学习新概念

介绍

从一篇密集论文或课程材料学习新概念，不只是总结。目标是建立可工作的心智模型：它解决什么问题，方法实际做了什么，哪些证据支撑它，依赖哪些假设，以及哪些地方仍不清楚。

ChatGPT 适合自动化背景收集，并把复杂概念转成图示或说明。这个场景也适合 subagents：一个线程读论文结构，一个线程补前置背景，一个线程检查图表和符号，最后由主线程合并结论。

最终产物应容易复查，例如 `notes/concept-report.md`。它应包含摘要、术语表、walkthrough、图示、证据表、限制和开放问题。

定义学习目标

先命名概念和你想要的输出。窄问题比宽泛总结更有用。

一个好的目标不是“总结这篇论文”，而是“解释这篇论文里的模型架构如何工作，它依赖哪些背景知识，哪些图最关键，以及我接下来应该怎样复习”。

这个边界让 ChatGPT 的任务具体：它要教会你概念，但也要保留不确定性，标出 claims 的出处，并把论文原主张和自己的解释分开。

研究论文示例

假设你要学习一篇关于陌生模型架构的论文，希望得到一份不用通读全文也能快速理解概念的报告。

有用结果通常包括 Markdown 主报告、方法流程图、概念关系图、把 claims 映射到章节/图表的证据表，以及后续阅读和未解决问题清单。

用 subagents 拆分工作

Subagents 最适合有清晰边界和返回格式的阅读任务。论文较长或概念密度高时，并行探索会更稳。

主 agent 应等待这些 subagents 完成，比较它们的答案并解决矛盾，然后再综合成连贯报告。

• Paper map：提取问题陈述、贡献、方法、实验、限制和结果主张。
• Prerequisite context：解释背景术语、相关概念和论文默认你知道的先验工作。
• Notation and figures：走查公式、算法、图、表和关键符号。
• Skeptical reviewer：检查证据是否支撑 claims，列出 caveats、缺失 baseline 和不清晰假设。

有边界地补充上下文

当论文默认你拥有某些背景时，让 ChatGPT 从已批准来源补充上下文，例如本地笔记、参考文献目录、链接论文、启用后的 web search 或连接的知识库。

保持这一步有边界：说明什么算可靠来源，以及外部上下文在最终报告中的作用。

• 把前置术语定义进 glossary。
• 新增“阅读前需要知道什么”小节。
• 把后续阅读和论文自身 claims 分开。
• 标记来自论文以外的主张。

为报告生成图示

图示常常是检查自己是否真正理解概念的最快方式。Markdown 报告优先使用 Mermaid；如果目标环境不能渲染 Mermaid，可以生成小型 SVG/PNG 并从报告中引用。

只有当需要说明性、非精确视觉资产时才使用 imagegen。对技术概念来说，可 diff、可审查、可更新的 Markdown-native 图通常更好。

• 概念图：前置概念和关系。
• 方法流程图：输入、变换、模型组件和输出。
• 实验图：数据集、指标、baseline 和结果 claims。
• 限制图：假设、失败模式和开放问题。

写成 Markdown 学习报告

报告应足够自包含，方便以后回看。结构可以从 executive summary、阅读前置知识、关键术语与符号、论文 walkthrough、方法图、证据表、限制和下一步问题开始。

如果输入是 PDF，要求引用页码、章节、图或表；如果无法提取精确页码，就明确说明，并退回到章节或 heading 引用。

把报告用于下一轮学习

第一份报告只是起点。阅读后继续追问，并让 ChatGPT 修订报告。

当概念需要实验时，可以让 ChatGPT 增加一个小 notebook 或脚本复现 toy version，并把实验链接回 Markdown 报告。

• 我应该先理解哪一部分？
• 最简单的 toy example 是什么？
• 哪张图支撑了论文最关键的论点？
• 哪个 claim 最弱或最缺证据？
• 如果我要实现它，下一步应该读什么？