Paper Outline Generator

• 第一，说明别人研究发现本文用的方法确实有利于结果；
• 第二，说明别人有没有想到的东西（研究空白），因此本文采用这种方法同时又用这种方法进行改进。

三、方法框架（分小点）

• 第一个小节：整体框架概述，简要介绍整体研究框架和技术路线，给出框架图。
• 后续小节：对框架中的每个核心模块进行详细叙述，说明输入、处理逻辑、输出。
• 重要要求：在描述自己的框架时，每个部分都需要有公式来说明自己是怎么做的。

四、实验验证（严格按照以下三个部分展开）

• 4.1 训练语料的构建与评价标准：说明数据集描述、参数设置、基线模型选取、评价指标说明等。
• 4.2 对比实验结果分析：呈现对比实验数据结果，并深入分析说明"本文方法能够解决引言中提出的已有方法存在的问题"。
• 4.3 消融实验结果分析：呈现并分析消融实验的结果，验证各个模块的有效性。

五、结论与展望（不分小点，整体段落撰写）

按照以下逻辑顺序展开：

1. 方法概述：简要概述本文的方法框架
2. 问题解决：强调本文解决了什么问题（与引言中的问题呼应）
3. 不足与展望：说明研究的局限性，提出可以继续改进的研究方向

操作步骤

• 标准流程：
  1. 收集输入信息
     • 获取用户提供的三个关键信息：
       • 核心创新点（研究的突破性贡献、新颖性）
       • 研究内容描述（研究问题、方法、数据来源）
       • 实验结果（关键发现、性能指标、对比分析）
  2. 梳理论文逻辑主线
     • 首先明确"已有方法存在的N个问题"，这是全文的逻辑主线
     • 围绕这些问题，梳理"问题→综述论证→方法解决→实验验证→结论回应"的完整链条
     • 确保每个问题在五个章节中都有对应的体现
  3. 生成大纲框架
     • 基于情报学论文的五个标准部分（引言、研究综述、方法框架、实验验证、结论与展望）生成章节结构
     • 引言分三段撰写（背景与问题、现有方法进展与引用、明确本文贡献），结论与展望作为整体段落撰写
     • 研究综述要分类并带小标题（1）（2），方法框架的各模块必须包含公式设计，实验验证严格包含三个指定小节
     • 确保章节逻辑连贯、层次分明
  4. 提供撰写逻辑
     • 为每个部分说明撰写要点和逻辑顺序
     • 明确各部分的核心任务和写作重点
     • 体现情报学"文献语料支撑科研"的特色
  5. 优化与检查
     • 检查全文逻辑主线：引言提出的问题 → 综述论证问题存在 → 方法针对性解决 → 实验验证解决效果 → 结论回应问题
     • 确保综述小结与引言中的问题一致
     • 确保实验"分析与讨论"部分逐一回应引言中的问题
     • 确保结论与展望回顾方法、强调解决的问题、指出不足和未来方向

资源索引

• 论文结构规范：见 references/intelligence-paper-structure.md（用途：了解五个部分的详细内容要求和结构特点）
• 情报学内容场景：见references/DOMAINS.md(用途：了解基本的情报学研究内容，知道论文撰写的领域框架)

注意事项

• 情报学论文必须严格遵循"引言-研究综述-方法框架-实验验证-结论与展望"的结构
• 引言按三段式撰写（背景与问题、现有方法进展与引用、明确本文贡献），结论与展望不分小点
• 全文逻辑主线：引言中"已有方法存在的问题"贯穿全文，综述论证→方法解决→实验验证→结论回应
• 研究综述必须分类带(1)(2)小标题，说明别人发现本文方法的优势及研究空白，末尾必须有小结
• 方法框架的每个核心部分必须配有公式进行详细说明
• 实验验证严格按“训练语料的构建与评价标准”、“对比实验结果分析”、“消融实验结果分析”三大块展开，分析与讨论需结合引言问题
• 结论与展望按"方法概述-问题解决-不足与展望"的逻辑展开

输出示例：融合大语言模型的政策文本检索增强生成研究

• 1 引言
  • 第一段（研究背景与问题）：政务智能化转型对政策文本处理提出了更高要求，大语言模型在通用文本处理上表现优异，但在政策领域面临挑战。明确问题：如何利用AI技术实现政策文本的精准问答。
  • 第二段（现有方法进展）：引用相关文献说明已有方法存在的不足。例如，已有研究显示（1）通用大模型缺乏政策领域专业知识，易产生幻觉；（2）现有检索系统与生成模型割裂，无法实现端到端的政策问答。
  • 第三段（本文贡献）：提出Policy-RAG框架，通过政策文档知识库检索增强大模型生成能力。本文贡献如下：1. 构建了政策文档向量知识库，弥补大模型的领域知识缺陷；2. 设计了检索-生成联合框架，实现端到端的政策问答。
• 2 研究综述
  • 2.1 政策文本的定量分析研究
    • （1）传统文本分析方法：综述政策文本结构化分析、关键词提取等方法，指出其在语义理解上的不足；（2）大模型的初步应用：引用文献说明大模型有潜力但在垂直领域的知识盲区是别人未想到的盲点，引出本文知识库方案。
  • 2.2 文本检索与生成结合的研究
    • （1）语义检索技术：说明别人研究发现检索增强对生成确实有帮助；（2）RAG技术在政策领域的缺口：指出目前检索系统与生成模型结合不够紧密，引出本文联合框架的改进。
  • 小结：现有研究存在两个核心问题——（1）大模型缺乏政策领域知识导致幻觉；（2）检索与生成割裂导致问答效果不佳。本文针对这两个问题展开研究。
• 3 融合大模型的政策文本检索增强生成
  • 3.1 整体框架
    • 简述Policy-RAG的整体架构：政策文档向量化→语义检索→检索增强生成，给出框架图。
  • 3.2 政策文档知识库构建
    • 详述政策文档的采集、清洗、分块、向量化过程（对应解决问题1：领域知识缺陷）。
  • 3.3 检索增强生成机制
    • 详述用户提问语义匹配、检索结果与大模型联合生成的具体方法（对应解决问题2：检索与生成割裂）。
• 4 实验验证
  • 4.1 训练语料的构建与评价标准
    • 数据集：XX政策文档集合；基线模型：GPT-4、ChatGLM等；评价指标：准确率、ROUGE、幻觉率等；参数设置说明。
  • 4.2 对比实验结果分析
    • 呈现对比实验结果表格，分析针对问题2：端到端框架相比分离式方案，准确率提升X%，说明检索-生成联合的优势。
  • 4.3 消融实验结果分析
    • 呈现消融实验结果（去除知识库/去除检索模块的性能变化），分析针对问题1：知识库的引入使幻觉率降低X%，说明领域知识补充有效。
• 5 结论与展望
  • 方法概述：本文提出了Policy-RAG框架，通过构建政策文档知识库和检索增强生成机制，实现政策文本的精准问答。问题解决：有效解决了大模型在政策领域的知识缺陷和检索-生成割裂两个问题。不足与展望：当前方法对多模态政策数据（表格、图表）处理能力有限，未来可探索多模态融合和端到端联合训练。

全文逻辑主线：

1. 问题层（引言）：提出大模型政策领域知识缺陷、检索与生成割裂两个问题；
2. 论证层（综述）：从两个方面综述已有研究，小结确认问题存在；
3. 方法层（方法框架）：针对两个问题分别设计知识库构建和检索增强生成机制；
4. 验证层（实验）：通过对比/消融实验验证，分析讨论中逐一回应两个问题的解决效果；
5. 价值层（结论与展望）：概述方法，强调问题解决，指出不足和未来方向。