SKILL.md
只读
名称
atomic-decomposition
描述
将研究想法分解为原子化、自包含的概念，并建立数学与代码的双向映射。对于每个概念，从论文中提取数学公式并找到代码实现。适用于需要形式化基础的复杂系统论文。
原子化分解
将研究想法分解为原子化概念，并建立数学公式 <-> 代码实现的映射。
输入
$0— 研究想法、论文或方法描述
参考
- 分解提示词和工作流程：
~/.claude/skills/atomic-decomposition/references/decomposition-prompts.md
工作流程（来自 AI 研究员调查代理）
步骤 1：分解为原子化定义
分析研究想法，将其分解为原子化、自包含的概念：
- 每个原子应是一个单一概念
- 必须有清晰的数学基础
- 必须能在代码中实现
- 必须可追溯到具体论文
步骤 2：对于每个原子化定义
A. 论文调研（数学公式）
- 搜索论文中的数学表述
- 提取精确的 LaTeX 公式
- 记录假设和约束
- 记录参考论文
B. 代码调研（实现）
- 搜索代码库中的实现
- 提取对应的代码
- 记录实现细节和变体
- 记录参考仓库
C. 创建知识条目
{
"definition": "核化 Gumbel-Softmax 算子",
"math_formula": "Z = \\text{softmax}((\\log \\pi + g) / \\tau), g \\sim \\text{Gumbel}(0,1)",
"code_implementation": "def gumbel_softmax(logits, tau=1.0): ...",
"reference_papers": ["论文标题 1"],
"reference_codebases": ["github_user/repo_name"],
"assumptions": ["离散采样的可微松弛"],
"connections": ["用于所提出方法的组件 X"]
}
步骤 3：编译知识库
- 将所有原子化定义合并为结构化的知识库
- 验证一致性：每个数学公式都有对应的代码实现
- 验证完整性：每个代码模块都能追溯到形式化定义
- 识别任何缺口（有公式无代码，或有代码无理论）
规则
- 每个原子化定义必须足够具体，以便追溯到具体的公式和代码
- 不要跳过或合并定义——分别分析每个定义
- 如果不确定原子性，宁可进一步分解
- 在分析之前记录分解理由
- 论文中的每个数学概念必须有经过验证的代码
- 每个代码模块必须追溯到形式化的数学定义
