Paper Analyzer
- 785 installs
- 971 repo stars
- Updated May 29, 2026
- zsyggg/paper-craft-skills
Turns an academic paper (arXiv URL, PDF, or pasted text) into an in-depth shareable HTML article via a forced 6-round workflow with code-repo search and formula rendering.
About
A skill that converts a research paper into a long-form HTML explainer using a mandatory six-round pipeline covering full-text retrieval, source-code cross-referencing, deep analysis, and self-review. A developer uses it to produce a polished, ready-to-share article that explains a paper more clearly than the paper itself.
- Six forced rounds: fetch full text, search open-source code, deep analysis, ask user, write HTML, self-review
- Three writing styles (storytelling, academic) with Mermaid diagrams and formula rendering
Paper Analyzer by the numbers
- 785 all-time installs (skills.sh)
- Ranked #320 of 1,335 Generative Media skills by installs in the Skillselion catalog
- Data as of Aug 5, 2026 (Skillselion catalog sync)
npx skills add https://github.com/zsyggg/paper-craft-skills --skill paper-analyzerAdd your badge
Show developers this skill is listed on Skillselion. Paste this into your README.
| Installs | 785 |
|---|---|
| repo stars | ★ 971 |
| Last updated | May 29, 2026 |
| Repository | zsyggg/paper-craft-skills ↗ |
What it does
Turns an academic paper (arXiv URL, PDF, or pasted text) into an in-depth shareable HTML article via a forced 6-round workflow with code-repo search and formula rendering.
Files
Paper Analyzer — 学术论文深度解析
⚠️ 这是生产级指令。你的唯一任务：产出一篇让读者觉得"比我读论文还清楚"的深度HTML长文。
快速使用
/paper-analyzer https://arxiv.org/abs/2605.07363
/paper-analyzer /path/to/paper.pdf
/paper-analyzer 粘贴文本---
强制工作流（每一步必须执行，不可跳过）
Round 1：获取论文全文 ⛔
| 输入 | 执行 |
|---|---|
| arxiv URL | 同时读 arxiv.org/abs/（摘要）和 arxiv.org/html/（全文HTML） |
| PDF路径 | 用PDF读取工具读全文。分多次直到全部获取 |
| 文本 | 全部使用 |
自检：有没有完整内容？没有 → 换方式继续。
Round 2：搜索开源代码 ⛔
1. 从论文中提取代码仓库链接（通常在页脚或 Introduction 末） 2. 没有则用论文标题+作者名搜索 GitHub 3. 克隆：git clone --depth 1 <url> /tmp/paper_code 4. 阅读 README → 核心源码文件 → 配置文件
根据代码状态分支处理：
| 状态 | 处理 | 文章体现 |
|---|---|---|
| ✅ 已发布 | 读核心文件，找 ≥2 处论文方法↔源码对应 | 贴代码段（≤30行），标注 文件路径:行号 |
| ⏳ 待发布 | 检查 README/Release 标记 | 标注状态+仓库链接 |
| ❌ 无代码 | 搜索替代实现/相关项目 | 注明"本文未提供公开代码" |
Round 3：深度分析 ⛔ 内部完成，不展示过程
1. 核心创新：论文做了什么别人没做的？（1-3个，每个一句话提炼） 2. 方法细节：输入→处理→输出→为什么更好（每个创新画清楚这条线） 3. 关键实验：哪个结果最有说服力？为什么？ 4. 论文弱点：作者自述 + 你的判断 5. 代码对应：每个 component 对应哪个文件/函数
Round 4：询问用户 ⛔
必须问风格选择，用户未回则默认 academic。
Round 5：写作输出HTML ⛔
按选定风格的要求写，输出完整HTML。模板见下文。
Round 6：自我审查 ⛔
逐项检查，不通过则修改直到通过。
---
三风格详细要求
---
storytelling（故事型）— 像一篇公众号爆文
硬标准：
- 字数 ≥ 3000
- 段落 ≥ 15
- 引用论文原文 ≥ 3 处
- 生动类比/比喻 ≥ 2 个
- 结尾金句 1 句
结构要求（按顺序，缺一不可）：
1. 钩子开头（2-3段）
— 反常识问题 / 引人共鸣的场景 / 让人"等等再说一遍？"的事实
— 不要直接讲技术。先让读者好奇。
2. "为什么会这样"（3-4段）
— 解释现有方法的逻辑和它的瓶颈
— 用简单例子说明
— 让读者感到"确实需要一种新方法"
3. 核心洞察（1-2段）
— 论文最关键的那一句话发现
— 用一句话说清楚 + 一个类比强化
4. 方法详解（5-8段，全文最重点）
— 分步骤展开：怎么做 → 为什么这样设计 → 和旧方法的关键区别
— 每个步骤配一个类比
— 引用论文原文（公式/算法描述）≥ 3 处
— 用对比表呈现新旧方法差异
5. 实验效果（3-4段）
— 最重要的实验结果 + 数据解读
— 不只是报数字，要解释"这意味着什么"
— 用表格呈现关键对比数据
6. 深层意义（2-3段）
— 这个工作对行业意味着什么
— 不止一个角度：技术意义、产业意义、方法学意义
7. 局限（1-2段）
— 作者自述的局限 + 你的判断
8. 收束（1段）
— 回到开头的场景/问题，形成闭环
— 读者带着"我懂了"的感觉离开
9. 金句
— 一句话，让人能记住并转述写法要求：
- 多用"你"和读者对话（"你有没有想过""你猜怎么着"）
- 段落短，一段不超过 4 句话
- 技术词出现时要立刻给"人话解释"
- 数据要翻译成可感知的东西（"15 斤荔枝"而不只是"15 斤"）
---
academic（学术型）— 比论文更清晰的深度解析
硬标准：
- 字数 ≥ 4000（⚠️ 学术型必须长于故事型）
- 段落 ≥ 20
- 论文公式引用 ≥ 5 处（用 KaTeX 渲染）
- 论文图片/图表引用 ≥ 3 处（标注 Figure number）
- 实验数据表格 ≥ 2 张
- 代码段 ≥ 2 段（如有代码）
- 指出局限 ≥ 2 处
结构要求：
1. 论文元信息
标题 · 作者 · 链接 · 代码状态
2. 一句话总结（100字内）
3. 研究背景与动机（4-5段）
— 这个领域在解决什么问题
— 现有方法及其局限（按时间线或方法论分类）
— 本文的出发点
4. 预备知识（2-3段，如需要）
— 理解本文需要的核心概念
— 本文用到的基础方法简介
5. 方法详解（8-10段，全文最重点）
— 对每个创新点独立成节
— 每个创新点包含：①问题 ②怎么做（配公式）③为什么有效 ④与已有方法的差异
— 公式用 $$...$$ KaTeX 渲染
— 引论文原文 Figure/Table 编号
— 有代码则穿插源码分析
6. 实验分析（4-6段）
— 实验设置概述
— 主要结果（配表格 + 深入解读）
— 不同维度的对比分析
— 消融实验说明了什么
— 不是报数据，是解读数据背后的含义
7. 讨论（2-3段）
— 方法的适用边界
— 未解决的问题
— 对未来工作的启示
8. 局限分析（2-3段）
— 作者自述 ≥ 1 处
— 你的独立判断 ≥ 1 处
9. 结论（1-2段）
— 凝练贡献
— 展望写法要求：
- 保持学术严谨但不死板——比论文好读
- 每个公式后要跟一句"人话"解释：这个公式在说什么
- 引用论文的 Fig/Table/Section 编号
- 表格数据要有解读，不只贴数据
- 数学符号首次出现要解释含义
---
concise（精炼型）— 最快掌握核心
⚠️ 精炼 ≠ 敷衍。精炼是信息密度极高、但该有的全有。
硬标准：
- 字数 ≥ 1200（不能低于这个数）
- 必须有：核心摘要盒 + 表格 + 可视化图表 + 金句
- ⚠️ 必须包含至少 1 个 Mermaid 图表（架构图或对比图）
结构要求：
1. 头图（Mermaid图表）—— 全文最核心架构/对比的一张图
类型可以是：flowchart（流程图）、graph（对比图）、或 timeline
2. 核心摘要盒
— 5 行以内
— 覆盖：做什么 / 怎么做 / 效果 / 适用场景
3. 关键创新（3-5 个，编号列出）
— 每个 2-4 句
— 一句话说创新点 → 一句话说怎么做的 → 一句话说为什么重要
4. 核心数据表
— 最多 5 行数据
— 突出和 baseline 的对比
5. 金句收尾Mermaid 图表示例（⚠️ 节点文本避免中文特殊字符，用英文或简单ASCII。用 <br/> 换行）：
flowchart TB
subgraph DSA["DSA: 64 heads scan all L tokens"]
Q1[Query] --> H1[Head 1..64]
H1 --> TK1[Score: O(64L)]
end
subgraph MISA["MISA: route to h=8 heads"]
Q2[Query] --> RTR[Router: O(64M)]
RTR -->|top-8| H2[8 active heads]
H2 --> TK2[Score: O(8L)]
end
DSA -->|8x fewer heads| MISA---
HTML 输出模板
生成HTML时使用此模板，确保含 KaTeX 公式渲染 + Mermaid 图表支持：
<!DOCTYPE html>
<html lang="zh-CN">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>论文标题 — 深度解读</title>
<style>
:root{--text:#1a1a1a;--bg:#fafaf8;--accent:#2563eb;--muted:#6b7280;--border:#e5e7eb;--code-bg:#f3f4f6}
*{margin:0;padding:0;box-sizing:border-box}
body{font-family:-apple-system,"PingFang SC","Noto Serif SC",serif;color:var(--text);background:var(--bg);line-height:1.85;padding:2.5rem 1.5rem;max-width:720px;margin:0 auto;font-size:17px}
h1{font-size:2rem;margin:0 0 .3rem;line-height:1.3}
h2{font-size:1.35rem;margin:2.8rem 0 .8rem;color:var(--accent);padding-bottom:.4rem;border-bottom:1px solid var(--border)}
h3{font-size:1.1rem;margin:1.5rem 0 .5rem;color:#333}
.meta{color:var(--muted);font-size:.9rem;margin-bottom:2.5rem;line-height:1.8}
.meta a{color:var(--accent);text-decoration:none}
blockquote{border-left:3px solid var(--accent);padding:.6rem 1.2rem;margin:1.5rem 0;background:#f0f4ff;border-radius:0 8px 8px 0}
pre{background:var(--code-bg);padding:1rem 1.2rem;border-radius:8px;overflow-x:auto;font-size:.85rem;line-height:1.5;margin:1.5rem 0;border:1px solid var(--border)}
code{font-family:"SF Mono","Fira Code",monospace;font-size:.9em}
p{margin:1rem 0}
strong{color:#111}
table{width:100%;border-collapse:collapse;margin:1.5rem 0;font-size:.93rem}
td,th{border:1px solid var(--border);padding:.6rem .9rem;text-align:left}
th{background:#f9fafb;font-weight:600}
.summary-box{background:linear-gradient(135deg,#f0f4ff,#faf5ff);padding:1.5rem;border-radius:12px;margin:1.5rem 0}
.summary-box h3{margin:0 0 .5rem;color:var(--accent)}
.golden{font-size:1.25rem;font-weight:600;color:var(--accent);text-align:center;padding:2rem 1rem;border-top:2px solid var(--accent);border-bottom:2px solid var(--accent);margin:2.5rem 0;line-height:1.5}
@media(max-width:600px){body{font-size:16px;padding:1.2rem 1rem}h1{font-size:1.5rem}}
</style>
<!-- KaTeX -->
<link rel="stylesheet" href="https://cdn.jsdelivr.net/npm/katex@0.16.9/dist/katex.min.css">
<script defer src="https://cdn.jsdelivr.net/npm/katex@0.16.9/dist/katex.min.js"></script>
<script defer src="https://cdn.jsdelivr.net/npm/katex@0.16.9/dist/contrib/auto-render.min.js"
onload="renderMathInElement(document.body,{delimiters:[{left:'$$',right:'$$',display:true},{left:'$',right:'$',display:false}]})"></script>
<!-- Mermaid -->
<script src="https://cdn.jsdelivr.net/npm/mermaid@10/dist/mermaid.min.js"></script>
<script>mermaid.initialize({startOnLoad:true,theme:'default',securityLevel:'loose'});</script>
</head>
<body>
<!-- 内容 -->
</body>
</html>公式用 `$$...$$` 或 `$...$`，KaTeX 自动渲染。
- ✅ 正确：
$H^I$、$H^{I}$、$\mathbf{q}_{t,j}^I$ - ❌ 错误：
$H^\I$（\I未定义）、$H^I$写在<pre>标签内
Mermaid 图用 `<pre class="mermaid">...</pre>` 包裹。节点文本避免中文标点和特殊字符。
---
自我审查清单（Round 6）
生成后逐条检查，不通过则修改：
通用
- [ ] 字数达标？（story≥3000 / academic≥4000 / concise≥1200）
- [ ] 引用论文原文 ≥ 3 处？
- [ ] 每个核心创新独立深度展开？
- [ ] 至少 1 个实验结果做深入解读？
- [ ] 代码状态已提及？
- [ ] 有代码则源码 ≥ 2 段 + 文件路径？
- [ ] 指出局限 ≥ 2 处（至少 1 处是作者自述的）？
- [ ] HTML 格式完整，可在浏览器打开？
- [ ] 无 AI 套话（"深入探讨""至关重要""值得注意的是"）？
storytelling 专属
- [ ] 有钩子开头？
- [ ] 有 ≥ 2 个类比/比喻？
- [ ] 用"你"和读者对话？
- [ ] 有收束段落形成闭环？
- [ ] 有金句？
academic 专属
- [ ] 字数 ≥ storytelling？
- [ ] 公式 ≥ 5 处（KaTeX 渲染）？
- [ ] 论文图/表引用 ≥ 3 处（Fig/Table 编号）？
- [ ] 实验数据表 ≥ 2 张？
- [ ] 方法部分 ≥ 8 段？
concise 专属
- [ ] 有 Mermaid 图表？
- [ ] 有核心摘要盒？
- [ ] 有对比数据表？
- [ ] 有金句？
- [ ] 字数 ≥ 1200？
---
参考文件
styles/storytelling.md— 故事型补充规范styles/academic.md— 学术型补充规范styles/concise.md— 精炼型补充规范styles/with-formulas.md— 公式详解styles/with-code.md— 代码分析规范scripts/generate_html.py— HTML生成辅助脚本
Create a minimalist, Notion-style cover image for an academic paper analyzer tool.
Visual elements:
- An open book or academic paper in the center
- Clean, simple icons floating around it: a clock (representing "5 minutes"), a chart/graph icon, text symbols
- Chinese text "论文速读" (Paper Speed Reading) as the main title
- Chinese subtitle "5分钟精炼分享" (5-Minute Refined Sharing)
Style:
- Minimal, clean Notion aesthetic
- Flat design with no gradients
- Color scheme: Deep gray (#2C2C2C) for text, soft blue (#5B9BD5) accents, off-white background (#F7F7F5)
- Plenty of white space
- 16:9 aspect ratio for GitHub README banner
- Professional but approachable
The overall feel should be clean, modern, and emphasize the "5-minute reading" concept.
Cover theme: 学术论文5分钟速读 Style: minimal
Title text: 论文速读 Subtitle: 5分钟精炼分享
Visual composition:
- Main visual: 一本打开的学术论文书籍,周围飘散着简洁的图标(时钟、图表、文字符号),象征快速理解和精炼提取
- Layout: 中心对称布局,标题在上方,主视觉在中心,副标题在下方
- Decorative elements: 简洁的线条、圆点、极简图标,呼应 Notion 的简约美学
Color scheme:
- Primary: 深灰色 (#2C2C2C) 用于标题
- Background: 米白色/浅灰 (#F7F7F5) 干净的背景
- Accent: 柔和的蓝色 (#5B9BD5) 用于关键元素
Style notes:
- Notion 风格的极简设计
- 留白充足,不拥挤
- 线条简洁流畅
- 图标风格统一
- 整体专业但不失亲和力
- 强调"5分钟"和"精炼"的概念
- 适合 GitHub README 封面展示
Image specifications:
- Aspect ratio: 16:9 (适合 GitHub README 横幅)
- Resolution: 1200x675px
- Style: Flat design, minimalist, Notion-inspired
- No gradients, solid colors only
- Clean typography for Chinese characters
#!/usr/bin/env python3
"""
提取论文元数据信息
"""
import os
import sys
import re
import json
from pathlib import Path
from typing import Dict, List
def extract_title(text: str) -> str:
"""提取论文标题"""
lines = text.split('\n')
for line in lines[:20]:
line = line.strip()
# 跳过空行和太短的行
if len(line) < 10:
continue
# 跳过明显不是标题的行
if line.startswith('#'):
return line.lstrip('#').strip()
if len(line) < 150 and not line.startswith('http'):
return line
return "Unknown Title"
def extract_abstract(text: str) -> str:
"""提取摘要"""
# 查找 Abstract 部分
patterns = [
r'(?i)abstract\s*\n(.*?)(?=\n\s*(?:introduction|1\.|keywords))',
r'(?i)abstract[:\s]+(.*?)(?=\n\n)',
]
for pattern in patterns:
match = re.search(pattern, text, re.DOTALL)
if match:
abstract = match.group(1).strip()
if len(abstract) > 50:
return abstract[:1000]
return ""
def extract_sections(text: str) -> List[str]:
"""提取章节标题"""
sections = []
patterns = [
r'^#+\s+(.+)$', # Markdown 标题
r'^(\d+\.?\s+[A-Z][^.]+)$', # 数字编号标题
r'^([A-Z][A-Z\s]+)$', # 全大写标题
]
for line in text.split('\n'):
line = line.strip()
for pattern in patterns:
if re.match(pattern, line) and 5 < len(line) < 100:
sections.append(line.lstrip('#').strip())
break
return sections[:30]
def extract_figures(text: str, images_dir: Path) -> List[Dict]:
"""提取图片信息"""
figures = []
# 从 markdown 中提取图片引用
img_pattern = r'!\[([^\]]*)\]\(([^)]+)\)'
for match in re.finditer(img_pattern, text):
caption, path = match.groups()
figures.append({"caption": caption, "path": path})
# 从 images 目录获取实际图片
if images_dir.exists():
for img_file in sorted(images_dir.glob("*")):
if img_file.suffix.lower() in ['.png', '.jpg', '.jpeg', '.gif']:
if not any(f["path"].endswith(img_file.name) for f in figures):
figures.append({
"caption": img_file.stem,
"path": f"images/{img_file.name}"
})
return figures
def extract_paper_info(md_path: Path, images_dir: Path) -> Dict:
"""提取论文完整信息"""
with open(md_path, 'r', encoding='utf-8') as f:
text = f.read()
return {
"title": extract_title(text),
"abstract": extract_abstract(text),
"sections": extract_sections(text),
"figures": extract_figures(text, images_dir),
"word_count": len(text.split()),
"char_count": len(text)
}
def main():
if len(sys.argv) < 2:
print("Usage: python extract_paper_info.py <md_path> [output.json]")
sys.exit(1)
md_path = Path(sys.argv[1])
output_path = sys.argv[2] if len(sys.argv) > 2 else "paper_info.json"
if not md_path.exists():
print(f"Error: File not found: {md_path}")
sys.exit(1)
images_dir = md_path.parent / "images"
info = extract_paper_info(md_path, images_dir)
with open(output_path, 'w', encoding='utf-8') as f:
json.dump(info, f, indent=2, ensure_ascii=False)
print(f"Extracted: {info['title'][:50]}...")
print(f"Sections: {len(info['sections'])}")
print(f"Figures: {len(info['figures'])}")
print(f"Saved to: {output_path}")
if __name__ == "__main__":
main()
#!/usr/bin/env python3
"""
生成 HTML 文件，支持 base64 嵌入图片
"""
import os
import sys
import base64
import re
from pathlib import Path
from typing import Optional
try:
import markdown
except ImportError:
markdown = None
HTML_TEMPLATE = '''<!DOCTYPE html>
<html lang="zh-CN">
<head>
<meta charset="UTF-8">
<meta name="viewport" content="width=device-width, initial-scale=1.0">
<title>{title}</title>
<style>
body {{ font-family: -apple-system, BlinkMacSystemFont, "Segoe UI", Roboto, sans-serif;
line-height: 1.8; max-width: 800px; margin: 0 auto; padding: 20px; color: #333; }}
h1 {{ color: #1a1a1a; border-bottom: 2px solid #333; padding-bottom: 10px; }}
h2 {{ color: #2c2c2c; margin-top: 30px; }}
img {{ max-width: 100%; height: auto; display: block; margin: 20px auto;
border: 1px solid #ddd; border-radius: 4px; }}
pre {{ background: #f5f5f5; padding: 15px; overflow-x: auto; border-radius: 4px; }}
code {{ background: #f0f0f0; padding: 2px 6px; border-radius: 3px; }}
blockquote {{ border-left: 4px solid #ddd; margin: 0; padding-left: 20px; color: #666; }}
table {{ border-collapse: collapse; width: 100%; margin: 20px 0; }}
th, td {{ border: 1px solid #ddd; padding: 8px 12px; text-align: left; }}
th {{ background: #f5f5f5; }}
</style>
</head>
<body>
{content}
</body>
</html>'''
def get_mime_type(ext: str) -> str:
"""获取图片 MIME 类型"""
types = {'.png': 'image/png', '.jpg': 'image/jpeg',
'.jpeg': 'image/jpeg', '.gif': 'image/gif'}
return types.get(ext.lower(), 'image/png')
def embed_image(img_path: Path) -> str:
"""将图片转换为 base64"""
with open(img_path, 'rb') as f:
data = base64.b64encode(f.read()).decode()
mime = get_mime_type(img_path.suffix)
return f"data:{mime};base64,{data}"
def process_images(content: str, base_dir: Path) -> str:
"""处理 markdown 中的图片，转换为 base64"""
def replace_img(match):
alt, src = match.groups()
img_path = base_dir / src
if img_path.exists():
b64 = embed_image(img_path)
return f''
return match.group(0)
return re.sub(r'!\[([^\]]*)\]\(([^)]+)\)', replace_img, content)
def md_to_html(md_content: str) -> str:
"""Markdown 转 HTML"""
if markdown:
return markdown.markdown(md_content, extensions=['tables', 'fenced_code'])
# 简单的备选转换
html = md_content
html = re.sub(r'^### (.+)$', r'<h3>\1</h3>', html, flags=re.M)
html = re.sub(r'^## (.+)$', r'<h2>\1</h2>', html, flags=re.M)
html = re.sub(r'^# (.+)$', r'<h1>\1</h1>', html, flags=re.M)
html = re.sub(r'!\[([^\]]*)\]\(([^)]+)\)', r'<img src="\2" alt="\1">', html)
html = re.sub(r'\n\n', '</p><p>', html)
return f'<p>{html}</p>'
def main():
if len(sys.argv) < 2:
print("Usage: python generate_html.py <md_path> [output.html]")
sys.exit(1)
md_path = Path(sys.argv[1])
output_path = Path(sys.argv[2] if len(sys.argv) > 2 else "article.html")
if not md_path.exists():
print(f"Error: File not found: {md_path}")
sys.exit(1)
with open(md_path, 'r', encoding='utf-8') as f:
content = f.read()
# 处理图片为 base64
base_dir = md_path.parent
content = process_images(content, base_dir)
# 转换为 HTML
html_content = md_to_html(content)
# 提取标题
title_match = re.search(r'^#\s+(.+)$', content, re.M)
title = title_match.group(1) if title_match else "Article"
# 生成完整 HTML
html = HTML_TEMPLATE.format(title=title, content=html_content)
with open(output_path, 'w', encoding='utf-8') as f:
f.write(html)
print(f"Generated: {output_path}")
print(f"Size: {output_path.stat().st_size / 1024:.1f} KB")
if __name__ == "__main__":
main()
academic
专业严谨，术语准确，适合学术交流
写作特点
- 使用标准学术术语，不做过度简化
- 准确引用论文中的定义和公式
- 客观陈述，减少主观评价
- 注重方法论和实验设计的完整性
语言风格
- 正式书面语
- 使用"本文提出"、"实验表明"等学术表达
- 保留原文关键术语（中英对照）
- 避免口语化和比喻
结构特点
- 摘要 → 背景与动机 → 方法 → 实验 → 分析 → 结论
- 每个章节有明确的技术目标
- 强调与相关工作的对比
示例开头
本文提出 Engram，一种基于条件记忆（Conditional Memory）的稀疏架构。
该方法将 N-gram 查表机制与 Transformer 主干网络相结合，
通过可扩展的哈希检索实现 O(1) 复杂度的静态知识获取。
与传统 MoE（Mixture of Experts）的动态路由不同，
Engram 的检索索引完全由输入 token 决定，具有确定性和可预取性。适用场景
学术报告、论文综述、研究组分享
concise
精炼直接，重点突出，快速阅读
写作特点
- 直击核心，省略铺垫
- 每段一个要点，不展开
- 用表格和列表提高信息密度
- 适合已有背景知识的读者
语言风格
- 简短句子，避免从句嵌套
- 直接陈述结论，再给证据
- 使用"核心是"、"关键在于"等提示词
- 不用比喻和故事
结构特点
- 一句话总结 → 核心创新 → 关键结果 → 局限性
- 大量使用表格对比
- 每节控制在 2-3 段
示例开头
**核心创新**：Engram 在 Transformer 中引入 O(1) 查表机制，
将静态知识从计算中分离。
**关键设计**：
- N-gram 哈希检索：多头哈希映射到嵌入表
- 上下文门控：用隐藏状态决定是否采纳记忆
- 确定性索引：支持预取，推理开销 <3%
**主要结果**：等参数下 MMLU +3.4，BBH +5.0适用场景
快速了解、论文速览、技术调研
storytelling
朴素接地气，从直觉出发，像讲故事一样
写作特点
- 从问题和直觉切入，不直接讲技术
- 用生动比喻让抽象概念具象化
- 选一个简单例子贯穿全文
- 逻辑递进，层层深入
语言风格
- 口语化表达，像和朋友聊天
- 使用"你有没有想过"、"说白了"等引导
- 允许个人见解和 PS 标注
- 避免学术腔调
结构特点
- 直觉引入 → 背景知识 → 核心创新 → 实验验证 → 思考展望
- 每个技术点都从"为什么需要"开始
- 用类比连接新旧概念
示例开头
你有没有想过这个问题：当我们问 ChatGPT "中国的首都在哪里"，它是怎么知道答案的？
直觉上，我们可能会觉得模型"记住"了这个知识。但实际上，大模型根本没有这样的"记忆模块"——它所有的答案都是**算**出来的。
这种方式有个明显的问题：**大炮打蚊子**。适用场景
技术博客、公众号文章、科普分享
with-code
结合 GitHub 开源代码进行讲解
使用方式
- 克隆或浏览论文的 GitHub 仓库
- 找到核心实现代码
- 贴出关键代码片段并讲解
- 将论文概念与代码实现对应
示例
论文中的门控机制在代码中是这样实现的：
engram/model.py
def compute_gate(self, hidden_state, memory_key):
计算隐藏状态和记忆 key 的对齐分数
score = torch.matmul(hidden_state, memory_key.T) gate = torch.sigmoid(score / self.temperature) return gate
可以看到，门控值就是隐藏状态和记忆 key 的点积，
经过 sigmoid 归一化到 0-1 之间。适用场景
想要复现或深入理解实现细节的读者
with-formulas
包含公式图片和详细讲解
使用方式
- 插入 MinerU 提取的公式图片
- 对每个关键公式进行解读
- 解释符号含义和计算过程
- 说明公式的直觉意义
示例
这个公式定义了记忆向量的构建方式：
- $e_t$ 是最终的记忆向量
- 不同 n-gram 长度和哈希头的结果被拼接
- 这种设计让表容量可以独立扩展适用场景
需要深入理解数学细节的读者
Related skills
Remotion Best PracticesGet Remotion-specific coding guidance that prevents common video rendering mistakes when creating animated React videos.451k4.2k
Ai Video GenerationGenerate videos using 40+ AI models including Veo, Seedance, and others via inference.sh442k665Ai Image GenerationGenerate images using 50+ AI models including FLUX, Gemini, and Replicate via inference.sh441k665Ai Avatar VideoGenerate videos featuring AI avatars for product demos, tutorials, marketing, or explainers441k665Remotion RenderRender videos programmatically using React components and Remotion framework441k665
Remotion RenderGenerate high-quality MP4 videos from React code using Remotion inside an AI coding agent.363k665Generative Mediacontent