SKILL.md

metadata

name: diagnose-aha-moment
description: >-
  Diagnose whether a paper's abstract/introduction creates a clear reviewer "Aha
  Moment". Identify the central realization (原来是这样 / 原来还能这样), separate problem /
  motivation / insight, list the commitments the opening makes, and check
  whether the method and experiments actually close those commitments. Use when
  evaluating or revising a paper's abstract or introduction narrative before
  submission. Output is a DIAGNOSIS only — do not rewrite the text here; hand
  off to a revision skill for that.
metadata:
  owner_model: ParadoxGPT-Writer-4B
  skill_family: writer
  version: '0.1'
  output_type: diagnosis
  default_language: zh
  trigger_keywords:
    - abstract
    - introduction
    - aha moment
    - realization
    - motivation
    - insight
    - commitment
    - narrative
    - 投稿前检查
  required_inputs:
    - title
    - abstract
    - introduction
    - method_summary
  optional_inputs:
    - experiment_summary
    - reviewer_concerns
  handoff_to:
    - rewrite-abstract-with-commitments
    - detect-overclaim-missing-closure
    - map-claims-to-experiments

Diagnose Aha Moment

Purpose

判断一篇论文的 abstract / introduction 是否给审稿人制造了清晰的"Aha Moment"（认知更新）。这是 ParaWriter 的核心诊断能力：一篇强论文的开头不是信息罗列，而是对审稿人认知状态的有序改造。本 skill 只做诊断，不动手改写——它输出问题在哪、风险在哪、优先改什么，把"要不要改、怎么改"留给 revision skill。

When to Use

• 作者想知道 abstract / introduction 有没有"打动审稿人"的核心 realization。
• 投稿前自查，或拿到 review 后复盘开头叙事。
• 需要判断开头许下的承诺，正文是否真的兑现。

Do Not Use

• 想直接得到改写后的 abstract / introduction → 用 rewrite-abstract-with-commitments。
• 主要担心的是 overclaim / 实验不闭环 → 用 detect-overclaim-missing-closure。
• 想从 idea 反推形成路径 → 用 Creator 的 reverse-engineer-paper-idea（那是 idea 维度，不是写作维度）。
• 只想润色句子、不涉及论证主线 → 不在本 skill 范围。

Required Inputs

• title: 论文标题
• abstract: 原文 abstract
• introduction: 原文 introduction（段落级）
• method_summary: 方法概要（够判断承诺是否能被方法回应即可）
• experiment_summary: 实验概要（optional，但有则能判断 closure）
• reviewer_concerns: optional，已有 review 时帮助定位

Output Contract

输出为结构化诊断，必须包含以下小节（自然语言为主，不要纯 JSON）：

1. central_realization — 论文试图制造的核心认知更新，一句话。
2. realization_type — 原来是这样（解释型：重新解释一个现象/机制/瓶颈/失败）或 原来还能这样（构造型：打开新的建模/设计路径），并说明依据。
3. problem_motivation_insight — 把 problem setting / motivation / core insight 三者分开陈述，并指出是否被混为一谈。
4. main_commitments — abstract/introduction 许下的主要承诺（claim）清单。
5. closure_status — 每条承诺是否被 method / experiment 兑现（closed / partially / unsupported）。
6. main_writing_risk — 当前开头最大的写作风险（如 insight 被埋没、承诺过强、gap 不清）。
7. revision_priority — 可执行的修改优先级（先改什么、为什么）。

Procedure

1. 先只读 abstract + introduction，写下你作为审稿人"被引导到的认知"是什么（不被标题带偏）。
2. 判定 realization_type：这篇是在解释一个已有现象，还是在打开一种新做法？给出依据（篇幅、逻辑推导关系、用词）。
3. 分离 problem / motivation / insight：很多论文把三者搅在一起，逐句归类，指出哪里混淆。
4. 抽取 main_commitments：abstract/intro 里"声称做到了什么"的句子。
5. 用 method_summary / experiment_summary 逐条核对 closure_status。
6. 给出 main_writing_risk 和 revision_priority：优先修最影响审稿人认知更新的问题。

Quality Bar

一个好的输出必须：

• central_realization 是一句话、可被反驳的具体判断，不是"这是一篇重要的工作"这类空话。
• realization_type 给出可核查的依据（指向具体段落/用词），不是凭感觉。
• closure_status 逐条对应承诺，不能笼统说"基本兑现"。
• revision_priority 可直接执行（"把第 2 段的 insight 提前到第 1 句"），不是"建议加强"。

一个差的输出：

• 把 result / 重要性当成 insight。
• 把 motivation 写成"这个问题很重要"，没有说清 gap。
• 笼统夸"叙事清晰"，不指出具体风险。

Failure Modes

• 把 result 当 insight：把实验数字当成核心认知更新。
• 把泛泛重要性当 motivation：没说清 gap / 未解决的张力。
• 承诺与正文脱节：不核对 method/experiment 就说"已兑现"。
• 过度承诺：把局部结果包装成普遍结论（应转 detect-overclaim-missing-closure）。
• 被标题/作者框架带偏：不从文本实际引导去判断 realization。

Handoff

• 如果主要问题是承诺过强 / 实验不闭环 → detect-overclaim-missing-closure
• 如果主要问题是承诺没有对应实验 → map-claims-to-experiments
• 如果诊断清楚、需要直接改写 abstract → rewrite-abstract-with-commitments

Example

Input:

title: IterResearch: Rethinking Long-Horizon Agents with Interaction Scaling
abstract: <...>
introduction: <...>
method_summary: <interaction scaling, 多轮交互放大 agent 能力>
experiment_summary: <长程任务上持续提升，无明显饱和>

Output（节选）:

central_realization: 长程 agent 的瓶颈不在单步能力，而在交互轮次的scaling没被当作一等资源。
realization_type: 原来还能这样 —— 打开"interaction scaling"这一新设计轴，而非仅解释已有现象。
   依据: intro 用 3 段把 compute scaling 的成功类比迁移到 interaction，属构造型叙事。
problem_motivation_insight:
   problem: 长程任务上现有 agent 早早饱和。
   motivation: 单步/单轮优化已边际收益递减。
   insight: 交互轮次本身是可被scaling的一维资源。
   注意: 第 2 段把 motivation 和 insight 混在一起，建议拆开。
main_commitments:
   C1: interaction scaling 带来持续提升（不饱和）。
   C2: 该增益可被一个简单机制获得。
closure_status:
   C1: closed —— 实验曲线显示无明显饱和。
   C2: partially —— 机制简单性只在部分实验体现。
main_writing_risk: insight 被埋在第 2 段中部，首句未点明"interaction 是可scaling资源"。
revision_priority:
   1. 把 insight 提到 introduction 第 1 句。
   2. 拆分第 2 段的 motivation 与 insight。
   3. 补强 C2 的机制简洁性证据，否则降措辞。