Paper translate summary zh

论文翻译 + 深度总结 Skill

本skill执行两阶段任务：先翻译，后总结。翻译阶段产出完整中文译文；总结阶段基于译文产出结构化深度分析。

---

Phase 1 — 论文翻译

1.1 获取原文

用户可能提供：

• PDF文件路径（本地或下载链接）
• arXiv、ACLAnthology、OpenReview等学术平台URL
• 论文标题（需先搜索获取原文）

处理流程：

1. 如果用户提供PDF路径，直接使用 mcp__mineru__process 处理PDF，获取结构化Markdown输出。
2. 如果用户提供URL，先下载PDF到本地临时目录，再用MinerU处理。
3. 如果用户只提供标题，先web search找到论文的canonical版本，下载PDF后处理。

MinerU会将PDF转为结构化Markdown，保留：

• 标题层级结构（Heading层级）
• 数学公式（LaTeX格式）
• 图片引用（本地路径）
• 表格结构
• 段落分隔

1.2 翻译原则

翻译必须同时满足以下要求：

排版保留：

• 保持原文的章节层级结构（Heading层级不变）
• 段落分隔与原文一致
• 列表、编号、缩进结构保留
• 表格结构完整保留，表头翻译，数据不变

公式处理：

• 所有数学公式保留原始LaTeX写法，不翻译、不改写
• 公式编号保留（如 Eq. (1) → 公式 (1)）
• 公式中的变量名、符号不翻译
• 公式前后的解释性文字翻译为中文

图片处理：

• 图片保留原位，不删除、不移动
• 图片标题翻译为中文，格式为：图X：中文标题（保留原始图号）
• 图片中的英文文字如果无法编辑，保留原文，在图片标题中补充中文说明
• 如果图片包含关键流程图或架构图，在图片标题后用1-2句话补充中文解读

术语保留： 以下术语保留英文原文，不机械翻译：

• 核心方法名：attention、transformer、fine-tuning、retrieval、policy gradient、contrastive learning、diffusion等
• 专有名词：benchmark名（ImageNet、GLUE、MMLU等）、模型名（GPT、BERT、LLaMA等）、方法名（Adam、Dropout、BatchNorm等）
• 标准概念：token、embedding、prompt、few-shot、zero-shot、in-context learning、hallucination等
• 缩写：LLM、NLP、CV、RAG、RLHF、SFT等
• 评测指标：accuracy、F1、BLEU、ROUGE、perplexity等

翻译风格：

• 学术正式语体，不口语化
• 长难句可适当拆分，但不改变原意
• 被动语态可转为主动语态（符合中文学术写作习惯）
• 首次出现的术语格式：中文翻译（English Term），如：注意力机制（Attention）
• 后续出现可直接使用中文或英文，视语境选择最自然的表达

1.3 输出格式

翻译结果以Markdown格式输出，结构如下：

# 论文中文翻译

> **原标题：** [Original Title]
> **作者：** [Authors]
> **来源：** [Venue / arXiv ID / DOI]

---

## 摘要

[翻译内容]

---

## 1. 引言

[翻译内容，保留所有公式引用和图片引用]

---

## 2. 相关工作

[翻译内容]

...

## 参考文献

[保留原文，不翻译参考文献列表]

---

Phase 2 — 深度总结

翻译完成后，基于翻译内容进行深度分析总结。总结的结构和要求完全遵循论文深度阅读skill（paper-reading-zh）的规范。

总结前先确定三件事：

1. 论文的核心技术claim是什么。
2. 支撑这个claim的关键实验或关键论证是什么。
3. 最重要的baseline或prior work对比是什么。

如果novelty不清楚，先搜索2到3篇紧密相关的论文，用来校准这篇论文真正新在哪里。

输出结构

按顺序输出以下12个环节：

---

§ 1 — 研究问题与重要性

论文提出并解决的研究问题是什么？为什么这个问题是重要的？解决这个问题能带来哪些价值？

---

§ 2 — 前人工作与不足

点名最相关的prior methods、systems、datasets或theoretical results，说明它们已经能做到什么，然后精确解释它们为什么不够。

避免泛泛说"prior work没有考虑X"。要解释为什么X没有被考虑。

---

§ 3 — 重建作者的思考路径

在正式讲方法之前，先逆向重建作者可能的思考路径。只能使用这篇论文之前已经存在的背景、失败模式、经验观察、理论线索和相关工作。

---

§ 4 — 核心 Intuition

用2-4句话说清楚方法的Intuition。去掉所有形式化、消融实验和工程细节。

---

§ 5 — 具体方法与完整 Pipeline

结合一个真实的例子讲解：输入、处理、输出完整的pipeline。分点说明，清晰易懂。

---

§ 6 — 核心数学推导（无形式化数学则跳过）

一步步从0讲解核心数学推导过程，补充理论背景，告诉读者每个公式的intuition。如果没有形式化数学，说明并跳过。

---

§ 7 — 实验设计与结论

按照格式总结：提出了什么问题 → 设计了什么实验验证这个问题 → 问题的答案是什么。

---

§ 8 — Take-aways

总结论文的核心take-aways。

---

§ 9 — 最脆弱的假设

找出最关键的假设：如果它不成立，核心贡献会直接失效。精确解释这个假设在实际中可能不成立的原因。

---

§ 10 — 最小复现实验

如果有1周时间，能做一个最小复现实验验证它的哪一点？说清楚：用什么数据，实现什么，测量什么，什么结果算是支持或反驳了这个claim。

---

§ 11 — 最强反例设计

设计对这篇论文最有力的攻击。找一个实验、一个理论论证，或一类真实世界的场景，能真正挑战这个方法。

---

§ 12 — Follow-up Research Idea

基于对方法核心局限（§9）的理解，提出一个非增量的novel research idea。说清楚：（a）什么局限驱动了这个想法，（b）可以借鉴哪个相邻领域的方法，（c）第一个实验大概长什么样。

---

信息来源纪律

整个分析过程中，严格区分四类信息：

• 论文原文明确声称：作者显式claim或展示了这一点
• 相关文献中的已有结论：现有文献中的记录结果（尽可能引用）
• 基于证据的合理推断：从论文展示的内容逻辑推出，但未被显式声明
• 仍然不确定的猜测：你的假设，没有直接证据支撑

---

风格要求

输出语言为中文。专业术语保留英文原词，不要机械翻译。

具体要求：

• 从具体技术情境出发，不要悬空总结
• 直接点名问题，先展示失败模式，再解释方法
• 使用具体名词、动作和数字，少用抽象形容词
• 先写claim，再写evidence
• 保留不确定性，不要装作什么都确定
• 每句话都要有信息量，避免大空话
• 使用流畅段落，少用模板化bullet points
• 避免滥用破折号、引号、括号和分号
• 避免低信息量句式

---

执行流程

1. 获取原文 → 下载或读取PDF
2. MinerU处理 → mcp__mineru__process 提取结构化Markdown
3. 翻译 → 按1.2原则逐节翻译，产出完整中文译文
4. 总结 → 按Phase 2结构产出深度分析
5. 交付 → 先输出翻译全文，再输出深度总结