
  "date": "2024-01-01",
  "tags": ["tag-1", "tag-2"],
  "githubLinks": ["https://github.com/..."],
  "codeLinks": ["https://..."]
}

重要：index.json 文件必须位于：

~/claude-papers/index.json

---

第 8 步：重新启动 Web UI

调用：

/claude-paper:webui

第 9 步：交互式深度学习循环

生成所有文件后：

向用户展示：

1. 询问：

   • 哪些内容仍不清楚？
   • 是否需要更深入的数学拆解？
   • 是否需要实现层面的分析？
   • 是否想与另一篇论文进行比较？

2. 允许用户：

   • 提出更深入的问题
   • 总结自己的理解
   • 提出新想法

---

如果用户提出更深入的问题：

在同一文件夹中生成一个新文件：

示例：

• deep-dive-contrastive-loss.md
• math-derivation-breakdown.md
• comparison-with-transformers.md
• extension-ideas.md

---

如果用户提供自己的总结：

1. 完善总结。
2. 改进结构。
3. 保存为：

• user-summary-v1.md

如果进行了多轮迭代：

• user-summary-v2.md

---

如果用户希望进行结构化梳理：

创建：

• consolidated-notes.md
• study-session-1.md
• exam-review.md

---

这样，论文文件夹就会成为一个不断扩展的知识节点。

---