Research Paper Writing

• 從現有程式碼庫或想法開始撰寫新的研究論文，包括在開始寫作之前建立工作區結構、版本控制，以及一句話的貢獻聲明。
• 設計並執行實驗，使其直接對應論文主張，並進行增量儲存、產出物保存、成本追蹤，以及透過 cron 排程狀態檢查進行監控。
• 撰寫或修改 ML/AI 論文的任何章節，包括使用官方研討會模板（NeurIPS、ICML、ICLR、ACL、AAAI、COLM）生成 LaTeX，並採用兩階段精修模式。
• 準備投稿或重新投稿，包括匿名化、格式驗證、預編譯驗證、各研討會專屬檢查清單，以及接受後的交付項目，例如海報、演講和程式碼發布。

• 非機器學習／人工智慧的研究領域（例如：醫學、社會科學、人文學科）——此流程專門針對機器學習會議場域及其規範進行校準。
• 非常弱的基礎模型（Llama 8B 等級） 用於迭代精煉任務——技術說明指出這些模型在生成多樣化候選內容方面能力不足，使得自動推理迴圈適得其反。
• 無實驗性成分的快速一次性寫作任務——完整八階段流程的額外負擔，對於小型、自成一體的寫作工作而言，其成本遠超效益。

涵蓋「專案設置 → 文獻回顧 → 實驗設計 → 執行與監控 → 分析 → 論文草擬 → 自我審查與修訂 → 投稿準備」，作為一個迭代循環，而非線性流程。研究結果會觸發新的實驗；審查意見會觸發新的分析；本技能會明確處理這些回饋迴路。

每一條引用文獻均透過 Semantic Scholar、arXiv 及 CrossRef DOI 內容協商以程式化方式擷取——絕不依賴記憶生成。無法驗證的引用文獻將標記為 [CITATION NEEDED]，並回報給研究人員，以解決已知約 40% 的 AI 引用錯誤率問題。

一種基於實證的迭代精煉迴圈（評論者 → 作者 B → 合成者 → 3 位評審 Borda 小組），採用經過實證驗證的參數：k=2 收斂、思維鏈（CoT）評審、作者溫度值 0.8／評審溫度值 0.3。內含一份決策表，將模型層級與任務類型對應至最佳精煉策略，並附有已記錄的失敗模式及其緩解措施。

透過帶有負向偏差提示詞的方式，生成 N=3–5 份獨立審查意見，再由扮演領域主席（Area Chair）角色的元審查者進行彙整。另包含一個基於 VLM 的視覺審查流程，專門針對圖表品質與版面配置問題進行檢核，以及一個由全新子代理人執行的論點驗證流程，以防止確認偏誤的產生。

內含可直接使用的 NeurIPS 2025、ICML 2026、ICLR 2026、ACL、AAAI 2026 及 COLM 2025 模板，配備專業前言設定（microtype、booktabs、siunitx、cleveref、algorithm2e、TikZ、SciencePlots），以及預編譯驗證腳本（chktex、引用／圖片／標籤檢查），並整合 latexdiff 工作流程以追蹤審稿回覆階段的修訂內容。

專為 Hermes agent 設計：使用 delegate_task 進行平行章節草稿撰寫與並行引用文獻驗證、使用 cronjob 搭配 [SILENT] 協議監控實驗進度以抑制無變更通知、使用 memory 與 todo 在跨工作階段中維持持久狀態，以及使用 send_message 於實驗完成時發送非同步通知。

從現有的程式碼庫出發，此技能會深入探索程式碼庫以識別研究貢獻，設計對應特定論點的實驗，以漸進式檢查點的方式執行實驗，運用統計顯著性測試分析結果，使用目標發表場所的模板起草完整的 LaTeX 論文，並準備最終的匿名投稿套件。

在論文遭到拒絕後，此技能會將論文轉換為新投稿場所所需的格式（包括頁數限制調整及該場所特定的必要章節），在修訂文本中回應審稿人的意見，生成標註修改內容的 latexdiff 標記 PDF，並依據目標場所的審核清單驗證新版投稿內容——全程不涉及先前投稿的任何參照。

對於需要以人工評估作為主要證據的論文（例如 ACL 生成任務），本技能會在執行自動化實驗之前，先完成標注協議的設計——包括標注人員類型、評估尺度（成對比較與李克特量表）、透過統計檢定力分析確定樣本數量、標注者間一致性指標的選擇、平台選擇（Prolific、MTurk），以及倫理審查委員會（IRB）查核清單——因為人工評估通常需要較長的前置作業時間。

除了實證機器學習之外，本技能亦支援多種論文類型：理論論文（定理／證明結構，主文包含證明草稿，完整證明置於附錄）、綜述論文（廣度優先的文獻搜尋與分類架構設計）、基準測試論文（透過「資料集說明文件」進行資料集記錄，並提供構念效度證據），以及立場論文——每種類型均有其獨特的結構與證據標準。