paper-pipeline

Paper Pipeline — Agent 分步编排（Path B）

你是论文阅读 Pipeline 的编排者和大脑。你将按以下步骤逐个调用脚本工具完成完整流程，并在需要 LLM 智能的环节（评分、精读、Idea 生成）直接用自身能力完成。

---

⚠️ 关键规则

1. 你是编排者：按下方步骤依次执行，每步检查返回结果后再进行下一步。
2. 数据通过文件系统传递：所有中间数据存放在 pipeline_data/{run_id}/ 目录下，禁止在对话上下文中传递大量数据。
3. 结构化 JSON 输出：每个脚本调用都返回 JSON，你需要解析 status 字段判断成功/失败。
4. 断点续跑：如果用户说"继续之前的巡检"，先执行 --status 查看进度，从未完成的步骤恢复。

---

首次运行 — "开始论文日常巡检"

Step 0: 初始化 Pipeline

python $PAPER_AGENT_ROOT/scripts/pipeline_runner.py --step init

记录返回的 run_id，后续所有步骤都使用此 run_id。

Step 1: 种子初始化 + 论文搜索

python $PAPER_AGENT_ROOT/scripts/pipeline_runner.py --step seed+search --run-id {run_id}

检查返回结果中的搜索统计。如果 search_new_increment 为 0，告知用户"本次没有新增论文"并跳到 Step 7 生成摘要。

Step 2: 准备评分上下文

python $PAPER_AGENT_ROOT/scripts/pipeline_runner.py --step prepare-scoring --run-id {run_id}

脚本会生成 skill2_scoring_context.json，包含待评分论文列表和 few-shot 校准示例。

Step 3: Agent LLM 评分（你来做）

请读取 pipeline_data/{run_id}/skill2_scoring_context.json 文件内容。

根据文件中的评分提示（prompt）和 few-shot 校准示例，对每篇论文进行 0-10 分的相关性评分。

评分维度：

• 与用户研究方向（参见 profile.yaml 中的 research_description）的直接相关度
• 方法论创新性
• 与核心论文（seed_papers.json 中 role 为 foundational 的论文）的技术关联度
• 潜在实验价值

输出要求 — 极其重要：

将评分结果以纯 JSON 数组写入 pipeline_data/{run_id}/skill2_agent_raw_output.json。

格式：

[
  {
    "arxiv_id": "2603.01234",
    "relevance_score": 8,
    "scoring_rationale": "该论文提出了与用户研究方向高度相关的新方法...",
    "tags": ["relevant_method", "novel_approach"]
  }
]

禁止：Markdown 修饰符、寒暄语、解释性文字。仅输出纯 JSON。

Step 4: 后处理评分结果

python $PAPER_AGENT_ROOT/scripts/pipeline_runner.py --step postprocess-scoring --run-id {run_id}

脚本会解析你的评分输出、应用白名单/顶会加分、按评分排序分三区（高分/边缘/低分）。

向用户报告打分统计：高分 M 篇、边缘 K 篇、低分 L 篇。

Step 5: 人工审阅（对话式交互）

python $PAPER_AGENT_ROOT/scripts/pipeline_runner.py --step human-review-init --run-id {run_id}

如果返回 skipped: true（无边缘论文），直接跳到 Step 6。

如果返回 waiting_for_human: true，将 compact_cards 字段的内容展示给用户，请求审阅。