Academic paperwriting innovation

个性化学术创新点写作

目标

建立一套半自动化、可迭代的论文创新点识别流程：

1. 从用户自己的“文献—Obsidian 笔记”配对语料中学习用户怎样发现和筛选创新点。
2. 将学习结果整理为结构化的个人创新判断画像。
3. 根据画像生成用户专属的创新点分析提示词。
4. 将提示词应用于用户正在写作的论文大纲、方法、图表说明或初步结果。
5. 联网检索与目标论文密切相关的相近研究，核验、收缩、重构或补充候选创新点。
6. 当用户的笔记发生新增或修改时，增量更新画像和提示词，并记录变化。

本 Skill 学习的是用户的判断方式，不把训练语料中的具体研究结论机械迁移到新论文。

核心材料及其角色

始终区分三类材料：

• 个人学习语料：用户过去阅读的文献及其 Obsidian 笔记，用于学习用户怎样判断创新。其主题可以与当前论文无关。
• 目标论文材料：当前正在写作的论文大纲、方法、图表、结果或正文，用于发现候选创新点。
• 目标领域相关文献：通过联网检索或用户提供，用于核验当前论文相对于既有研究是否确有差异。

不得把个人学习语料直接当作目标论文的相关文献证据，除非该文献本身确实与目标主题相关。

核心判断原则

个性化规则必须从语料中学习

不要预先假定用户重视哪些类型的创新。应从真实笔记中学习：

• 用户认可什么；
• 用户明确排除或降低权重的是什么；
• 用户如何把多个技术差异归并为一项完整贡献；
• 用户如何拆分、排序和表述创新点；
• 用户怎样控制创新声称的强度；
• 用户更重视问题重构、理论框架、方法识别、测量、数据、经验发现还是政策解释。

笔记中的“未记录”是个性化筛选信号

用户的 Obsidian 笔记不是对文章全部创新点的穷尽式编码，而是经过个人判断后的选择性记录。用户通常只会记录自己认为较为新颖、重要、有启发性或对后续研究有借鉴价值的内容。因此，当 AI 独立识别出某项候选创新，但用户笔记没有记录时，应默认将其视为一种“低优先级或低显著性信号”：

• 该候选可能在客观上具有一定新意；
• 但在用户当时的判断中，它没有重要到值得记录；
• 或者它不符合用户通常关注的创新类型；
• 或者用户认为它只是研究条件、技术细节或附属增量，不能与核心贡献并列。

在学习用户偏好时，应适当降低这类候选的权重，而不是与用户已经记录的创新点等量处理。

但“未记录”仍不等于用户明确认定其完全不新颖。不得仅凭一次遗漏，直接生成“用户认为该内容不构成创新”的强结论。应结合笔记完整程度、候选内容的位置以及跨文献重复模式判断其信号强度。

按照以下层级处理：

1. 用户明确记录并解释其创新价值
   视为强正向信号。重点学习用户为什么认为它构成创新。

2. 用户记录但没有详细解释
   视为中等正向信号。说明用户认为它值得保留，但判断理由尚不充分。

3. AI识别但用户在较完整的创新总结中未记录
   视为弱负向信号或降权信号。说明该内容通常不符合用户的核心创新筛选标准。

4. AI识别但用户笔记本身较简略或不完整
   视为不确定信号，不应据此明显降低权重。

5. 用户明确写出“不构成创新”“只是技术处理”“不能单独算创新”等判断
   视为强负向信号。

6. 同一类型的候选在多篇完整笔记中持续未被记录
   可逐渐推断为用户稳定的降权偏好。例如，用户可能长期不把单纯的数据更新、时期延长或普通稳健性检验视为核心创新。

Skill 应学习的不是“用户是否正式否定了每一项候选”，而是用户面对多个可能创新点时的实际选择、忽略、归并和排序方式。

不追求创新点数量最大化

AI 可能识别五项形式差异，而用户只认可三项核心创新。应学习用户的筛选和归并逻辑，不要为了增加数量而拆分同一贡献。

运行模式

根据用户请求选择模式；可以合理推断时，不反复追问。

1. 建立个人画像：首次读取文献与笔记语料，生成画像和第一版提示词。
2. 更新个人画像：只处理新增或修改的语料，保留旧版本并生成变更记录。
3. 分析目标论文：使用当前个性化提示词分析论文大纲，形成第一轮候选创新点。
4. 联网核验：检索最相近研究，验证并修正候选创新点。
5. 完整流程：依次执行画像建立或更新、论文分析、联网核验和创新点成文。

必要输入

尽量从用户消息、当前项目目录或已有配置中获得：

• corpus_dir：文献与 Obsidian 笔记目录；
• target_outline：目标论文大纲或文件路径；
• output_dir：输出目录，未指定时使用项目下的 .innovation-profile/；
• search_scope：目标主题、学科、时间、期刊或语言范围；
• existing_profile：已有个人画像或个性化提示词，可选。

缺少 corpus_dir 且用户要求学习个人偏好时，询问目录路径。缺少目标论文材料时，只建立或更新画像。缺少联网条件时，完成候选分析并将外部核验标记为待完成。

阶段一：扫描并配对文献与笔记

递归扫描 corpus_dir，识别文献文件、Markdown 笔记、YAML 元数据、Zotero citekey、DOI、标题、作者、年份和修改时间。

按以下优先顺序配对：

1. Zotero citekey 完全一致；
2. DOI 完全一致；
3. 文件基础名一致；
4. 文章标题高度一致；
5. 作者与年份共同一致。

配对有歧义时，列出候选并请求用户确认，不得强行配对。

生成语料清单，至少记录：配对编号、文献路径、笔记路径、配对依据、置信度、修改时间和处理状态。

阶段二：逐篇学习用户怎样发现创新点

对每一组已确认的文献—笔记，严格按顺序处理。

第一步：AI 独立识别

先阅读文献，在尚未读取用户创新总结的情况下，独立提出文章可能具有的创新点。

每项至少记录：

• 候选创新点；
• 创新类型；
• 文献依据；
• 与常规做法的潜在差异；
• 是否可能只是研究特征而非创新；
• AI 置信度。

不得为了与用户笔记保持一致而事后重写这一步。

第二步：提取用户笔记

再读取对应 Obsidian 笔记。优先查找含有“创新、贡献、novelty、contribution、新意、与既有研究的差异、可借鉴之处”等语义的标题、标签和段落。

同时读取附近的解释、反问、否定、修改和上下文。提取：

• 用户明确认可的创新点；
• 用户认为其构成创新的理由；
• 用户明确排除或降低权重的内容；
• 用户的归并、拆分、排序和表述方式；
• 用户是否对某项判断保留意见。

第三步：建立逐篇差异表

区分：

• 双方均识别；
• 用户识别而 AI 遗漏；
• AI 识别而用户未记录；
• 用户明确否定；
• 用户归并；
• 用户拆分；
• 层级调整；
• 表述强度调整。

第四步：推断判断规则

每条规则记录：

• rule_id；
• 规则表述；
• 本篇证据；
• 正例和反例；
• 所属类型：选择、排除、归并、排序、表述或证据要求；
• 置信度：高、中、低；
• 是否可能只是单篇特例。

阶段三：形成个人创新判断画像

不要把单篇特殊判断立即泛化。综合多篇记录，将规则分为：

• 稳定规则：多篇重复出现、用户明确概括，或有正反例共同支持；
• 暂时倾向：证据方向一致但数量不足；
• 单篇特例：明显依赖特定主题、方法或文章结构；
• 已被修正规则：用户后续笔记对旧规则作出限定、替换或否定。

个人画像至少包括：

1. 创新认定标准；
2. 创新排除标准；
3. 创新归并与拆分方式；
4. 创新排序偏好；
5. 创新表述风格；
6. 证据与文献核验要求；
7. 对“首次”“填补空白”等强声称的态度；
8. 常见审稿风险；
9. 规则置信度和适用边界。

阶段四：生成用户专属提示词

提示词必须包含：

• 用户稳定的创新判断规则；
• 各类创新的相对权重；
• 用户通常排除或降级的内容；
• 用户的归并、拆分和排序偏好；
• 来自语料的脱敏正例与反例；
• 证据不足时的处理方式；
• 禁止使用的过度声称；
• 当前提示词所依据的画像版本。

提示词应要求分析者对每项候选创新回答：

1. 既有研究通常怎样处理；
2. 当前论文做出了什么不同处理；
3. 这种不同增加了什么知识或识别能力；
4. 它为什么不是一般技术步骤或资料条件；
5. 有什么论文材料支持；
6. 还需要什么文献或结果核验；
7. 按用户标准应独立成项、合并还是降级。

阶段五：分析目标论文大纲

读取目标论文的大纲、方法、数据、图表和初步结果，识别：研究问题、分析对象、文献不足、核心概念、理论参照、数据、研究设计、指标、分解或反事实、主要图表、初步发现和讨论。

每项候选创新至少记录：

字段	内容
candidate_id	候选编号
candidate	候选创新点
profile_rule	对应的个人判断规则
outline_evidence	大纲或论文材料依据
contribution_type	问题、理论、框架、测量、方法、数据、发现、解释或应用
knowledge_gain	增加了什么认识
current_status	已有支持、设计承诺、待结果验证或待文献核验
risk	潜在审稿质疑
action	保留、合并、拆分、降级或删除

不得把计划中的方法写成已经实现的创新，也不得把尚未得到结果支持的推测写成经验发现。

阶段六：联网检索相近研究

只有在用户要求联网核验或完整流程时执行。

检索目标不是泛泛罗列主题文献，而是寻找“最相近研究”。检索组合应覆盖研究问题、分析对象、核心概念、参照或反事实、指标与方法、数据与时间范围、国家比较和目标期刊。

优先使用正式期刊论文、权威出版社文献、官方工作论文、原始方法论文和目标领域综述。

建立比较矩阵：

相近研究	研究问题	分析对象	参照	方法	时间尺度	主要发现	与当前论文差异	差异的重要性

将候选创新点更新为：初步确认、需要缩小、需要改写、方法整合、经验拓展、不构成创新、新增候选或证据不足。

没有检索到相同研究，不等于证明文献中不存在。证据不足时避免使用“首次”“首创”“尚无研究”“填补空白”等绝对表述。

阶段七：创新点成文

默认保留 2—3 项核心创新，除非材料明确支持更多。每项按以下逻辑成文：

1. 既有研究的主要处理方式或局限；
2. 当前论文的具体不同；
3. 这种不同带来的知识增量；
4. 论文中的方法、结果或图表证据；
5. 适用边界和声称强度。

优先使用审慎表述，例如：

• “相较于主要关注……的既有研究，本文进一步……”；
• “本文的主要贡献在于……”；
• “这一处理使……能够被单独识别或比较”；
• “本文并非简单增加……，而是通过……改变了……的测量方式”。

不要只写“理论创新、方法创新、数据创新”等空泛标签。

阶段八：增量更新

再次运行时：

1. 比较文件路径、修改时间或哈希；
2. 只重新处理新增或修改的文献与笔记；
3. 识别新增规则、强化规则、修正规则和反例；
4. 更新个人画像；
5. 生成新版个性化提示词；
6. 记录新旧版本的差异；
7. 标记哪些既有论文候选创新点受到影响。

删除文件不自动等同于用户撤回认知。涉及规则反转时，请求用户确认。

输出目录

未指定 output_dir 时，在项目根目录创建：

.innovation-profile/
├── corpus-manifest.md
├── pair-analyses/
├── innovation-profile-current.md
├── personalized-prompt-current.md
├── versions/
├── profile-changelog.md
└── projects/
    └── <project-name>/
        ├── outline-analysis.md
        ├── literature-comparison.md
        └── final-contributions.md

不要默认覆盖历史版本。更新 current 文件的同时保留带时间戳的版本。

人工确认节点

以下情况必须让用户确认：

• 文献与笔记无法可靠配对；
• 某条规则可能是稳定偏好，也可能只是单篇特例；
• 新笔记与既有规则明显冲突；
• 需要把用户未提及的创新点解释为负例；
• 需要使用“首次”“首创”“填补空白”等强声称；
• 目标论文的设计与实际完成结果不一致。

其余情况依据现有材料继续执行，不提出不必要的追问。

禁止事项

• 不得将个人学习语料中的具体结论机械迁移到目标论文。
• 不得把用户未写出的内容自动视为用户否定。
• 不得虚构文献、引文、DOI、结果或检索结论。
• 不得以创新点数量多作为质量标准。
• 不得把新数据、新年份、新地区、普通稳健性检验自动认定为独立创新。
• 不得把方法名称本身等同于方法创新。
• 不得在未核验时声称“首次”“唯一”“填补空白”。
• 不得把受版权保护的文献全文、私人笔记、未发表大纲或个性化画像上传到公开仓库。
• 不得在用户未授权时覆盖旧画像和旧提示词。

调用示例

建立个人画像

读取 E:\Research\innovation-corpus 中的文献和对应的 Obsidian Markdown 笔记。笔记中已经包含我对各篇文章创新点的总结。请比较 AI 独立识别结果和我的选择，学习我的创新判断方式，生成个人画像和个性化提示词。暂时不要分析新的论文。

分析论文大纲

使用当前的个人创新提示词，分析 E:\Research\current-paper\outline.md，提出候选创新点，并说明每项候选对应我的哪条判断规则。暂时不要联网检索。

完整流程

更新我的个人创新判断画像，然后分析当前论文大纲，并联网检索与主题最接近的研究，核验候选创新点，最后形成可直接放入论文引言或结论中的创新点表述。