如果你做过深度学习论文的代码复现，一定遇到过这种情况：README 写得很详细，数据集下载、环境配置、训练命令一应俱全，但到了关键环节——比如“使用 ImageNet 验证集”这句话——就戛然而止了。验证集怎么预处理？要不要中心裁剪？归一化参数用哪一组？这些问题 README 没说，代码里也没有注释，但你非得知道答案不可，否则跑出来的结果跟论文对不上。
paper-context-resolver 这个技能就是为这种场景设计的。它是 RigorPilot Skills 套件中的一个可选子技能，由 lllllllama 开发，截至目前已累计安装超过 14 万次。
这个技能能做什么
paper-context-resolver 的核心定位非常明确：在 README 优先的 AI 代码仓库复现流程中，填补那些“窄但致命”的信息空白。
它不是论文总结工具，不做文献综述，不帮你理解论文的创新点。它的任务只有一个：当你复现一个深度学习仓库时，README 和代码文件已经提供了 95% 的信息，但剩下的 5% 恰好是决定复现成败的关键细节——这个技能就从原始论文中把这些细节挖出来。
数据集划分方案：训练集、验证集、测试集具体怎么切分？有没有官方的划分文件？
预处理流程：图像尺寸调整到多少？用什么插值方法？归一化的均值方差是哪一组？
评估协议：评测时用单尺度还是多尺度？Top-1 还是 Top-5？需不需要 ensemble？
检查点映射：论文里提到的某个预训练权重对应仓库里的哪个文件？
运行时假设：论文在什么硬件、什么框架版本下跑的？batch size 和 learning rate 的具体数值是多少？
同时记录冲突：当 README 的说明与论文原文存在矛盾时，技能会明确标注出来。比如 README 说“使用 ImageNet 验证集”但没有提预处理，论文第 4.1 节详细写了中心裁剪和归一化参数——这种差异会被记录，而不是被悄悄覆盖。
输出干净精准：技能的输出不会附赠任何多余的解读。它只返回与当前复现问题直接相关的答案，并明确区分“论文原文直接给出的证据”和“基于证据的推导”。
什么时候该用它
这个技能的使用边界非常清晰。
README 和仓库文件已经提供了复现所需的大部分信息，但留下了一个对复现至关重要的具体空白
这个空白涉及数据集版本、划分方式、预处理、评估协议、检查点映射或运行时假设
主流程只需要狭窄的证据补充，不需要整篇论文的摘要
你手上已经有一个明确的复现问题需要回答
README 已经提供了足够详细的复现说明
你只是想了解论文的整体内容，而不是为了解决复现问题
你想直接覆盖 README 的指令，而不是记录冲突
你只有论文标题，还没有遇到任何具体的复现空白
安装方法
paper-context-resolver 是一个 AI 编程助手技能，支持 Claude Code、Cursor、OpenClaw 等多种工具。
通过 npx skills 安装（推荐） ：
在项目根目录打开终端，执行以下命令：
npx skills add https://github.com/lllllllama/ai-paper-reproduction-skill --skill paper-context-resolver
其他安装方式：
# 使用 skill4agent npx skill4agent add lllllllama/ai-paper-reproduction-skill paper-context-resolver
# 使用 bzskills npx bzskills add lllllllama/ai-paper-reproduction-skill --skill paper-context-resolver
# 专门为 Claude Code 安装 npx -y skills add lllllllama/rigorpilot-skills --skill paper-context-resolver --agent claude-code
使用案例
案例一：验证集预处理方案缺失
你在复现一篇图像分类论文，README 里写着“在 ImageNet 验证集上评估”，但没提任何预处理细节。代码里只有一个 eval.py，里面调用了 transform = get_transform()，但这个函数的具体实现被封装在另一个文件里，你翻遍了也没找到。
你告诉 AI 助手：“这个仓库的 README 说用 ImageNet 验证集评估，但没有说明预处理方式，帮我查一下原始论文怎么做的。”
paper-context-resolver 被调用后，会去查阅论文原文，找到第 4.1 节“Implementation Details”，返回：“论文使用中心裁剪至 224x224，然后使用 mean=[0.485, 0.456, 0.406] 和 std=[0.229, 0.225, 0.225] 进行归一化。”
案例二：README 与论文冲突
你正在复现一篇检测论文，README 说“在 COCO val2017 上评估”，但论文里写的是“在 COCO minival 上评估”——这两个数据集虽然都来自 COCO，但图片数量和标注版本不同，直接影响到最终指标的可比性。
技能会发现这个冲突并明确标注：“README 指定 COCO val2017，论文第 3.2 节指定 COCO minival。两者不一致，建议确认后再继续。”
案例三：检查点文件对应关系不明确
论文里提到“使用 ResNet-50 在 ImageNet-22k 上预训练的权重”，但仓库的 checkpoints/ 目录下有十几个 .pth 文件，命名毫无规律。你分不清哪个对应论文里说的那个预训练权重。
技能会对照论文原文和仓库文件，帮你定位到具体的检查点文件，并解释为什么是这个而不是别的。
案例四：复现过程中的精确问答
你已经在复现流程中跑到了某个具体步骤，卡在了一个细节上。比如 README 说“运行 python train.py --config config.yaml”，但 config.yaml 里有几十个参数，论文里某些参数的默认值跟配置文件里的不一样。
你直接问：“论文里 batch size 和 learning rate 用的是多少？”技能会精准定位到论文的相关章节，返回具体数值，而不是给你整篇论文的摘要。
几个值得注意的细节
它是可选的，不是必须的：paper-context-resolver 是 RigorPilot Skills 套件中的一个可选子技能，通常由编排器（orchestrator）在需要时调用。它不会主动介入，只在 README 优先的复现流程中遇到特定缺口时才被触发。
默认不总结整篇论文：这个技能被明确限制了不能用来做通用论文摘要。它的设计目标是“窄而深”，不是“宽而浅”。
先看 README，再调技能：官方文档特别强调——“始终先查看 README，仅在存在具体缺口时才调用此技能”。这个技能是对 README 优先策略的补充，而不是替代。
输入与输出都很具体：输入需要目标仓库的元数据、具体的复现问题、已有的 README 或仓库证据，以及任何已知的论文链接。输出则是一份收窄后的参考文献列表、与复现直接相关的答案，以及 README 与论文冲突的明确标注。
◯ 评论 0