/review-paper

自动化学术论文审稿

执行专业的学术论文审稿，按 4 个阶段完成多维度评审并输出结构化评审报告。支持按目标会议（CVPR/NeurIPS/ICML/ICLR/ECCV/ICCV/ACL/AAAI/KDD/MICCAI 等）动态调整评审策略。

参数解析

解析用户提供的参数：

• <pdf_path>：论文 PDF 路径（必须）
• --venue <conference>：目标会议/期刊（可选，如 CVPR, NeurIPS, ACL 等）
• --with-code <code_dir>：源代码目录路径（可选，启用代码审查）
• --with-supplement <sup_pdf>：补充材料 PDF 路径（可选）

如未指定 --venue，询问用户目标投稿会议。确认 PDF 文件存在后开始审稿流程。

会议适配策略

根据 --venue 参数加载对应的评审策略（参见 references/venue-profiles.md）：

• 调整评审维度权重（如 ICML 提高理论权重，CVPR 提高视觉效果权重）
• 加载会议特定的 Checklist 检查项
• 使用会议对应的评分标准和接收率参考
• 设定会议特定的基线和数据集期望

Phase 1：论文解析

方案 A（首选）：使用 Paper Parser MCP

1. 调用 paper_parser.parse_paper 解析 PDF 为 Markdown
2. 调用 paper_parser.extract_references 提取参考文献列表
3. 调用 paper_parser.extract_figures_and_tables 提取图表和公式为 PNG 图像
4. 如有补充材料 PDF，同样解析
5. 使用 Read 工具读取提取的图表图像，进行视觉分析

方案 B（Fallback）：MCP 不可用时直接读取 PDF

如果 Paper Parser MCP Server 未启动或报错：

1. 使用 Read 工具直接读取 PDF 文件（Claude 支持多模态 PDF 阅读）
2. 逐页读取，每次最多 20 页：Read(pdf_path, pages="1-10") 然后 Read(pdf_path, pages="11-20")
3. 视觉分析图表和公式（直接从 PDF 页面图像分析）
4. 手动从文本中提取参考文献列表
5. 此模式下图表提取为 PNG 的功能不可用，但视觉分析仍然有效

自动检测逻辑：先尝试调用 paper_parser.ping()，如成功则用方案 A，如超时或报错则自动切换方案 B 并通知用户。

保存所有提取内容供后续阶段使用。

Phase 1.5：速读评估（Quick Assessment）

在深度评审之前，进行全局质量速读判断（模拟资深审稿人的第一遍阅读）。

自动化检查：运行速读评估脚本获取量化指标：

python3 ${CLAUDE_PLUGIN_ROOT}/scripts/quick-assess.py <parsed_text_file>

脚本自动检测以下指标：

1. 论文类型识别：理论型 / 实验型 / 应用型 / 系统型（基于关键词频率）
2. 引用时效性统计：
   • 近 2 年论文占比（≥25% 为良好，15-25% 偏旧，<15% 严重过时）
   • 中位引用年份
   • 年份分布直方图
3. 结构完整性检查：自动检测是否包含 Abstract, Introduction, Related Work, Method, Experiments, Conclusion, Limitations, Broader Impact, References
4. 匿名化合规检查：检测 GitHub 链接、"our previous work" 表述、代码公开声明
5. 统计严谨性检测：自动扫描 ± 符号、error bars、多次运行、统计检验、置信区间、随机种子
6. 效率指标检测：自动扫描 Params、FLOPs、FPS、内存、训练时间
7. 会议 Checklist 合规检查（如指定了 venue）：
   • NeurIPS: Reproducibility Checklist, Broader Impact Statement
   • ACL: Responsible NLP Checklist (Section A-E), Limitations section
   • MICCAI: Ethics/IRB 声明, 临床价值说明
   • ICLR: 公开审稿格式合规

输出：初步印象 + 各项量化指标 + 审查重点建议，指导 Phase 2 的 Agent 设定侧重点。

审稿人视角加载

根据 --venue 参数加载对应会议的资深审稿人视角文档（如存在）：

• CVPR/ICCV → 读取 docs/reviewer-perspectives/01-cvpr-reviewer.md 或 03-iccv-reviewer.md
• NeurIPS → 读取 docs/reviewer-perspectives/02-neurips-reviewer.md
• ICML → 读取 docs/reviewer-perspectives/05-icml-reviewer.md
• ACL → 读取 docs/reviewer-perspectives/07-acl-reviewer.md
• 其他会议类推

将审稿人视角中的「最看重的维度」「该会议的审稿文化」「独特审稿技巧」融入后续 Phase 2 的评审过程。例如：

• CVPR 审稿人强调「视觉结果质量」→ Agent 需重点分析可视化结果
• ICML 审稿人强调「证明严谨性」→ Agent B 需逐行检查证明
• ACL 审稿人强调「LLM 基线」→ Agent C 需检查是否包含 LLM 对比

Phase 2：并行多维度评审

启动并行 Agent 进行以下评审维度，每个 Agent 接收解析后的论文文本和相关数据。

Agent A：摘要与动机 + 新颖性（维度 1-2）

评估：

• 研究空白是否有证据支撑？
• 核心概念是否形式化定义？
• 真正的新颖性 vs 已知技术组合？
• 声称的贡献与实际技术内容是否匹配？

Agent B：技术正确性（维度 3）

使用提取的公式评估：

• 逐个检查公式的数学正确性（值域、符号一致性）
• 符号定义是否完整且一致
• 假设是否明确声明并有合理性
• 公式之间是否有逻辑矛盾
• 视觉检查提取的公式图像

Agent C：实验 + 统计严谨性 + 竞品论文对比（维度 4）

使用提取的表格和 SOTA 数据评估：

• 调用 academic_search.find_competing_methods 获取 SOTA 排行榜和竞争方法
• 调用 academic_search.get_sota_results 获取每个主要基准的排行数据
• 基线是否最新？与 SOTA 排行榜对比
• 竞品论文深度对比（最近 12 个月内的最相关论文）：
  1. 从论文中提取核心 task（如 "change detection"）和 dataset（如 "LEVIR-CD"）
  2. 调用 academic_search.search_related_work 搜索最近 12 个月内的相关论文
  3. 调用 academic_search.find_competing_methods 匹配相同 task+dataset 的竞争方法
  4. 使用 WebSearch 补充搜索："{task}" "{dataset}" {current_year} 获取最新结果
  5. 生成竞品对比表：方法名、发表时间、核心技术路线、性能指标、与本文的差异
  6. 评估：论文对比的基线是否覆盖了这些最新竞品？遗漏了哪些？
• 实验公平性深度分析：
  • 比较条件是否一致（相同骨干网络、训练数据、数据增强、epoch）
  • 表格脚注中是否隐藏了有利条件
  • 是否使用了官方基线实现和推荐超参
  • 是否 cherry-pick 了有利的对比设置
• 消融实验是否完整？（所有模块组合？消融数值加和是否合理？）
• 统计严谨性检查：
  • 结果是单次运行还是多次平均？
  • 是否有 error bars / 标准差 / 置信区间？
  • 性能提升是否具有统计显著性？
  • 对于 NLP 论文：是否有 bootstrap test / Bonferroni 校正？
• 是否报告了效率指标（参数量、FLOPs、FPS）？
• 视觉检查提取的结果表格图像

Agent D：写作质量 + 可复现性（维度 5-6）

评估：

• 语法和拼写错误（列出所有发现的）
• 全文符号一致性
• 是否有清晰的相关工作章节
• 实现细节是否足以复现
• 结论是否充分（局限性、未来工作）

Agent E：相关工作 + 参考文献审计 + 遗漏检测（维度 7）

使用 Academic Search MCP 工具 + Web 搜索：

1. 调用 academic_search.verify_references_batch 验证所有参考文献
2. 调用 academic_search.find_missing_citations 检测遗漏引用
3. 主动搜索最近 12 个月的高引论文：
   • 从论文中提取 3-5 个核心关键词
   • 使用 academic_search.search_related_work 搜索（year_range 设为最近 12 个月）
   • 使用 WebSearch 补充搜索 arXiv 和 Google Scholar 上的最新预印本
   • 按引用数排序，识别论文是否遗漏了高影响力的最新工作
4. 检查领域内近年关键工作是否被引用
5. 验证引用是否存在错配（错误的论文被分配到错误的名称）
6. 输出竞品论文清单：列出最相关的 5-10 篇最新论文，标注论文是否已引用

Phase 3：代码审查（可选）

如提供了 --with-code：

1. 系统性阅读源代码文件
2. 与论文公式交叉验证（检查每个方程是否与实现匹配）
3. 查找未披露的训练策略（数据增强、深度监督等）
4. 检查论文-代码不一致：
   • 激活函数
   • 损失函数权重
   • 架构细节（层数、卷积核大小）
   • 优化器和超参数

Phase 4：报告生成

合并所有阶段输出为标准评审格式。

报告模板参见 Skill 中的 references/review-template.md。 评分标准参见 references/scoring-guide.md。 会议特定标准参见 references/venue-profiles.md。

报告中应包含：

• 速读印象（来自 Phase 1.5）
• 多维度详细评审（来自 Phase 2）
• 代码审查（来自 Phase 3，如适用）
• 审稿人置信度（1-5）
• 会议特定的评分映射（如指定了 venue）
• Meta-Review 级别的总结

将报告保存到 PDF 同目录下，文件名 Review_Report_[论文名].md。