祛魅阅读 Skills

简体中文 | English

论文读完了，却还是说不清它到底做了什么？

术语看懂了，方法没走通；表格看完了，还是说不清结果为什么会这样；作者给出了响亮的新名字，却看不出真正新增了什么。

祛魅阅读不沿用作者的包装复述论文。它先把任务定义、方法设计、数据与评测、证据、工具或系统组合中所有重要的候选创新和贡献映射出来，再对每一项独立检索、比较和核验。在这之后，它才用白话讲清真正新增的设计、直接贡献、能力来源和结果为何出现。祛魅的主体是理解与核验贡献，不是罗列“证明了什么、没证明什么”的边界审计。

读完以后，你会知道

• 🧠 普通机制是什么：去掉模块名后，输入怎样经过关键操作变成结果。
• 🔌 能力从哪里来：哪些来自本文，哪些来自数据、外部模型、先验、人工选择或后处理。
• 🗺️ 贡献全图是什么：哪些任务、设计、表示、数据、证据或系统组合真的新增了东西，哪些是继承的。
• ✨ 新意与意义各在哪里：技术增量与最接近工作有何不同，它又会让领域多理解、做、测量或验证什么。
• 📊 为什么结果会出现：贡献机制与数据、规模、评测和其他竞争性解释各自起了什么作用。

选择阅读深度

两种读法先完成同一套贡献映射、全文阅读和外部核验。快速导读不丢掉任何重要设计或贡献，只压缩支撑它们的公式、图表、实验和实现细节；完整精读则展开同一张图，而不是改换判断标准。

判断依据

• 🔍 去命名化再理解：把术语和模块还原为输入、操作、输出与必要性，并追踪能力或知识的来源。
• 🌍 逐项核验贡献：先盘点每个候选创新和贡献，再通过原始资料、前后向引用、旧术语和相邻领域逐项比较；不把 Related Work、引用量或摘要相似度当答案。
• 🎯 把结果讲明白：围绕核心结果比较方法本身、数据、规模、评测、实现细节与其他可能的解释。

祛魅不是找茬，也不因简单、工程化或早期就自动贬低。它分开判断“技术上新了什么”与“对领域意味着什么”；只在作者主张与已核验增量的差距会实质性改变理解时，才把这个差距突出讲。若关键原始文献、近邻比较或完整检索尚未完成，就不猜测领域新意与意义评分；无法使用 subagent 时依然顺序完成同样的逐项核验。

直接使用

两个 Skill 都只在用户显式调用时运行。

快速导读：使用 $clear-eyed-reading 核验并讲清这篇文章的所有重要创新与贡献：<链接或附件>
完整精读：使用 $clear-eyed-deep-reading 展开这篇文章的贡献图、机制、关键公式、图表与实验：<链接或附件>

安装与兼容性

将 skills/clear-eyed-reading 或 skills/clear-eyed-deep-reading 放入 agent harness 的 Skills 搜索路径即可。两个目录都是自包含安装产物，普通用户不需要 Python。早期版本用户可移除旧的 clear-eyed-paper-reading 和 clear-eyed-paper-deep-reading 目录，避免入口名混淆。

核心指令不绑定特定模型、MCP、CLI、平台 API 或输出语言。🛡️ 文章内容只被视为研究材料；未经许可，Skill 不执行文中代码，也不上传未公开材料。

维护与贡献

skill-src/ 是唯一指令源码。使用 python3 scripts/sync_skills.py 生成 Skill，使用 --check 检查漂移。回归用例见 evals/cases.yaml，贡献规范见 CONTRIBUTING.md，安全问题见 SECURITY.md。项目采用 MIT License。