Academic PDF Reader

把学术论文 PDF 转成可追溯、可复制、可阅读的 Markdown + Word 精读包。

Academic PDF Reader 是一个面向 AI agent 的论文精读 skill。它不是简单的 PDF 转文本工具，而是把论文拆成带页码和证据锚点的阅读包：Markdown 适合给 AI 继续分析，Word 适合人直接阅读、批注和分享。

它解决什么问题

读论文时常见的痛点是：

• PDF 复制出来的文本顺序乱，尤其是双栏论文。
• AI 总结没有证据锚点，后续很难回查原文。
• 公式、图注、页码和正文分散，整理精读笔记很费时间。
• Markdown 给 AI 看很方便，但自己看不如 Word 舒服。

这个 skill 的目标是生成一份“可回查”的论文阅读包：每个文本块都有 S### 证据 ID 和页码，每个图表/公式也保留来源信息。

输出内容

运行后会得到这样的目录：

reader-output/
├── paper.md              # AI 友好的全文 Markdown
├── paper.docx            # 人类友好的 Word 阅读版
├── deep_reading.md       # 精读证据稿，适合继续写论文解读
├── deep_reading.docx     # 格式化 Word 精读证据稿
├── source_map.json       # 证据地图：页码、文本块、图表、公式
├── metadata.json         # 标题、DOI、页数等元数据
└── assets/
    └── figures/          # 尽量提取出的图片资源

核心能力

能力	说明
页码锚点	每个段落都有 [S023 p.5] 这类来源标记，方便回查 PDF。
Markdown 全文	输出结构化 paper.md，适合继续喂给 AI 做问答、综述、PPT、组会汇报。
Word 阅读版	输出 paper.docx 和 deep_reading.docx，更适合自己阅读和分享。
图表线索	尽量保留 figure/table caption，并把图片保存到 assets/figures/。
公式候选	检测公式块，同时输出原文、LaTeX、Markdown $$...$$ 和 Word 公式对象。
质量检查	内置 validator，检查核心文件、锚点、DOCX 和 source map 是否可用。

快速开始

安装依赖：

python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

转换论文：

python scripts/pdf_to_markdown.py /path/to/paper.pdf \
  --out /path/to/reader-output \
  --mode deep \
  --lang zh

检查输出：

python scripts/validate_outputs.py /path/to/reader-output

打包分享：

python scripts/package_reader.py /path/to/reader-output \
  --zip /path/to/paper-reader.zip

在 agent 里作为 skill 使用

把整个 academic-pdf-reader 文件夹放到你的 agent skills 目录中，例如：

~/.codex/skills/academic-pdf-reader/

然后让 agent 处理论文 PDF：

把这个 PDF 转成论文精读包，输出 Markdown 和 Word，并保留公式、图注和 source map。

公式输出方式

PDF 里的公式经常会被提取成破碎文本，所以这里采用保守策略：

F(\beta) = \frac{A_\beta}{1.26A_\alpha + A_\beta} \tag{2}

$$F(\beta) = \frac{A_\beta}{1.26A_\alpha + A_\beta} \tag{2}$$

在 DOCX 中，skill 会尽量写入 Word 原生 OMML 公式对象；同时保留 LaTeX 和 Markdown 复制格式。正式写论文前仍应对照原 PDF 校验公式。

适合的场景

• 论文精读、组会汇报、文献笔记。
• 把 PDF 转成可供 AI 继续分析的 evidence bundle。
• 给论文写中文精读稿、图表解读、PPT 初稿。
• 从 PDF 中整理页码锚点、公式候选、图注和关键证据。

质量边界

这个 skill 会尽量保持输出可追溯，但不会假装 PDF 解析是完美的：

• 扫描版 PDF 需要先 OCR。
• 双栏论文的文本顺序可能需要人工检查。
• 图像提取可能拿到的是嵌入图片片段，而不是完整排版图。
• 公式是候选归一化结果，不是出版级公式 OCR。
• 元数据缺失时会标记为 TO BE VERIFIED，不会编造作者、期刊或 DOI。

License

MIT License.