OneScience 论文复现信息提取

职责边界

本技能负责从论文或论文信息中提取结构化的复现规格，并生成编码任务提示词，不具备编码权限。

• 作为执行技能：由 onescience-orchestrator 调用，接收标准化输入，返回标准化输出。
• 核心职责：论文获取、解析、信息抽取、任务描述生成。
• 不负责：编码实现、调用其他技能、任务规划。

论文复现规格必须优先来自论文正文、附录、补充材料、用户提供材料和公开数据/论文页面信息。只有当这些来源对某个实现必需细节仍缺失或说明不足时，才允许补充使用官方开源仓库的只读参考；优先从论文正文、附录或补充材料中解析官方仓库，若论文未给出，再在 GitHub 上搜索官方开源仓库。只允许在线读取与该缺失细节直接相关的模型、数据处理、特征/变量选择、训练、推理和评估实现信息，例如层数、hidden size、参数形状或具体实现连线；禁止下载、clone、复制仓库到本地，禁止参考第三方复现仓库。若论文与官方仓库实现存在冲突，以论文为主，并把差异写入规格中的冲突、缺口或假设；官方仓库内容只能作为补充实现线索，不能升级为论文事实来源。

输入输出接口

输入（从 onescience-orchestrator 接收）

{
  "paper_source": "论文来源，可为：arXiv URL、DOI、PDF 路径、论文标题",
  "paper_content": "可选：用户提供的论文正文片段或补充材料",
  "output_dir": "可选：用户指定的最终代码输出目录",
  "domain_hint": "可选：领域提示（earth/cfd/materials/biology）"
}

输出（返回给 onescience-orchestrator）

{
  "status": "success | partial | failed",
  "paper_workdir": ".paper2code_work/<arxiv_id>/",
  "reproduction_spec_path": "reproduction_spec.md 路径",
  "coder_task_description_path": "coder_task_description.md 路径",
  "coder_task_description_content": "coder_task_description.md 完整内容",
  "key_gaps": ["关键缺口列表"],
  "key_assumptions": ["实现假设列表"],
  "metadata": {
    "task_method": "paper2code",
    "domain_task_family": "paper-reproduction",
    "coder_reference_mode": "paper_plus_official_repo_readonly",
    "coder_static_review_required": true
  }
}

总控流程

本技能把论文材料转换成结构化复现规格和编码任务提示词。总控流程只负责编排阶段，不在主技能文件中写领域特例或单篇论文特例。

核心产物只有：

• reproduction_spec.md：结构化事实源和审计产物。
• coder_task_description.md：自包含的编码任务提示词，必须完整承载 reproduction_spec.md 中所有已确定内容。

编码任务提示词必须自包含，不应要求下游再读取其他文件补齐细节。

执行时按顺序读取以下独立 workflow：

1. ./references/acquisition_text_workflow.md
   • 负责论文来源识别、PDF/正文获取、文本提取、内容完整性校验和工作目录组织。
2. ./references/structured_extraction_workflow.md
   • 负责解析论文正文、表格、图注、算法框、附录和补充材料，先生成 paper_content_summary.md，再根据摘要召回领域知识并生成结构化 reproduction_spec.md。
3. ./references/audit_workflow.md
   • 负责把 reproduction_spec.md 对照论文内容迭代校验和修复，直到 spec 正确或只剩明确 MISSING: / ASSUMPTION:。
4. ./references/coder_handoff_workflow.md
   • 负责从审计后的 reproduction_spec.md 展开生成自包含 coder_task_description.md，并完成交接。

解析论文和审计时，先总结论文内容，生成 paper_content_summary.md；如论文中已给出官方仓库，则记录仓库 URL/名称；只有当论文正文、附录、补充材料、用户材料和公开页面对某个实现必需细节仍缺失或说明不足时，才可只读查看官方开源仓库中与该缺失细节直接相关的实现内容；若论文未给出官方仓库，再在 GitHub 搜索官方开源仓库。随后再根据摘要中的任务、数据对象、模型关键词和评估关键词，读取 ./assets/domain_knowledge/ 下各领域文件的表头摘要，召回对应领域知识：

• earth.md：气象、海洋、地球系统。
• cfd.md：流体、PDE、CFD。
• materials.md：材料、化学、原子尺度建模。
• biology.md：生信、生命科学。

领域知识只能辅助提取和审计，不得覆盖论文证据；如果领域经验与论文描述冲突，以论文正文、表格、公式、算法框、附录和补充材料为准。领域知识中的字段只有被论文或用户材料支持时，才能写入确定要求。

工作顺序

1. 识别论文来源：本地 PDF、URL、arXiv/DOI、标题检索或用户粘贴正文。
2. 解析并规范化论文工作目录：
   • 必须把下载或复制的论文材料保存到 .paper2code_work/<id>/。
   • <id> 优先使用不带版本号的 arXiv ID；没有 arXiv ID 时使用 DOI slug；仍无法识别时使用标题 slug。
   • 若能识别 arXiv ID，固定使用 .paper2code_work/<arxiv_id>/，例如 .paper2code_work/2406.01465/。
   • 下载的论文 PDF、补充材料、解析文本、摘要、结构化规格和交接任务书都写入该目录。
   • 用户指定的输出目录只表示最终复现代码落点，不改变论文解析工作目录。
3. 按顺序加载并执行：
   • ./references/acquisition_text_workflow.md：下载、提取文本和内容完整性校验。
   • ./references/structured_extraction_workflow.md：解析论文、生成 paper_content_summary.md，根据摘要召回领域知识，并生成结构化 reproduction_spec.md。
   • ./references/audit_workflow.md：对照论文内容审计并修复 reproduction_spec.md，直到 spec 正确或只剩明确缺口/假设。
   • ./references/coder_handoff_workflow.md：生成自包含 coder_task_description.md。
4. 在论文工作目录中生成两个核心产物：
   • reproduction_spec.md：中文为主、全面且准确的结构化复现规格，必须覆盖论文来源元数据、证据位置、任务、数据、处理、模型、损失、训练、推理、评估、配置、领域专属信息、缺口和假设；不能只抽取摘要或主方法。
   • coder_task_description.md：中文为主、清楚详细且自包含的自然语言实现任务描述，必须从 reproduction_spec.md 展开生成，并完整覆盖其中所有已确定内容；不得只写摘要，必须自包含所有实现细节。
   • 不要生成 paper_source.json、evidence_index.md 这类额外交接文件；来源信息和证据位置直接写入 reproduction_spec.md。
   • 生成后必须逐条核对 reproduction_spec.md 的每个非空、非纯缺失项是否已进入 coder_task_description.md；没有进入的内容要补写，不能留给下游自行综合。
   • 生成前必须完成一致性审计：变量清单与通道数、输入/输出 shape、时间步融合、per-node/per-edge learnable features、loss target、权重公式、评估指标和所有实现假设不得自相矛盾；论文未明确给出的公式或数据格式只能写为 ASSUMPTION:，不能写成事实。
   • 涉及变量数和通道数时，必须生成 variable_channel_ledger.json 并用 ./scripts/variable_channel_audit.py 做机械校验；校验失败则标记为 partial 状态并说明原因。
5. 生成标准化输出（JSON 格式），包含所有必要的元数据和产物路径，返回给 onescience-orchestrator。

输出要求

最终必须返回标准化 JSON 格式输出（符合"输入输出接口"章节定义），包含：

• status：success（完整提取）、partial（部分提取/有重要缺口）、failed（无法处理）
• paper_workdir：论文工作目录路径
• reproduction_spec_path：结构化规格文件路径
• coder_task_description_path：编码任务提示词文件路径
• coder_task_description_content：编码任务提示词完整内容
• key_gaps：关键缺口列表
• key_assumptions：实现假设列表
• metadata：包含 task_method、domain_task_family 等元数据

如果论文无法获取或解析，设置 status=failed，在 key_gaps 中说明原因和需要用户补充的材料，不编造细节。