Research Paper Writing

• 从现有代码库或想法开始撰写新研究论文，包括在动笔之前设置工作区结构、版本控制以及一句话贡献声明。
• 设计并运行实验，使其与论文主张直接对应，同时进行增量保存、产物保留、成本跟踪，并通过定时任务（cron）调度状态检查进行监控。
• 撰写或修改 ML/AI 论文的任意章节，包括使用官方会议模板（NeurIPS、ICML、ICLR、ACL、AAAI、COLM）生成 LaTeX，并采用两轮精修模式。
• 准备投稿或重新投稿，包括匿名化处理、格式验证、预编译校验、针对各会议的核查清单，以及录用后的交付物，如海报、演讲和代码发布。

• 非机器学习/人工智能研究领域（例如医学、社会科学、人文学科）——该流程专门针对机器学习会议场所及其规范进行了校准。
• 用于迭代优化任务的非常弱的基础模型（Llama 8B 级别）——技能说明指出，这些模型在生成多样化候选内容方面能力不足，导致自动推理循环适得其反。
• 无实验组件的快速一次性写作任务——完整的八阶段流程所带来的开销，对于小型、独立的写作任务而言得不偿失。

涵盖 项目启动 → 文献综述 → 实验设计 → 执行与监控 → 分析 → 论文撰写 → 自我审阅与修订 → 投稿准备，将其作为一个迭代循环，而非线性流程。结果会触发新的实验，审阅会触发新的分析；该技能能够明确处理这些反馈循环。

每条引用均通过 Semantic Scholar、arXiv 及 CrossRef DOI 内容协商以程序化方式获取，绝不依赖记忆生成。无法核实的引用将被标注为 [CITATION NEEDED] 并反馈给研究人员，从而有效应对已知的约 40% AI 引用错误率。

一种基于证据的迭代优化循环（评审者 → 作者B → 综合者 → 3位评委Borda评分小组），采用经实证验证的参数：k=2收敛轮次、思维链评委、作者温度参数0.8 / 评委温度参数0.3。包含一张决策表，将模型层级与任务类型映射至最优优化策略，以及已记录的失败模式与相应缓解措施。

生成 N=3–5 篇带有负向偏置提示的独立评审意见，随后通过模拟领域主席角色的元评审员进行汇总整合。包含一个基于 VLM 的独立视觉评审环节，用于检查图表质量与排版问题，以及一个由全新子智能体执行的论点核查环节，以防止确认偏差的产生。

包含适用于 NeurIPS 2025、ICML 2026、ICLR 2026、ACL、AAAI 2026 和 COLM 2025 的即用型模板，配备专业导言区（microtype、booktabs、siunitx、cleveref、algorithm2e、TikZ、SciencePlots），预编译验证脚本（chktex、引用/图表/标签检查），以及用于审稿回复修订追踪的 latexdiff 工作流。

专为Hermes智能体设计：使用 delegate_task 进行并行章节起草和并发引用验证，使用 cronjob 进行实验监控并配合 [SILENT] 协议以抑制无变更通知，使用 memory 和 todo 实现跨会话的持久状态管理，以及使用 send_message 在实验完成时发送异步通知。

从现有代码库出发，该技能对代码库进行深入探索以识别其核心贡献，设计与具体论点相对应的实验方案，通过增量检查点机制运行实验，利用统计显著性检验对结果进行分析，使用目标期刊/会议的模板起草完整的 LaTeX 论文，并最终准备好匿名化的投稿材料包。

在论文被拒之后，该技能将论文转换为新投稿venue的格式（包括页数限制调整和venue特定的必要章节），在修改后的正文中回应审稿人的意见，生成带有 latexdiff 标注的PDF文件以展示修改内容，并根据目标venue的核查清单对新投稿进行验证——全程不涉及对先前投稿的任何引用。

对于需要以人工评估作为主要证据的论文（例如 ACL 生成任务），该技能会在运行自动化实验之前设计标注协议——包括标注者类型、评估量表（两两比较 vs. 李克特量表）、基于效力分析的样本量、标注者间一致性指标的选择、平台选择（Prolific、MTurk）以及 IRB 合规清单——因为人工评估通常需要更长的前置准备时间。

超越实证机器学习，该技能还支持以下多种论文类型：理论论文（采用定理/证明结构，在正文中提供证明概要，在附录中提供完整证明）、综述论文（以广度优先的文献检索方式结合分类体系设计）、基准论文（通过数据集数据表进行数据集文档记录，并提供构建效度证据），以及立场论文——每种类型均有其独特的结构要求和证据标准。