TL;DR：今日在调研论文过程中，不断打磨的一套流程，总结为skill，供大家直接复制粘贴给网页gpt使用，注意前提：有收集好的论文清单excel发给gpt，欢迎大家一起多多探讨打磨
论文调研与结构化总结 Skill
1. 总体目标
当用户提供论文清单、Excel、Markdown 或调研结果时，不要只做标题罗列，也不要机械复述摘要，而要围绕论文的真实价值进行结构化整理。
核心目标是：
- 找出论文真正研究的问题；
- 找出论文中明确描述的前人局限性；
- 判断论文的真实贡献；
- 分析论文采用的实验、评测或论证方式；
- 用普通本科生能听懂的语言解释论文；
- 最终输出适合 XMind、Excel、表格总结等形式的结果。
所有总结必须保证真实性，不能编造论文贡献、实验方法或前人局限性。
2. 先确认用户需求
在正式处理前，必须先说明对用户需求的理解。
需要明确：
- 当前要处理的是哪一类论文；
- 用户要的不是简单摘要，而是“研究问题—前人局限—贡献—证据方式—通俗理解”；
- 不同论文类型不能套同一个模板；
- 输出结果是否需要适配 XMind、Excel 或表格；
- 是否需要按多模态 / Agent / RL 等主线分类。
只有用户确认后，再开始批量处理。
3. 论文类型要先区分
不能把所有论文都当成“方法论文”处理。
应先判断论文性质，常见类型包括：
- 方法型论文；
- Benchmark / 数据集型论文；
- 系统 / 框架型论文；
- 应用 / 决策支持型论文；
- 机制解释 / 现象分析型论文；
- 理论分析型论文；
- 经验研究 / 实证评测型论文；
- Position / 观点型论文；
- 边缘相关 / 排除候选论文。
不同论文类型的总结重点不同。
4. 方法型论文的处理标准
方法型论文重点回答：
- 论文解决什么研究问题；
- 前人方法哪里不行；
- 论文真正提出了什么新方法；
- 方法的输入是什么；
- 中间处理流程是什么；
- 输出是什么；
- 实验任务是什么；
- 用了什么数据集或环境；
- 和哪些 baseline 对比；
- 评价指标是什么；
- 自变量、因变量、控制变量分别是什么；
- 做了哪些消融实验；
- 最终结论是否被实验支撑；
- 这个结论的适用边界在哪里；
- 本科生如何一句话理解。
不能只写“提出一种新框架，实验表明有效”。
必须讲清楚：
它到底改了哪一步，这一步怎么被实验验证，为什么能说明它有效。
5. Benchmark / 数据集论文的处理标准
Benchmark / 数据集论文不能按“方法贡献”来写。
重点回答：
- 这个 benchmark / 数据集测什么能力；
- 为什么旧 benchmark 不够；
- 数据从哪里来；
- 数据如何构造；
- 任务如何设计；
- 评价指标是什么；
- 评测了哪些模型；
- 当前模型暴露出什么问题；
- 评测协议是否可靠；
- 是否存在数据泄漏、任务模板化、指标不合理、场景不真实等问题；
- 本科生如何一句话理解。
Benchmark 论文的核心不是“提出了一个数据集”，而是：
它建立了一个什么评测坐标系，以及它揭示了现有模型什么能力缺口。
6. 其他类型论文的处理标准
对于剩余类型论文，不能硬套方法类或 benchmark 类模板。
系统 / 框架型论文
重点看：
- 系统要解决什么端到端流程问题；
- 系统由哪些模块组成；
- 模块之间如何协作；
- 是否形成观察、规划、执行、反馈闭环；
- 用什么实验或案例证明系统可用。
应用 / 决策支持型论文
重点看：
- 应用到什么真实场景；
- 解决什么业务、科学或工程问题；
- 模型在流程中承担什么角色；
- 是否有真实数据、专家评价或场景验证。
机制解释 / 现象分析型论文
重点看：
- 论文解释了什么现象；
- 发现了什么失败模式；
- 用什么控制实验支持结论；
- 它修正了哪些已有认知。
理论分析型论文
重点看：
- 理论问题是什么；
- 假设条件是什么；
- 证明了什么结论；
- 结论边界在哪里；
- 和实际任务有什么关系。
经验研究 / 实证评测型论文
重点看：
- 比较了哪些模型、任务或方法；
- 发现了什么经验规律；
- 哪些能力边界被暴露出来；
- 对后续研究有什么启发。
Position / 观点型论文
重点看：
- 论文提出什么立场；
- 反对什么流行看法；
- 建议研究社区如何调整方向；
- 论据是否充分。
7. 前人局限性必须真实具体
“前人局限性”必须尽量从论文的 introduction、related work、abstract 或 official page 中找。
禁止写空泛模板，例如：
- 现有方法效果不好；
- 现有研究不够全面；
- 现有 benchmark 有局限；
- 现有模型泛化能力不足。
应该写成具体问题，例如：
- 现有 GUI grounding 方法把定位做成坐标生成，存在空间-语义对齐弱、监督目标模糊、ViT patch 粗粒度特征不匹配等问题；
- 现有多模态 benchmark 分散，简单平均多个任务分数不能说明模型具备通用能力；
- 现有 VLA 模型主要做输入到动作输出的直接映射，缺少复杂操作所需的中间推理步骤；
- 现有工具调用训练只强调会调用工具，缺少对“是否应该调用、是否需要澄清、参数是否可靠”的约束。
如果无法确认前人局限性来源，必须标注“不确定 / 需进一步核查”，不能编造。
8. 分类原则
如果用户要求按“多模态 / Agent / RL”分类，应按核心贡献分类，而不是按标题关键词分类。
多模态
核心关注：
- 图像、视频、文本、3D、动作等多模态理解；
- 多模态对齐；
- 多模态生成；
- VLM / MLLM / VLA 表征；
- 视觉 grounding；
- 视频推理；
- 图文 / 视文数据集。
一句话：多模态解决“模型如何看懂和整合多种信息”。
Agent
核心关注：
- 任务规划；
- 工具调用；
- GUI 操作；
- Mobile Agent；
- 多智能体协作；
- 机器人执行；
- 反思纠错；
- 长流程任务完成；
- 环境交互。
一句话：Agent 解决“模型如何自主完成任务”。
RL
核心关注：
- 奖励建模；
- 偏好学习；
- 策略优化；
- 安全探索；
- offline-to-online RL；
- world model；
- 长期规划；
- 多智能体强化学习。
一句话：RL 解决“模型如何通过反馈学会更好地行动”。
如果一篇论文跨多个方向，只放一个主类，其他属性放入副标签，避免 XMind 重复混乱。
9. 输出格式要求
XMind Markdown 格式
如果用户要求 XMind 可导入 Markdown，应使用下面这种兼容结构：
# 总标题> 说明文字## 一级分类### 子分类#### 论文名（年份 会议）
##### 字段名
- 字段内容
##### 字段名
- 字段内容
注意：
- 不要混用复杂表格；
- 不要用代码块包裹正文；
- 不要把字段内容直接写成更深层标题；
- 每篇论文用
####； - 字段名用
#####； - 字段内容用
-； - 保持层级稳定；
- 尽量不要使用纯缩进大纲，除非用户明确说该格式可用。
表格格式
如果用户要求“用表格总结研究问题”，应输出：
| 主类 / 类型 | 子方向 | 论文 | 研究问题 |
|---|
重点只总结“研究问题”，不要混入大量贡献和实验细节。
Excel 格式
如需生成 Excel，建议包含：
- 统计汇总；
- 逐篇解析；
- 阅读说明。
逐篇解析字段可包括：
- 论文类型；
- 主类；
- 副标签；
- 论文名；
- 年份会议；
- 研究问题；
- 前人局限性；
- 论文贡献；
- 数据 / 实验 / 证据方式；
- 评价指标；
- 结论；
- 本科生一句话理解；
- 局限性；
- 纳入等级。
10. 真实性与质量控制
必须做到：
- 优先使用论文原文、官方页面、会议页面、OpenReview、PMLR、CVF、arXiv 等来源；
- 不把搜索结果标题当成论文事实；
- 不把模型自己的推断写成论文原文观点；
- 对撤稿、状态异常、标题截断、链接异常的论文明确标注；
- 对边缘相关论文说明为什么降权或排除；
- 对论文分类可以校正原表，不必机械继承原始分类；
- 每个结论都应能对应到论文内容或实验设计。
11. 本科生可理解表达要求
解释时避免堆术语。
每篇论文都应有一句通俗解释，例如：
- 让 GUI Agent 不是直接报坐标，而是先在屏幕上圈出可能该点的位置；
- 让机器人先想象下一步画面应该变成什么样，再决定怎么动；
- 不是随机让人标注答案好坏，而是优先挑最有信息量的比较样本；
- Benchmark 的作用不是提出新模型，而是测出现有模型到底哪里不会。
要求：
- 语言准确；
- 不夸大；
- 不写宣传口吻；
- 不用“显著提升”“突破性”等空泛词，除非论文有明确证据支持。
12. 最终交付标准
合格结果应满足：
- 不遗漏用户指定范围内的论文；
- 每篇论文都有稳定结构；
- 前人局限性具体且尽量来自论文；
- 分类边界清楚；
- 输出格式能被 XMind 或 Excel 正常使用；
- 能看出哪些论文是核心、哪些是辅助、哪些应降权；
- 普通本科生能通过结果理解每篇论文在研究什么、为什么要研究、做出了什么贡献。
一句话要求：
对论文进行真实、可核查、分类清晰、面向本科生可理解的结构化总结，并按用户要求输出为 XMind、Excel 或表格。