hypo-screen

/hypo-screen — 文献筛选分类

对已有调研结果按自定义规则进行筛选、分类、分析。将候选论文池收敛为结构化的分类报告。

如果项目根目录存在 .hypo-research.toml，可复用其中的项目级默认路径和调研配置。

参数

$ARGUMENTS

• path: 调研结果目录路径（必填，如 data/surveys/2026-04-22_fhe_hw/）
• rules: 分类规则（必填，自然语言描述各类别的定义）
• recall_checklist: 已知重要论文列表（可选，用于检查是否漏掉关键论文）
• output_name: 分类报告输出名（可选，默认 classified）

规则格式

分类规则用自然语言定义，每行一个类别，格式为 类别名: 定义。

示例：

A: FHE + 大模型推理 + 硬件加速器（ASIC/FPGA/GPU）
B: FHE + 硬件加速器（CNN 或更小规模模型）
C: FHE + 大模型推理（纯软件优化）
D: CIM/PIM + FHE
排除: MPC/GC/OT 为主导方案（非纯 FHE）

工作流

1. 读取 path 下的 results.json（或 results.md）中的论文列表
2. 对每篇论文，根据 title + abstract + venue 判断所属类别：
   • 逐篇标注类别标签
   • 如果无法判断，标为 未分类
   • 对可疑 / 边界论文给出简要理由
3. 如果提供了 recall_checklist：
   • 检查每篇 checklist 论文是否在结果中
   • 对未命中的论文，用标题精确搜索补全
   • 报告 recall 统计（如 24/24 命中）
4. 生成分类报告：
   • classified_papers.json: 每篇论文含 {title, authors, year, venue, doi, category, reason}
   • analysis_report.md: 含分类计数、关键发现、类别概览、建议
   • 更新 references.bib: 标注类别
5. 向用户输出：
   • 分类计数表（如 A=2, B=26, C=17, D=9, 排除=7）
   • 每类的代表性论文（Top 3 by citations）
   • Recall checklist 命中率
   • 数据质量评估（单源论文占比、可疑标记数）
   • 建议后续操作（是否需要补充搜索特定方向）