Read Paper

脚本输出论文目录路径（如 archive/papers/2026/xxx/），目录包含 document.pdf + meta.json。

1.5. 提取图片

从 PDF 中提取所有图表（矢量图 + 位图），保存到论文目录的 figures/ 子目录：

uv run python3 scripts/extract-figures.py <paper_dir>/document.pdf <paper_dir>/figures

脚本输出 figures/figures.json（包含每张图的文件名、页码、caption）和 figures/fig_01.png 等图片文件。

精读时在正文对应位置插入图片引用：![Figure 1: caption](figures/fig_01.png)。根据 figures.json 中的 caption 和页码，将图片插入到精读文档中讨论该图的段落附近。

2. 精读论文

必须直接用 Read 工具读 PDF（document.pdf，pages 参数分页读取，每次最多 20 页）。禁止使用 Python 库（pymupdf/fitz/PyPDF2 等）将 PDF 转换为文本。

当论文引用了其他论文的关键概念或方法，且必须理解前置论文内容才能准确解读当前论文时，可用 Grep 工具在 archive/papers/ 下搜索 reading.md 获取相关精读报告。仅在核心方案直接依赖前置工作时才检索。

生成中文精读文档 reading.md，要求：

reading.md 为纯 Markdown 正文，不包含 YAML frontmatter。 元数据通过 Step 4 的 JSON 写入 meta.json。

精读原则：

精读文档应当详尽完整，目标是让读者无需打开原文也能完全理解论文。预期长度 3000-8000 字中文（对应 PDF 6-15 页的论文）。如果论文非常技术（含大量公式/算法），可以更长。宁可长不能短——精读不是摘要。

正文要求：

• 正文必须使用中文撰写，保留英文专有名词（如模型名称、技术术语）
• 完整章节结构：建议章节为「研究动机与背景」「核心方法/模型架构」「关键技术细节」「实验设置」「主要实验结果」「消融与分析」「讨论与局限性」。可根据论文调整，但每个核心章节不可省略
• 方法部分要详尽：
  • 完整描述模型架构、数据流、训练目标
  • 所有公式必须完整摘录（不得简化或省略符号）
  • 行间公式必须编号：用 \tag{N} 编号，从 1 递增。示例：$$\mathcal{L} = \sum_{i} \ell_i \tag{1}$$
  • 关键算法用伪代码或步骤化描述
  • 解释每个公式的物理含义和设计动机
• 实验部分要完整：
  • 所有实验表格必须保留，用 Markdown 表格重现关键数值（不要只写"在 X 上提升 Y%"）
  • 列出所有数据集、baseline 模型、评估指标（含 metric 含义）
  • 所有超参数设置（学习率、batch size、训练步数、模型规模等）
  • 每个表格后紧跟实验结论分析，解释 why，不仅仅描述 what
  • 消融实验逐项分析每个组件的贡献
  • 工业 A/B 实验、scaling 实验等单独突出
• 重要图表：使用 Step 1.5 提取的图片，在正文对应位置用 ![caption](figures/fig_XX.png) 引用。参考 figures/figures.json 中的 caption 和页码确定插入位置。仅当提取的图片无法覆盖时才用 Mermaid 重绘
• 贴近原文：忠实传达论文内容、术语、数据，避免过度概括。当原文用了某种表述/比喻时，保留它

禁止行为：

• ❌ 用一两句话概括方法部分（必须展开细节）
• ❌ 跳过任何实验表格
• ❌ 跳过公式（即使复杂也要完整摘录）
• ❌ 把多个章节合并为一段
• ❌ 只列出结论而不列出实验数据
• ❌ 用反引号 ` 包裹数学符号/公式（必须用 $...$ 行内公式或 $$...$$ 块级公式）

讨论与局限性：

• 必须包含一段讨论：论文的核心贡献、值得借鉴的设计、存在的局限/争议、与已有工作的差异
• 如果论文有明显的工业落地价值，单独说明部署细节和业务收益

格式灵活：正文没有严格格式要求，按论文内容自然组织，但要保证上述每个要求都被覆盖

3. 写入 reading.md

用 Write 工具写入论文目录。

4. 更新元数据、Benchmark 和 DAG

标签选择：从 config.yaml 的 tags 部分选择结构化标签，优先使用已有标签。仅当论文方向与现有标签显著不同时才创建新标签。每篇论文至少 1 个 task 标签 + 1 个 method 标签 + 1 个 scene 标签。

公司归类（仅工业界论文）：

1. 检查作者所属机构（affiliations）
2. 读取 config.yaml 的 companies 列表
3. 如果机构匹配现有公司条目，无需操作（系统会自动归类）
4. 如果是新的工业公司（不在列表中），追加新条目到 config.yaml：

   companies:
     ...
     - name: <显示名，如 Snowflake>
       keywords: [<匹配关键词，如 Snowflake>]
   

5. 学术机构（大学/研究所）不需要加入公司列表

新增公司后系统会自动重新加载，无需重启。

将以下数据整理为 JSON，写入临时文件，调用更新脚本：

python3 scripts/update-paper-data.py /tmp/paper-update-<arxiv_id>.json

JSON 格式参见 update-data-schema.md。

5. 部署到网站

/home/sardine/my_archive/.venv/bin/archivist deploy

6. 完成输出

报告：论文标题、阅读报告路径、Benchmark/DAG 更新条数、冲突信息（如有）。