你可以根据你当前的阅读深度，直接复制这些 Prompt 发给 ChatGPT、Claude 或 Gemini。建议配合上传 PDF 文件功能使用。
1. ⚡️ 速读阶段：快速判断价值 (3分钟)
场景：刚拿到一篇论文，想知道它讲什么的，值不值得细读。
Prompt:
Markdown请你扮演一位资深的人工智能研究员。我正在阅读论文《[论文标题]》。 请帮我完成以下任务，语言通俗易懂，适合初学者： 1. **核心贡献**：用一句话概括这篇论文解决了什么核心痛点？ 2. **原理解析**：它提出了什么新架构或新方法？（请避免过多的数学术语，用类比的方式解释）。 3. **关键结论**：它的实验效果比前人好在哪里？ 4. **背景地位**：这篇论文在 LLM 发展史上的地位如何？它是基于谁？又启发了谁？
2. 🔍 深读阶段：死磕原理与细节 (30分钟)
场景：读到 Transformer 的Self-Attention或者 LoRA 的Rank decomposition卡住了，看不懂公式或图表。
Prompt (针对具体概念):
Markdown我在阅读这篇论文时，对 [具体的概念/公式/图表名称] 感到困惑。 请像教一个本科生一样，一步步拆解这个概念： 1. **输入是什么？** （数据的维度 shape 是多少？） 2. **发生了什么计算？** （不要只列公式，告诉我数据怎么流动的） 3. **输出是什么？** 4. **为什么要这么做？** 这样做比传统方法好在哪里？ 请举一个具体的、简单的数值例子来演示这个过程。
3. 💻 代码视角：从理论到实现
场景：原理大概懂了，但不知道写成代码长什么样。
Prompt:
Markdown基于这篇论文的核心原理，请用 PyTorch 写一段最简化的代码实现（伪代码或可运行代码均可）。 要求： 1. 实现核心模块 [例如：Multi-head Attention / LoRA Layer]。 2. 在每一行关键代码旁，用中文注释对应论文中的哪一个公式或步骤。 3. 打印出输入和输出张量的 Shape，帮助我理解数据变换。
4. ⚔️ 批判视角：像审稿人一样思考
场景：你已经完全读懂了，想提升自己的科研品味，找出论文的弱点。
Prompt:
Markdown假设你是 NeurIPS 的审稿人，请批判性地分析这篇论文： 1. **局限性**：这篇论文的方法有什么明显的缺点或限制条件？（例如：计算成本、推理速度、长文本能力等） 2. **被替代性**：后续有哪些更新的技术已经优化或取代了它？ 3. **未来方向**：如果我要基于这篇论文做研究，你建议我可以改进哪个方向？
5. 👑 “懒人包”超级 Prompt (一键总结)
如果你想一次性获得所有信息，可以直接甩出这个“超级 Prompt”：
Prompt:
Markdown我正在从零学习大模型，请作为我的导师，深度解读这篇论文。 请按以下结构输出报告：
1. 论文身份卡
标题：
一句话总结：
大模型技术栈位置：(例如：它是属于基座模型、微调技术还是推理优化？)
2. 核心原理 (费曼学习法)
请用最简单的比喻解释核心机制。如果论文中有复杂的架构图，请用文字描述数据的流向。
3. 关键创新点 (VS Previous Work)
以前是怎么做的？(例如：RNN 是怎么处理序列的)
这篇论文是怎么做的？(例如：Transformer 为什么要并行化)
为什么现在的更好？
4. 这里的坑 (局限性)
作者没明说，但实际上存在的缺点是什么？
5. 代码映射
核心算法对应到 PyTorch 代码大概是哪几个 API？(例如：nn.Linear, nn.Softmax)
建议操作步骤：
先用 Prompt 1 (速读)：把必读清单里的 9 篇先扫一遍，建立大概印象。
重点用 Prompt 2 & 3 (深读)：主要针对Attention Is All You Need和LoRA这两篇，因为它们是技术基石。
