🌰 全维度文献章节模块组合利用方案¶
关于我们为何强调对文献章节的模块化提取和归类, 不是像传统RAG(Retrieval-Augmented Generation)那样直接把全文输入LLM进行处理, 而是先进行章节化的结构化处理, 主要是基于以下考虑:
学术论文本质上是一个"提出问题→解决问题→验证问题→讨论价值"的闭环，每个章节都有不可替代的专属信息密度.
1. 文献快速初筛阶段（过滤80%无关文献）¶
✅ 提取组合：abstract + keywords
- 为什么这么组合：这是信息密度最高的两个章节，10秒就能判断一篇文献是否值得深入阅读
- 批量处理技巧：
- 用keywords做初步主题聚类，快速排除跨领域文献
- 用LLM批量给abstract打分（1-5分），过滤掉评分<3的文献
- 提取abstract中的"研究对象+核心方法+主要结论"三元组，生成文献速览表
2. 研究背景与现状梳理阶段（写综述第一章）¶
✅ 提取组合：abstract + introduction + keywords + references
- 原始逻辑：introduction是唯一系统梳理领域历史和现状的章节，abstract是其浓缩版
- 深度扩展用法：
- 历史背景：提取introduction中"早期研究→里程碑工作→近期进展"的时间线句子
- 研究现状：提取introduction中"已有研究主要分为三类/目前存在两大主流方向"的分类总结
- 研究缺口：重点提取introduction最后一段（通常是"however/nevertheless/despite these advances"开头），这是作者明确指出的领域空白
- 隐藏价值：利用references做文献溯源，找到introduction中引用最多的奠基性论文，快速构建领域知识图谱
3. 创新点挖掘与核心贡献分析阶段（写论文创新点部分）¶
✅ 提取组合：abstract + discussion + conclusion
- 原始逻辑：这三个章节是作者"自我宣传"创新点的唯一地方
- 深度扩展用法：
- 一级创新点：从abstract中提取"we propose/novel/first time"开头的句子，这是作者最核心的贡献
- 二级创新点：从discussion中提取"compared with previous work/our method outperforms"开头的句子，这是作者与前人的具体对比
- 三级创新点：从conclusion中提取"this work provides a new perspective/opens up a new avenue"开头的句子，这是作者对工作价值的拔高
- 批量处理技巧：用正则表达式批量匹配上述关键词，提取所有创新相关句子，再用LLM聚合去重，生成领域创新点全景图
4. 方法创新出发点阶段（一般是我们最关心的核心模块）¶
✅ 提取组合：introduction（研究缺口） + methods（现有方法） + discussion（方法局限）
- 这是整个方案最有价值的组合：绝大多数博士生的创新都来自于"改进现有方法的缺陷"，而这三个章节刚好构成了一个完整的"问题-方法-缺陷"闭环
- 三维创新挖掘模型：
- 从introduction找"问题"：作者在introduction中指出的"现有方法无法解决XX问题"
- 从methods找"方法"：作者为了解决这个问题，具体用了什么技术、什么模型、什么参数
- 从discussion找"缺陷"：作者在discussion中自我批判的"our method has the following limitations"
- 创新点生成公式：
针对[introduction中提到的问题]，现有[methods中提到的方法]存在[discussion中提到的缺陷]，我们提出[你的改进方法]，解决了上述缺陷。
- 例子：
- introduction："现有蛋白质结构预测方法在处理长序列时精度显著下降"
- methods："我们使用了Transformer模型，窗口大小为512"
- discussion："我们的方法在序列长度超过1024时性能会下降"
- 你的创新点："提出一种基于滑动窗口注意力的长序列蛋白质结构预测方法，将有效窗口大小扩展到2048，解决了长序列处理精度不足的问题"
5. 研究不足与未来方向阶段（写论文展望部分）¶
✅ 提取组合：discussion + conclusion + references
- 深度扩展用法：
- 自我批判：提取discussion中"limitation/shortcoming/we acknowledge that"开头的句子，这是最真实的研究不足
- 未来方向：提取conclusion中"future work/we plan to/it would be interesting to"开头的句子，这是作者自己想做但没做的工作
- 隐藏价值：查看references中最新发表的论文（近1-2年），看看有没有人已经在做这些未来方向，避免撞车
6. 方法调研与复现阶段（做实验前的准备）¶
✅ 提取组合：methods + results + supplementary + availability
- 深度扩展用法：
- 方法细节：methods是唯一详细描述实验步骤的章节，提取"we used/we implemented/we trained"开头的句子
- 实验配置：从supplementary中提取超参数、数据集划分、评估指标等细节（这些通常不会出现在正文中）
- 可复现性：从availability中提取代码、数据集、预训练模型的链接，优先选择有公开代码的工作进行复现
- 结果对比：从results中提取所有表格和图的数值，建立自己的实验基准线
总结来说就是：
- 文献初筛：abstract + keywords
- 研究背景：abstract + introduction
- 创新点挖掘/我们的研究方向：discussion + conclusion
- 方法细节/我们的研究方案：methods + supplementary + availability
按照这4个层级去配套设置YAML提取文件，每个配置文件对应1个组合，这就是我们为什么强调章节模块化提取的原因了, YAML配置文件请参考提取文件示例，我们也提供了配套的skill作为参考: pyResearch-ReadingSkill