企业官网建设流程全解析

• AI 技能
• AI 写作
• 人工智能
• 深度研究
• AI 应用

导读

本文系统讲解 PaperSpine 论文生产工作流中的核心研究方法论——Deep Reading & Cross-Paper Synthesis（深度阅读与跨论文综合）。该方法通过「Pass 1 骨架与语境地图 → Pass 2 八张结构化提取模板（Template A–H）→ Pass 3 FAT 批判性分析」的三遍精读流程，将 3–6 篇标杆论文拆解为可复用的术语、句式、论证动作、摘要粒度与图表设计模式，并在进入第一轮文献驱动修订（Round 1）之前完成跨论文惯例综合。读完本文，你将掌握一套可直接套用的论文拆解表格模板、修辞动作分析框架（CARS / Kanoksilapatham / Ruiying & Allison / Yang & Allison）以及把文献学习成果迁移到自己稿件中的完整操作链路。本文方法主体来源于仓库文档 deep-reading.md，并补充了其在 PaperSpine 宿主工作流中的配置、路由与上下游衔接证据。

一、方法定位：深度阅读在 PaperSpine 工作流中的角色

在 PaperSpine 中，深度阅读不是一次性的文献调研，而是研究（research）、起草（draft）、审阅（review）三个公共阶段共同依赖的科研方法。方法路由清单 current-method-routing.json 对references/deep-reading.md的登记如下：它提供「骨架/5Cs、A–H 术语/修辞/摘要粒度/图文/章节动作、FAT 事实-评价-迁移、跨文献主线」等完整方法，其current_application明确要求「按两组配置全文读实际科学内容；把相关观察落到当前 notes 和段落/图计划，按官方规则/当前证据选择动作」，并特别纠正了两个常见误用：

• 原文档中的「固定三篇、5 段、15–30 术语」与 Round 1 是教学/历史载体，不是当前宿主的硬性门槛；
• 「样本共同习惯 ≠ 规范」：从样本归纳出的惯例只是设计参考，现行官方要求、用户范围与本研究的证据才是最终裁决依据。

1.1 两组文献配置：3+3 与 6+6

深度阅读的选文规模由 journal-learning.md 中的保存偏好决定。其默认值如下表：

Web 配置支持3+3、6+6 与自定义数量；保存的自定义选择优先。值得注意的是，「默认两个集合需使用六篇不同的论文；角色重叠可以注明，但三篇论文重复计两次不等于学习了六篇论文」。而入口文档 SKILL.md 在预填设置中同样注明「Default to 3+3 papers or 6+6 for deeper literature learning; explicit counts prevail」（默认 3+3 篇，或更深入的 6+6 篇；显式数量优先）。

在本文的语境里，「3 篇论文」通常构成 SOTA / Prior-SOTA / Adjacent-SOTA（当前最优 / 先前最优 / 相邻最优）三篇对比组，这也正是 deep-reading.md 中Cross-Paper Convention Synthesis部分逐行对比 Paper 1/2/3 的原因。

1.2 学习目标：学到「写作决策」而非「句子」

与 deep-imitation-protocol.md 一脉相承，深度阅读的产出是可复用的写作决策，而非复制短语或「听起来学术」。该协议总结了六层学习对象，可以作为深度阅读各模板输出的总纲：

二、Pass 1：论文骨架 + 语境地图（Paper Skeleton + Context Map）

目标：在不处理细节的前提下理解论文架构。每篇论文独立执行。Deep Reading Paper N记录中的[SOTA / Prior-SOTA / Adjacent-SOTA]标注该论文在对比组中的角色。

## Deep Reading Paper N: [Title] — [SOTA / Prior-SOTA / Adjacent-SOTA] ### Pass 1: Skeleton Map **5Cs Revisited**（从 survey pass 精炼而来）： | C | Detail | |---|--------| | Category（类别） | | | Context（语境） | | | Correctness（正确性） | | | Contributions（贡献） | | | Clarity（清晰度） | | **Full Section Tree**（每个节/小节及其大致词数）： - Abstract (N words) - 1. Introduction (N words) - 2. Related Work / Background (N words) - 3. Methods (N words) - 3.1 [Name] (N words) - 4. Results (N words) - 5. Discussion / Conclusion (N words) **Figure/Table Inventory**： | Fig/Table | Type | What it shows | Referenced from section | |-----------|------|---------------|------------------------| **Reading Plan**（供 Pass 2 使用的 5 个最关键段落）： 1. [Location] — [Why critical] 2. ...

实操要点：5Cs 框架在 Pass 1 只是「再次确认」——更精细的 5C 审查发生在文献综述（survey）阶段，这里用该表快速锚定论文的类别归属、所属研究语境、结论正确性初步印象、贡献清单与可读性。完整章节树与词数统计为后续 journal-style-analysis.md 的Template JS-1（Section Length Distribution）提供原始数据：该模板要求记录每节词数、占总字数百分比、段落数与平均段长，并用它们诊断碎片化，而不是机械地为当前稿件设定字数预算。

Reading Plan只挑 5 个最关键的段落进入 Pass 2 深度拆解，这体现了深度阅读的「有损压缩」策略：把有限的分析预算投入到对当前稿件最有借鉴价值的段落上。

三、Pass 2：结构化深度提取（Structured Deep Extraction）

目标：使用模板作为观察提示（observation prompts），提取当前稿件需要的科学细节与修辞细节。保留来源位置与具体综合结论；不要为了凑齐表单而填写无关字段。

3.1 Template A：术语表（Terminology Glossary）

每篇论文提取 15–30 个领域特定术语（该数量是教学基准，实际以有用为准）：

「Our paper should use?」三态判断（使用 / 不使用 / 替换）直接服务于 journal-style-analysis.md 的Template JS-6（Journal-Specific Terminology Preferences）：对比 Paper J1/J2/J3 对同一概念（如 "show" vs "demonstrate" vs "reveal"）的选词共识，形成本稿术语约束。

3.2 Template B：过渡短语库（Transition Phrase Bank）

按功能收集逐字过渡短语：

注意：逐字短语只进入分析笔记（analysis notes），不得原样进入用户稿件。这正是 deep-imitation-protocol.md 反抄袭规则的要求：「Verbatim sentences may appear in analysis tables, but not in the user's manuscript」，常见学术过渡语可以复用，但仍需适配用户内容。

3.3 Template C：句式模板库（Sentence Pattern Bank）

挑选 5 个关键段落，逐句解构：

Paragraph location: [e.g., Introduction P4 — Contribution statement]

综合出 3–5 个可复用句式模板（只保留槽位 slot，不保留内容）：

1. [Broad context], yet [specific gap] remains [unaddressed].
2. To [address this gap], we [developed] [method name], a [descriptor] framework for [task].
3. [Method] [outperforms] [comparison] on [benchmark], with [specific gain].

这套「带槽位、不带内容」的骨架化方式，与 style-learning-workflow.md 的 Phrase and Skeleton Bank（如Although [prior capability], [specific gap] remains [unresolved].）完全同构：来源措辞仅用于分析，重写前必须抽象成骨架。

3.4 Template D：论证模式解构（Argument Pattern Deconstruction）

Move 1 — Gap Establishment（来自 Introduction）：

Step 1: [broad importance sentence] Step 2: [narrow to specific problem] Step 3: [what prior work CAN do] Step 4: [what prior work CANNOT do — the gap] Step 5: [bridge gap to paper's solution]

Language signals: [hedging phrases, intensifiers, contrast markers]

Move 2 — Claim → Evidence → Significance（针对最重要的结果）：

Claim statement: [finding sentence] Evidence presentation: [how data/numbers introduced] Significance explanation: [WHY this finding matters]

Move 3 — Limitation Handling（来自 Discussion）：

Limitation 1: [acknowledged] → [hedged/mitigated] Limitation 2: ... Future direction: [limitations → future work]

这里的三段式动作解构直接喂给 motivation-thread-writing.md 的问题-解决弧（Field problem → specific gap → design response → evidence → interpretation → limitation/future），以及 round1-literature-revision.md 的「红线」提取——Step 3/4 的「前人能做 / 不能做」对照正是 Introduction 逐步收窄动机的标准动作序列。

3.5 Template E：摘要修辞动作图（Abstract Rhetorical Move Map）

逐句解构摘要。记录信息粒度（information granularity），防止把 Results 级细节写进 Abstract：

填完后显式回答两个问题：

• 这篇摘要包含具体数值吗？[Yes/No — 若 Yes，逐一列出]
• 这篇摘要的信息天花板（information ceiling）是什么？[例如 "States outperforms but no numbers"——只陈述优于基线但无数字]

「信息天花板」概念在跨论文综合中会被进一步复用：它用来界定 Abstract 允许携带的最高信息密度，防止把 Results 的定量细节上移（category error，类别错误）。这与 round1-literature-revision.md 中「Abstract 蒸馏完整动机弧（问题→方法→方案）」的定位互相印证。

3.6 Template F：图表设计模式（Figure/Table Design Patterns）

这些观察与 journal-style-analysis.md 的Template JS-7（Figure/Table Journal Conventions）直接对应（图注风格、正文引用方式、表格题注位置、彩色图政策、图件排版位置），最终汇入 scientific-figure-workflow.md 的整稿图件规划。

3.7 Template G：章节级信息约定（Section-Level Information Conventions）

对避免类别错误至关重要——防止把 Results 级细节放进 Abstract，或把 Abstract 级含糊放进 Results：

填完后回答：

• 具体的数值指标出现在哪些位置、承担什么功能？依次检查 Abstract、Methods、Results、Discussion；只保留准确报告当前研究所必需的数值。
• 跨全部 3 篇论文，Abstract 的信息天花板是什么？
• Results 中有什么信息类型在 Abstract 中是缺席的？

3.8 Template H：逐节修辞动作分析（Rhetorical Move Analysis per Section）

把每个段落映射到其修辞动作——这是深度阅读的核心。原文按四个章节分别给出四套经过文献验证的动作分类学：

Introduction Moves（CARS 模型，Swales 2004）：

Methods Moves（Kanoksilapatham 2005; Lim 2006）：

Results Moves（Ruiying & Allison 2003）：

Discussion/Conclusion Moves（Yang & Allison 2003）：

每节填完后回答四个问题：

1. 哪些动作在所有考察论文中反复出现，哪些是当前 venue 或科学论证真正要求的？
2. 哪些动作是可选的（仅出现在 1–2 篇）？
3. 动作的出现顺序（move sequence）是什么？
4. 我们的草稿在哪里偏离了共识？

这套动作分类学是整个方法链条的「公共语言」：deep-imitation-protocol.md 的三表法（Exemplar Move Table / User Draft Move Table / Target Section Blueprint）用它标注每个段落的动作归属；round1-literature-revision.md 的 Phase 1（Move-Guided Section Rewrite）直接用 Template H 的 taxonomy 检查「本稿缺哪些 obligatory moves、哪些段落混叠了多个 move」；journal-style-analysis.md 的Template JS-2（Opening/Closing Convention Analysis）则从动作序列中进一步提炼每节首句/尾句的模式。

四、Pass 3：批判性综合——FAT 分析（Critical Synthesis）

每篇论文独立完成。FAT =Facts（事实）→ Appreciation（评价）→ Tie（关联），严格区分「客观复述」与「主观判断」：

### Pass 3: FAT Analysis #### F — Facts (objective restatement, no judgment) - **Research question**: [1 sentence] - **Key findings** (the data, not interpretation): [bullets] - **Method** in one paragraph: [concise but complete] - **Claims made** by authors: [bullets — what they assert, not whether true] #### A — Appreciation (critical evaluation) - **Strengths** (2-3): [specific + why it matters] - **Weaknesses/Limitations** (2-3): [specific + why it matters] - **Novelty assessment**: [incremental or significant? reasoning] - **Evidence quality**: [claims adequately supported? missing controls?] - **Overall assessment**: Strong / Adequate / Weak #### T — Tie (relevance to our paper) - **What we should adopt**: [techniques, terminology, argument structures, figure styles] - **What we should avoid**: [weaknesses, overclaims, unclear presentations] - **How it positions our work**: [competitor, complement, predecessor, superset] - **Action items for Round 1**: [concrete changes based on this paper]

实操要点：

• F 部分严禁夹带评价——「作者主张了什么」与「这些主张是否为真」是两件事；
• A 部分的「新颖性评估」要求给出推理依据（incremental or significant + reasoning），与 agents/research-sota.md 中 SOTA Mapper 的职责一致：「不要给每个增量都贴 novel 标签」；
• T 部分的「定位（positioning）」四选一（competitor / complement / predecessor / superset）直接服务于贡献定位，而Action items for Round 1是连接 round1-literature-revision.md 的显式握手点。

值得注意，FAT 框架在仓库中还有第二种变体：journal-style-analysis.md 的Journal-Style FAT Analysis，它把 F/A/T 从「单篇论文」平移为「期刊层面惯例」——F 是跨 3 篇论文的章节长度比、主张强度分布、引用密度与开合句惯例均值；A 是「什么让论文『感觉属于』这本期刊」；T 是「我们必须在结构/篇幅/主张强度/术语/图表格式/引用风格上改什么」。两套 FAT 互补：论文级 FAT 解决「这篇论文对我们意味着什么」，期刊级 FAT 解决「这本期刊的惯例要求我们怎么做」。

五、跨论文惯例综合（Cross-Paper Convention Synthesis）

Round 1 之前的强制性步骤。在全部 3 篇深度阅读论文上，按 8 个维度横向比较。

5.1 维度 1–4：章节惯例（Abstract / Introduction / Results / Discussion）

对每个章节填写：

5.2 维度 5：不可协商规则（NON-NEGOTIABLE RULES）

列出被考察论文共享的惯例并附精确观察记录。把它们当作样本支持的 design choices，而非普适约束——现行官方要求、用户范围和本研究证据在任何必要偏离时优先。

5.3 维度 6：章节信息天花板（Section Information Ceilings）

用信息密度最高的范例论文来比较各节如何选择证据，而不是用其压制当前稿件必要的细节：

• Abstract 天花板：任何一篇摘要中最具体的论断
• Introduction 天花板：任何一篇引言中最具体的论断
• Results 底线：任何一篇 Results 中最低的特异性

5.4 维度 7：动作结构共识（Move Structure Consensus，来自 Template H）

5.5 维度 8：跨论文动机主线分析（Cross-Paper Motivation Thread Analysis）

对每篇论文追踪：

共识动机模式：3 篇论文都把问题陈述（problem statement）放在哪里？研究问题（research question）表述得多显式？它们在 Discussion 中是否「闭合回路」（close the circle）？

这一维度的产出直接成为 round1-literature-revision.md 的输入：其 Pre-Phase 0 要求先提取动机主线（punchlines / "writing backwards"），Phase 4 的四个审计（Problem–Solution arc、Introduction↔Discussion pairing、Parallel structure、Motivation lineage）全部围绕「动机线程是否完整」展开；而 motivation-thread-writing.md 进一步把它固化为 One-Sentence Red Thread 与 Problem-Solution Arc 表格。

六、从深度阅读到稿件修订：与 Round 1 的衔接

深度阅读的终点是 Round 1 修订的起点。round1-literature-revision.md 明确定义了四个阶段，每个阶段都消费深度阅读的产物：

6.1 与风格学习工作流的配合

如果用户的目标是「让稿件像某本期刊/某个会议的文章」，深度阅读应当与 style-learning-workflow.md 配合使用：先按深度阅读的 Pass 2/Pass 3 完成语义与论证层面的拆解，再按风格学习工作流从「硬性期刊规则 → 语料共识 → 最近似论文模式 → 通用学术写作规范」的优先级推断风格。语料准备命令：

python scripts/style_metrics.py <corpus-folder> --markdown > paper_rewriting_output/style_metrics.md

脚本源码位于 src/scripts/style_metrics.py。注意 style-learning-workflow.md 的提醒：指标（metric counts）应与原文段落一起阅读，单纯的数量统计无法建立论证与证据功能，定性结论必须基于段落的实际职能。类似的辅助诊断脚本还有 src/scripts/section_economy_check.py——journal-style-analysis.md 注明它默认只是 advisory（建议性），仅在显式--enforce时才会失败，章节过短只有在「独立职能无法证明」时才应合并。

七、方法约束与正确使用边界

基于方法路由清单 current-method-routing.json 与入口文档 SKILL.md，使用深度阅读时必须遵守以下边界：

1. 范文教修辞动作，不提供本研究的贡献。用户的材料/结果对本研究的主张具有权威性；绝不能从范文搬运数据、指标、p-value 或结论。
2. 「样本共同习惯」不等于「期刊规范」。从 3 篇论文归纳出的惯例只支持 design choices；现行官方投稿要求、用户范围与本研究证据优先。
3. 信息天花板需要纠偏。用最信息密集的范文比较各节如何选择证据，而不是用天花板压制当前稿件必要的定量细节（round1-literature-revision.md 同样强调：模型段落没有数字，不构成删除必要定量发现的理由）。
4. 深度阅读不等于格式合规。格式学习需要真正打开目标期刊的 PDF 逐页目视检查（journal-learning.md 要求把每篇目标刊范文下载为本地 PDF 并确认页面设计），摘要不能替代全文/看图的学习证据。
5. 产出落点为当前任务 notes 与段落/图计划，不要求新增固定的八张表文件；文件名是可选承载方式，真正的工作是「观察被应用、缺陷被修复、数字被溯源」。

结语

PaperSpine 的深度阅读方法论把「读论文」从直觉行为升级为可审计的工程流程：Pass 1 用 5Cs + 章节树 + 图表清单快速建立骨架认知；Pass 2 用 A–H 八张模板把术语、过渡语、句式、论证动作、摘要粒度、图表惯例、章节信息约定与修辞动作逐一结构化；Pass 3 用 FAT 严格分离事实、评价与对本稿的迁移；最后在跨论文惯例综合中用 8 个维度产出字段共识，为 Round 1 文献驱动修订提供全部决策输入。配合 journal-learning.md 的两组文献配置（默认 3+3，可升级 6+6）、deep-imitation-protocol.md 的六层学习框架与 round1-literature-revision.md 的四阶段修订流程，它构成了 PaperSpine「研究 → 起草 → 审阅」三个阶段共享的、证据约束下学习标杆论文的完整闭环。

• AI 技能
• AI 写作
• 人工智能
• 深度研究
• AI 应用