Research Paper Writing

• 기존 코드베이스나 아이디어를 바탕으로 새로운 연구 논문을 시작하는 것으로, 아무것도 작성하기 전에 워크스페이스 구조 설정, 버전 관리, 한 문장으로 된 기여 진술서 작성을 포함합니다.
• 논문의 주장과 직접적으로 연결되는 실험을 설계하고 실행하는 것으로, 점진적 저장, 아티팩트 보존, 비용 추적, 그리고 cron 스케줄 상태 확인을 통한 모니터링을 포함합니다.
• ML/AI 논문의 모든 섹션을 작성하거나 수정하는 것으로, 두 번의 정제 패턴을 적용하여 공식 학회 템플릿(NeurIPS, ICML, ICLR, ACL, AAAI, COLM)을 사용한 LaTeX 생성을 포함합니다.
• 제출 또는 재제출을 준비하는 것으로, 익명화, 형식 검증, 사전 컴파일 유효성 검사, 학회별 체크리스트, 그리고 포스터, 발표, 코드 공개와 같은 게재 승인 후 산출물을 포함합니다.

• 비-ML/AI 연구 분야 (예: 의학, 사회과학, 인문학) — 이 파이프라인은 ML 학회 발표 환경 및 해당 규범에 맞게 특별히 조정되어 있습니다.
• 반복적 정제 작업을 위한 매우 약한 기반 모델 (Llama 8B 수준) — 이 스킬은 해당 모델들이 다양한 후보 생성에 충분하지 않아 autoreason 루프가 오히려 역효과를 낼 수 있다고 언급합니다.
• 실험적 요소가 없는 간단한 일회성 작성 작업 — 소규모의 독립적인 작성 작업에는 8단계 전체 파이프라인의 오버헤드가 이점보다 클 수 있습니다.

프로젝트 설정 → 문헌 검토 → 실험 설계 → 실행 및 모니터링 → 분석 → 논문 초안 작성 → 자체 검토 및 수정 → 제출 준비를 선형 순서가 아닌 반복적 루프로 다룹니다. 결과는 새로운 실험을 촉발하고, 검토는 새로운 분석을 촉발하며, 이 기술은 이러한 피드백 루프를 명시적으로 처리합니다.

모든 인용은 Semantic Scholar, arXiv, CrossRef DOI 콘텐츠 협상을 통해 프로그래밍 방식으로 가져오며, 절대 메모리에서 생성되지 않습니다. 확인할 수 없는 인용은 [CITATION NEEDED]로 표시되어 연구자에게 보고되며, 이는 알려진 AI 인용 오류율 ~40%에 대응합니다.

증거 기반 반복적 개선 루프(비평가 → 저자 B → 합성기 → 3인 심사위원 보르다 패널)로, 실증적으로 검증된 매개변수를 포함합니다: k=2 수렴, CoT 심사위원, 온도 0.8 저자 / 0.3 심사위원. 모델 등급 및 작업 유형을 최적의 개선 전략에 매핑하는 의사결정 테이블과 함께, 문서화된 실패 모드 및 완화 방안을 포함합니다.

부정적 편향 프롬프트를 사용하여 N=3–5개의 독립적인 리뷰를 생성한 후, 영역 편집장(Area Chair) 역할을 모델링한 메타 리뷰어를 통해 이를 종합합니다. 그림 품질 및 레이아웃 문제를 위한 별도의 VLM 기반 시각적 리뷰 과정과, 확증 편향을 방지하기 위해 새로운 서브 에이전트를 활용하는 주장 검증 과정이 포함되어 있습니다.

NeurIPS 2025, ICML 2026, ICLR 2026, ACL, AAAI 2026, COLM 2025를 위한 바로 사용 가능한 템플릿을 포함하며, 전문적인 프리앰블(microtype, booktabs, siunitx, cleveref, algorithm2e, TikZ, SciencePlots), 사전 컴파일 검증 스크립트(chktex, 인용/그림/레이블 검사), 그리고 리버틀 수정 사항 추적을 위한 latexdiff 워크플로우를 제공합니다.

Hermes 에이전트를 위해 설계되었습니다: 병렬 섹션 초안 작성 및 동시 인용 검증을 위한 delegate_task, [SILENT] 프로토콜을 통해 변경 없음 알림을 억제하는 실험 모니터링용 cronjob, 세션 간 지속적인 상태 유지를 위한 memory 및 todo, 그리고 실험 완료 시 비동기 알림 전송을 위한 send_message를 활용합니다.

기존 저장소에서 시작하여, 이 스킬은 코드베이스를 탐색해 기여점을 파악하고, 특정 주장에 매핑되는 실험을 설계하며, 점진적 체크포인팅을 통해 실험을 실행하고, 통계적 유의성 검정으로 결과를 분석합니다. 이후 목표 학회의 템플릿을 활용해 완전한 LaTeX 논문 초안을 작성하고, 최종 익명화된 제출 패키지를 준비합니다.

거절 이후, Research Paper Writing 스킬은 논문을 새로운 학술대회 형식으로 변환하고(페이지 제한 조정 및 학술대회별 필수 섹션 포함), 수정된 본문에서 심사위원의 우려 사항을 반영하며, 변경 사항을 표시한 latexdiff 마크업 PDF를 생성하고, 이전 제출본을 참조하지 않으면서 새로운 제출물을 대상 학술대회의 체크리스트에 따라 검증합니다.

인간 평가를 주요 증거로 요구하는 논문(예: ACL 생성 태스크)의 경우, 이 스킬은 자동화 실험을 실행하기 전에 주석 프로토콜을 설계합니다. 인간 평가는 일반적으로 더 긴 준비 시간이 필요하기 때문에, 주석자 유형, 척도 방식(쌍별 비교 vs. 리커트 척도), 검정력 분석을 통한 표본 크기, 주석자 간 일치도 지표 선택, 플랫폼 선택(Prolific, MTurk), IRB 체크리스트 등을 사전에 구성합니다.

실증적 머신러닝을 넘어, 이 역량은 이론 논문(본문에 증명 스케치를, 부록에 완전한 증명을 포함하는 정리/증명 구조), 서베이 논문(분류 체계 설계를 동반한 너비 우선 문헌 탐색), 벤치마크 논문(데이터셋 문서화 양식인 Datasheets for Datasets를 활용한 데이터셋 문서화, 구성 타당도 근거), 그리고 포지션 논문을 지원하며, 각각은 고유한 구조와 증거 기준을 갖습니다.