从研究仓库撰写顶会 ML/AI 论文时：用声明台账…

当你需要从代码仓库、实验结果或草稿出发，撰写/改写投往 NeurIPS、ICML、ICLR、ACL、AAAI、COLM 的论文，或做文献综述、引用核验、格式转换时使用。

适用场景

解决思路

1. 按默认操作顺序执行：先从 references/OPERATING-MODES.md 锁定操作模式，再理解仓库或草稿上下文，然后把 references/citation-workflow.md 作为引用核验的权威依据，最后才加载特定会议或模板的参考资料；Google Scholar 只用于人工发现，不作为权威核验来源，默认核验使用 Semantic Scholar、CrossRef、arXiv 等程序化来源。
2. 在项目计划、实验笔记或文献摘要变成正文之前执行声明台账闸门：找出支撑该句的 Claim Candidate 或 Evidence Record，保留允许的措辞与禁止的更强措辞，把项目计划当作假设除非有实验产物或已核验论文支持，不要把相关工作动机当作本文结果的证据，无法支撑的声明标记为 [CLAIM NEEDS EVIDENCE] 而不是润色它。
3. 从研究仓库起步时按 Workflow 0 执行：探索仓库结构；阅读 README、已有文档和关键结果；与科学家确认主要贡献；找出代码库中已引用的论文；搜索更多相关文献；一起列出论文大纲；带反馈迭代起草各章节。
4. 探索仓库时运行 ls -la、find . -name "*.py" | head -20、find . -name "*.md" -o -name "*.txt" | xargs grep -l -i "result\|conclusion\|finding"，重点查看 README.md、results/、outputs/、experiments/、configs/、已有 .bib 文件或引用、草稿或笔记。
5. 用 grep -r "arxiv\|doi\|cite" --include="*.md" --include="*.bib" --include="*.py" 和 find . -name "*.bib" 找出代码库中已有引用，作为 Related Work 的高信号起点。
6. 动笔前与科学家明确确认贡献，例如询问“基于我对仓库的理解，主要贡献似乎是 [X]，关键结果显示 [Y]，这是你想要的论文框架吗，还是应强调其他方面？”，绝不自行假设叙事。
7. 用 “[主要技术] + [应用领域]”“[基线方法] comparison”“[问题名] state-of-the-art” 以及已有引用的作者名等查询搜索补充文献，再用引用工作流核验并获取 BibTeX。
8. 主动交付完整初稿：若仓库结果清晰且贡献明显，先过声明台账闸门，再端到端写出仅含可支撑声明的完整初稿，显式标出无支撑或推测性声明，提交完整草稿征求意见并迭代；若对框架或主要声明确实不确定，先起草有把握的部分，标注具体不确定点并继续写，而不是阻塞等待。
9. 把问题随草稿一起提出而非提前阻塞，例如“我把 X 强调为主要贡献，如需调整请告知”“我突出了结果 A、B、C，如有更重要的请说明”“相关工作包含 [论文]，请补充我遗漏的”。
10. 按置信度决定主动性：高置信（仓库清晰、贡献明显）写完整草稿后迭代；中置信（有些模糊）写草稿并标注不确定处继续；低置信（重大未知）先问 1-2 个针对性问题再起草。
11. 仅在以下情况阻塞等待输入：目标会议不明确（影响页数与框架）、多个互相矛盾的框架同样合理、结果不完整或不一致、被明确要求先审阅再继续；不要因措辞选择、章节顺序、展示哪些结果、引用完整性而阻塞。
12. 按 Workflow 1 迭代写完整论文：与科学家定义一句话贡献；起草 Figure 1 并获取反馈修订；起草摘要并反馈修订；起草引言并反馈修订；起草方法并反馈修订；起草实验并反馈修订；起草相关工作并反馈修订；起草局限性并反馈修订；完成论文 checklist；最终审阅并投稿。
13. 用一句话说清贡献：明确本文唯一贡献是什么、在你工作之前什么是不明显或不存在的，并向科学家确认“我建议把贡献表述为：‘[一句话]’，这是你认为的主要要点吗？需要调整重点吗？”。
14. 优先打磨 Figure 1：传达核心思想、方法或最引人注目的结果；图表用矢量图（PDF/EPS）；图注可脱离正文独立阅读；确保黑白可读（8% 男性有色觉缺陷）。
15. 按 Sebastian Farquhar 的五句式写摘要：1) 你实现了什么（“We introduce...”“We prove...”“We demonstrate...”）；2) 为什么这很难且重要；3) 你如何做到（含便于检索的专业关键词）；4) 你有什么证据；5) 你最显著的数字/结果；删除“Large language models have achieved remarkable success...”这类通用开头。
16. 写引言（最多 1-1.5 页）：包含 2-4 条每条不超过 1-2 行（双栏格式）的贡献要点列表、清晰的问题陈述、简要方法概述；方法部分最迟在第 2-3 页开始。
17. 写方法部分以支持复现：给出概念大纲或伪代码、列出所有超参数、提供足以复现的架构细节；只呈现最终设计决策，消融实验放到实验部分。
18. 写实验部分时对每个实验明确说明：它支撑什么声明、如何联系主要贡献、实验设置（细节放附录）、应观察什么（如“蓝线显示 X，表明 Y”）；必须包含带方法说明的误差棒（标准差还是标准误）、超参数搜索范围、计算基础设施（GPU 类型、总小时数）、随机种子设置方法。
19. 按方法论而非逐篇论文组织相关工作：好例子是“一条工作线使用 Floogledoodle 的假设 [refs]，而我们使用 Doobersnoddle 的假设，因为……”；坏例子是“Snap 等人提出 X，而 Crackle 等人提出 Y”；引用要慷慨，因为审稿人很可能写过相关论文。
20. 必须写局限性章节：所有主要会议都要求；诚实反而有利，审稿人被指示不得因诚实承认局限而扣分；主动指出弱点以先发制人，并解释为何局限不削弱核心声明。
21. 完成会议要求的论文 checklist：NeurIPS、ICML、ICLR 都要求，参见 references/checklists.md。
22. 遵循叙事原则：论文不是实验集合，而是一个有单一明确贡献并由证据支撑的故事；在引言结束前必须讲清三根支柱——The What（1-3 个同一主题下具体的新声明）、The Why（严格实证证据，强基线、能区分假设的实验）、The So What（读者为何关心，与公认社区问题的联系）；若不能用一句话陈述贡献，就还没有论文。
23. 按 Neel Nanda 的建议分配时间：摘要、引言、图表、其余全部内容各占约相等时间，因为多数审稿人在读到方法前已形成判断，读者接触顺序是标题→摘要→引言→图表→也许其余部分。
24. 按 Gopen & Swan 的 7 条读者预期原则写句子：主谓靠近；把强调放在句末（如“When using attention, accuracy improves by 15%”）；主题位置先放语境；先旧信息后新信息；一段一个要点；用动词而非名词化（“We analyzed”而非“We performed an analysis”）；先铺垫语境再呈现内容。
25. 应用 Ethan Perez 的微观技巧：少用代词（“This result shows...”而非“This shows...”）；动词靠前；别扭时展开所有格（“The Y of X”而非“X's Y”）；删除填充词 actually、a bit、very、really、basically、quite、essentially。
26. 按 Zachary Lipton 的建议选词：具体化（用 accuracy 或 latency 而非 performance）；去掉 may、can 等模糊限制词除非确实不确定；避免增量式词汇（用 develop、propose、introduce 而非 combine、modify、expand）；删除强化词（“provides tight approximation”而非“provides very tight approximation”）。
27. 按 Jacob Steinhardt 的建议追求精确：同一概念只用统一术语；定理前正式列出所有假设；在形式化证明之外提供直觉解释。
28. 按审稿人实际阅读行为排优先级：摘要 100% 会读、引言 90%+ 会略读、图表在方法前被查看、方法只在感兴趣时读、附录很少读；因此摘要与引言必须抓人。
29. 遵守各会议页数与要求：NeurIPS 2025 为 9 页、强制 checklist、接收后需 lay summary；ICML 2026 为 8 页、可加 1 页、必须 Broader Impact Statement；ICLR 2026 为 9 页、可加 1 页、需 LLM 披露与互审承诺；ACL 2025 长文 8 页、Limitations 章节强制；AAAI 2026 为 7 页、可加 1 页、严格遵守样式文件；COLM 2025 为 9 页、可加 1 页、聚焦语言模型；所有会议通用要求：双盲评审、参考文献不计页数、附录不限但审稿人不必读、必须用 LaTeX。
30. 按 Workflow 4 从模板开始新论文：先完整复制整个模板目录到新项目；在未做任何修改前验证模板可编译；阅读模板示例内容理解结构；逐节替换示例内容；保留模板注释/示例作参考直到完成；最后才清理模板残留物。
31. 复制模板时执行 cp -r templates/neurips2025/ ~/papers/my-new-paper/ 并 cd 进去，确认 main.tex、neurips.sty、Makefile 等齐全；必须复制整个目录而非只复制 main.tex，因为模板含 .sty、.bst、示例内容和 Makefile。
32. 修改前先用 latexmk -pdf main.tex 或 pdflatex main.tex + bibtex main + pdflatex main.tex + pdflatex main.tex 验证模板原样可编译；若不能编译先修复，常见问题是缺 TeX 包（用 tlmgr install <package> 安装）或 TeX 发行版不对（推荐 TeX Live）。
33. 把模板示例内容以注释形式保留作格式参考，例如保留注释掉的 figure 环境示例，同时写自己的 figure 并沿用相同 caption 风格。
34. 按固定顺序逐节替换内容：标题与作者（投稿时匿名化）、摘要、引言、方法、实验、相关工作、结论、参考文献（你的 .bib 文件）、附录；每节先读模板示例、注意特殊格式或宏、按同样模式替换、频繁编译以尽早发现错误。
35. 使用模板定义的宏，检查导言区是否有 \newcommand{\method}{YourMethodName}、\newcommand{\eg}{e.g.,\xspace}、\newcommand{\ie}{i.e.,\xspace}、\newcommand{\etal}{\textit{et al.}\xspace} 等并加以使用。
36. 只在论文接近完成时才清理模板残留：删除注释掉的模板示例、未使用的宏包、模板示例图表、占位文本；保留所有 .sty、.bst、模板要求的宏包以及你在用的自定义宏。
37. 避免模板陷阱：不要只复制 main.tex（会缺 .sty 无法编译）；不要修改 .sty 文件（会破坏会议格式）；不要随意加宏包（会冲突）；不要过早删除模板内容（会失去格式参考）；不要不频繁编译（错误会累积）。
38. 按 Workflow 3 做会议改投与格式转换：识别源与目标模板差异；用目标模板新建项目；只复制内容章节（不复制导言区）；调整页数与内容；更新会议特定要求；验证编译与格式。
39. 转换时绝不跨模板复制 LaTeX 导言区：先用 cp -r templates/icml2026/ new_submission/ 新建，再只复制摘要文本、\section{} 之间的章节内容、图表、参考文献条目，粘贴进目标模板结构。
40. 按页数变化调整内容：需要压缩时（如 NeurIPS 9 → AAAI 7）把详细证明移到附录、精简相关工作（引用综述而非逐篇）、把相似实验合并成统一表格、用子图缩小图尺寸、收紧写作消除冗余并用主动语态；需要扩展时（如 ICML 8 → ICLR 9）补充审稿人要求的消融、扩展局限性讨论、加入更多基线、添加定性示例。
41. 按目标会议补充特定内容：ICML 需 Broader Impact Statement（结论之后）；ICLR 需 LLM 使用披露与互审协议；ACL/EMNLP 需 Limitations 章节（强制）与 Ethics Statement；AAAI 需严格遵守样式文件（不得修改）；NeurIPS 需论文 checklist（附录），接收后需 lay summary。
42. 更新参考文献：删除会暴露身份的自引（盲审）；把“under review”引用更新为已发表版本；补充上次投稿后新发表的相关工作。
43. 被拒后改投时：要在新版本中回应审稿人关切、补充审稿人要求的实验/澄清；不要写“与上次投稿相比的改动”章节（盲审）；不要提及上次投稿或评审意见。
44. 避免常见转换陷阱：不要复制 \usepackage 命令（会冲突）；不要保留旧会议的页眉页脚命令；不要忘记更新 \bibliography{} 路径；不要漏掉会议特定必需章节；不要在格式变化后超出页数限制。
45. 严格遵守引用黄金法则：绝不凭记忆生成 BibTeX，始终程序化获取；无法程序化核验时标记为 [CITATION NEEDED] 或 [PLACEHOLDER - VERIFY] 并明确告知科学家，绝不编造听起来合理的参考文献。
46. 按 Workflow 2 添加引用：用 Semantic Scholar / CrossRef / arXiv / OpenAlex 搜索；确认标题、作者、年份、会议；从 DOI、arXiv 或其他可信导出路径获取 BibTeX；核验被引声明确实出现在原文中；把已核验 BibTeX 加入参考文献；任一步失败就标记为占位符并明确报告。
47. 按引用规则表处理：元数据、BibTeX、声明三者都核验通过才使用该引用；论文存在但未核验声明时只用于一般性归属而非精确技术声明；发现渠道提示有论文但元数据仍弱时只作为线索而非最终引用；无法程序化核验时标记 [CITATION NEEDED] 并告知科学家。
48. 需要更好论文搜索体验时安装 Exa MCP：Claude Code 用 claude mcp add exa -- npx -y mcp-remote "https://mcp.exa.ai/mcp"；Cursor / VS Code 在 MCP 设置中加入 {"mcpServers":{"exa":{"type":"http","url":"https://mcp.exa.ai/mcp"}}}；然后用它做如“Find papers on RLHF for language models published after 2023”的搜索，再用 Semantic Scholar API 核验并通过 DOI 获取 BibTeX。
49. 按 Workflow 5 做文献研究：定义搜索范围与关键词；搜索 arXiv 与学术数据库；按标题/摘要筛选；用 5 个维度评估质量；选出顶级论文并提取引用；程序化核验引用。
50. 定义搜索范围时区分技术导向（transformer architecture、graph neural networks、self-supervised learning）、应用导向（medical image analysis、reinforcement learning for robotics、language model alignment）、问题导向（out-of-distribution generalization、continual learning、fairness in ML）。
51. 用 arXiv 定向搜索，URL 模式为 https://arxiv.org/search/?searchtype=all&query=KEYWORDS&abstracts=show&order=-announced_date_first，例如 https://arxiv.org/search/?searchtype=all&query=graph+neural+networks&abstracts=show&order=-announced_date_first 或 https://arxiv.org/search/?cat:cs.LG+AND+all:transformer&abstracts=show&order=-announced_date_first；用 + 表示 AND，按 cs.LG、cs.AI、cs.CV、cs.CL 过滤，按 announced_date_first 排序，有 Chrome MCP 工具时用于自动化。
52. 按标题与摘要快速筛选：与研究主题的相关性、贡献的新颖性、作者所在会议/声誉、代码可用性（查 GitHub 链接）。
53. 用 5 维质量标准评估论文并加权打分：Innovation 30%（新颖性与原创性）、Method Completeness 25%（清晰度与可复现性）、Experimental Thoroughness 25%（验证深度）、Writing Quality 10%（表达清晰度）、Relevance & Impact 10%（领域重要性）；每维 1-5 分后计算加权总分。
54. 按总分排序选论文并提取元数据：标题、作者、arXiv ID、摘要，记录代码仓库链接。
55. 按质量阈值取舍：4.0+ 优秀（一定纳入）；3.5-3.9 良好（相关就纳入）；3.0-3.4 一般（高度相关才纳入）；<3.0 差（除非必需否则排除）。
56. 在起草或修订涉及引言框架、相关工作组织、方法阐述风格、结果叙述、讨论框架、面向会议的润色时，先读取 paper-miner 维护的已安装写作记忆 references/knowledge/paper-miner-writing-memory.md；读取顺序为：仓库本地证据与实验产物 → 该记忆（若有相关条目）→ 被引论文或笔记 → 会议模板与格式约束。
57. 窄读而非通读该写作记忆：先扫 “How this helps our writing”，再看 “Writing patterns mined” 与 “Structure signals”，只在需要具体措辞时看 “Reusable phrasing”，面向已知会议时看 “Venue-specific signals”。
58. 维护写作记忆时遵守贡献规则：每篇被 paper-miner 挖掘的论文都应改进同一个已安装记忆；不要把新挖掘知识分散到多个文件；不要创建项目专属的 paper-miner 记忆；不要重复同一来源中近乎相同的模式；详见 references/knowledge/README.md。
59. 用 booktabs 宏包制作专业表格，例如 \usepackage{booktabs} 与 \begin{tabular}{lcc}\toprule Method & Accuracy ↑ & Latency ↓ \\ \midrule Baseline & 85.2 & 45ms \\ \textbf{Ours} & \textbf{92.1} & 38ms \\ \bottomrule \end{tabular}；规则是每项指标加粗最优值、加方向符号（↑ 越高越好，↓ 越低越好）、数值列右对齐、小数精度一致。
60. 图表规范：所有图和示意图用矢量图（PDF、EPS）；仅照片用位图（PNG 600 DPI）；使用色盲安全配色（Okabe-Ito 或 Paul Tol）；验证灰度可读性（8% 男性有色觉缺陷）；图内不加标题（由 caption 承担）；caption 自包含，读者不看正文也能理解。
61. 若任务本身是生成或重设计论文级图表，改用 publication-chart-skill；ml-paper-writing 仍负责 caption 质量、位置、叙事线与论文整合。
62. 解决常见问题：摘要太泛时，若首句可套用到任何 ML 论文就删掉，从你的具体贡献开始；引言超过 1.5 页时把背景拆到相关工作、贡献要点前置、方法最迟第 2-3 页开始；实验缺少明确声明时在每个实验前加一句“This experiment tests whether [specific claim]...”；审稿人觉得难懂时加显式路标（“In this section, we show X”）、统一术语、图注自包含；缺统计显著性时始终给出误差棒（注明标准差还是标准误）、运行次数、比较方法时的统计检验。
63. 按审稿人评估标准自检四个维度：Quality（技术可靠性、声明有充分支撑）、Clarity（写作清晰、专家可复现）、Significance（社区影响、推进理解）、Originality（新洞见，不要求新方法）；对照 NeurIPS 6 分制：6 强接收（开创性、无懈可击）、5 接收（技术扎实、高影响）、4 边缘接收（扎实但评估有限）、3 边缘拒稿（扎实但缺点超过优点）、2 拒稿（技术缺陷）、1 强拒稿（已知结果或伦理问题）。
64. 编译 PDF 时可选：VS Code/Cursor 安装 LaTeX Workshop 扩展 + TeX Live 后保存自动编译；命令行用 latexmk -pdf main.tex 或 pdflatex + bibtex 流程；在线可上传到 Overleaf；详见 templates/README.md。

适用边界 · 注意事项

• 目标会议不明确时不要直接开写，因为页数限制与框架会受影响，应先确认会议。
• 存在多个互相矛盾且同样合理的框架、结果不完整或不一致、或被明确要求先审阅再继续时，不要继续自主起草，应先阻塞并询问。
• 不要凭记忆生成 BibTeX 或编造听起来合理的参考文献；无法程序化核验时必须标记占位符并告知科学家。