К основному содержанию
скилл CX Codex

paper-review · takagoto — скилл для Claude Code: разбор статей по RAG

Проводит по научной статье о RAG шаг за шагом: контекст, методы, результаты, практические выводы. Пригодится, когда нужно понять работу, а не просто прочитать аннотацию.

Установить в Claude Code · Через Skills CLI (Vercel) Все способы и платформы ↓
npx skills add TakaGoto/rag-learning-academy --skill paper-review -a claude-code
Открыть на GitHub

Что делает paper-review

Скилл разбирает статью по секциям. Сначала просит название или ссылку, а если их нет — предлагает выбрать из подборки по темам: базовые работы, чанкинг и поиск, продвинутые схемы, оценка качества. Дальше идёт контекст: какую задачу решали авторы, когда вышла работа и на что смотреть при чтении.

Основная часть — проход по разделам от аннотации до ограничений. Метод объясняется через архитектуру, при необходимости рисуется схема в ASCII, математические обозначения переводятся на обычный язык. Результаты и честность бейзлайнов тоже разбираются. Затем скилл вытаскивает то, что можно применить в своём пайплайне, и связывает идеи статьи с учебными модулями курса.

В конце — вопросы на обсуждение и подсказки, что делать дальше: /explain, /build, /challenge. Эти команды относятся к курсу rag-learning-academy, вне его они не сработают. Пройденные разборы скилл записывает в progress/papers-reviewed.md, так что репозиторий курса должен быть под рукой.

Какие задачи решает

  • разобрать научную статью по RAG по разделам
  • понять метод из статьи без чтения формул
  • найти в работе идеи, применимые к своему пайплайну
  • связать прочитанную статью с темами курса
  • обсудить ограничения и спорные места исследования

Примеры запросов агенту

  • Разбери с помощью /paper-review статью Self-RAG: что там за метод и что из него стоит взять
  • Пройди по работе про ColBERT и объясни, чем позднее взаимодействие отличается от обычного поиска
  • Возьми /paper-review и разбери RAPTOR, а потом задай мне вопросы по материалу

Как установить paper-review

1Через Skills CLI (Vercel)

npx skills add TakaGoto/rag-learning-academy --skill paper-review -a claude-code

2Вручную: положить файлы

~/.claude/skills/paper-review/SKILL.md

Папка скилла целиком; для одного проекта — .claude/skills/paper-review/

По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов

Вопросы о paper-review

Как установить paper-review в Claude Code?

Выполните npx skills add TakaGoto/rag-learning-academy --skill paper-review -a claude-code. Файл скилла окажется по пути ~/.claude/skills/paper-review/SKILL.md.

Что делает paper-review?

Ведёт разбор статьи о RAG по шагам: контекст, секции, результаты, практические выводы и вопросы на обсуждение. В конце предлагает следующий шаг из курса.

Нужен ли репозиторий курса для работы скилла?

Да, скилл связан с курсом rag-learning-academy: он ссылается на его модули и команды /explain, /build, /challenge, а пройденные разборы пишет в progress/papers-reviewed.md.

Исходный текст

SKILL.md · MIT
---
name: paper-review
description: "Walk through a RAG research paper together"
---

# Paper Review: Understand RAG Research Papers

Break down RAG research papers into understandable pieces, connecting academic innovations to practical applications the learner can use in their pipeline.

## Step 1: Identify the Paper

If the user provides a paper title or URL (e.g., `/paper-review "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks"`), use that. Otherwise, suggest papers from a curated list organized by topic:

### Foundational Papers
- "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (Lewis et al., 2020)
- "Dense Passage Retrieval for Open-Domain Question Answering" (Karpukhin et al., 2020)
- "REALM: Retrieval-Augmented Language Model Pre-Training" (Guu et al., 2020)

### Chunking and Retrieval
- "Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks" (Reimers & Gurevych, 2019)
- "ColBERT: Efficient and Effective Passage Search via Contextualized Late Interaction" (Khattab & Zaharia, 2020)

### Advanced RAG
- "Self-RAG: Learning to Retrieve, Generate, and Critique through Self-Reflection" (Asai et al., 2023)
- "RAPTOR: Recursive Abstractive Processing for Tree-Organized Retrieval" (Sarthi et al., 2024)

### Evaluation
- "RAGAS: Automated Evaluation of Retrieval Augmented Generation" (Es et al., 2023)

Ask the learner which paper interests them or recommend one based on their current module.

## Step 2: Set Context

Before diving in, give the learner context:
- What problem was this paper trying to solve?
- When was it published and why did it matter at that time?
- What should they pay attention to while reading?
- How does it connect to what they have already learned?

## Step 3: Section-by-Section Walkthrough

Break the paper down into digestible sections:

### Abstract and Introduction
- Summarize the core claim in one sentence
- What gap in existing work does this address?
- What is the proposed solution at a high level?

### Background and Related Work
- What prior work does this build on?
- What are the key concepts the reader needs to understand?
- Fill in any knowledge gaps the learner might have

### Methodology / Approach
- How does the proposed system work? Explain the architecture.
- Draw an ASCII diagram of the system if helpful.
- Translate mathematical notation into plain English where needed.
- Connect each component to practical RAG concepts the learner knows.

### Experiments and Results
- What did they test and how?
- What were the key results? Present the important numbers.
- Were the baselines fair? Any concerns about the evaluation?

### Discussion and Limitations
- What are the acknowledged limitations?
- What are the unacknowledged limitations you can spot?
- What follow-up work did this inspire?

## Step 4: Practical Takeaways

The most important step. Extract actionable insights:

1. **What can you use today?** Specific techniques or ideas applicable to the learner's pipeline.
2. **Key insight**: The one idea from this paper that changes how you think about RAG.
3. **Implementation hints**: How would you implement the core idea in a practical system?
4. **What to skip**: Parts of the paper that are specific to their experimental setup and less useful in practice.

## Step 5: Connect to Curriculum

Map the paper's concepts to specific curriculum modules and lessons. If the learner has not covered a prerequisite concept, briefly explain it or suggest the relevant `/lesson`.

## Step 6: Discussion Questions

Pose 2-3 thought-provoking questions:
- "How would this approach perform on your specific use case?"
- "What trade-offs does this design make that you might handle differently?"
- "If you could extend this work, what would you try?"

Discuss the learner's thoughts. This builds critical thinking about research.

Suggest 2-3 relevant next steps using slash commands:

- `/explain` — deep-dive into a specific concept from this paper you want to understand better
- `/build` — implement the paper's core technique in your own RAG pipeline
- `/challenge` — take on a challenge that applies the ideas from this paper

## Guidelines

- Assume the learner has not read the paper — make it accessible
- Do not just summarize; explain and connect to practical knowledge
- Be honest about limitations — not every paper is a breakthrough
- Encourage the learner to read the original paper after the walkthrough
- Track paper reviews in `progress/papers-reviewed.md`

© TakaGoto · MIT · TakaGoto/rag-learning-academy

Похожие скиллы

Все скиллы по теме «ИИ и ML» →

Сначала — paper-review от других авторов.

paper-review EvoScientist Скилл проводит трёхэтапный стресс-тест вашего научного черновика перед подачей на конференцию или в журнал. CX Codex +1 507установок skill-creator официальный anthropics Помогает создать новый скилл, доработать существующий и проверить результат через тестовые промпты и оценки. 414 180установок writing-for-agents Matt Pocock Помогает писать скиллы и документы с инструкциями для агентов. Пригодится при правках AGENTS.md, CLAUDE.md и связанных справочных файлов. 466 719установок media-use heygen-com Находит и генерирует ассеты для видео в HyperFrames — музыку, дикторский голос, аватары и эффекты. Сохраняет всё локально в assets. CX Codex +1 1 100 000установок mcp-builder официальный anthropics Скилл проводит через создание MCP-сервера на TypeScript или Python: от изучения протокола до тестов и оценки качества. 130 949установок subagent-driven-development Jesse Vincent Скилл выполняет план через отдельных субагентов для каждой задачи и проверяет результат после каждого шага. Подходит для независимых задач в одной сессии. CX Codex 237 746установок orchestration stablyai Координирует воркеров Orca через DAG задач, циклы супервизора и цепочки сообщений. Пригодится для распределения сложной работы между агентами. CX Codex +1 350 300установок

Из того же набора16

sandbox Разворачивает минимальный рабочий RAG-пайплайн с тестовыми данными для быстрых экспериментов. CX Codex +1 ★ 24звёзд репо roadmap Скилл собирает картину обучения RAG: завершённые уроки, достижения, пробелы и следующие шаги. Пригодится, чтобы понять, что изучать дальше. CX Codex +1 ★ 24звёзд репо recap Собирает из файлов прогресса короткую сводку прошлого занятия: что прошли, какие идеи разобрали, что дальше. Пригодится, когда возвращаешься к учёбе после перерыва. CX Codex +1 ★ 24звёзд репо quiz Генерирует интерактивные тесты по концепциям RAG и оценивает ответы. Помогает проверить знания перед переходом к коду. CX Codex +1 ★ 24звёзд репо journal Скилл записывает короткие заметки о том, что понял или не понял во время учёбы, и складывает их в progress/journal.md. Пригодится, если хотите вести дневник обучения без лишних движений. CX Codex +1 ★ 24звёзд репо fix Диагностирует сбои в готовом RAG-пайплайне и правит код без лекций и теории. Пригодится, когда поиск выдаёт мусор или модель галлюцинирует. CX Codex +1 ★ 24звёзд репо explain Скилл разбирает понятия RAG от простой аналогии до кода и практических компромиссов. Пригодится, когда нужно понять, например, эмбеддинги, чанкинг или гибридный поиск. CX Codex +1 ★ 24звёзд репо debug-rag Ведёт по шагам от симптома к причине: модель врёт, поиск отдаёт не то, ответ неполный. Подходит, когда RAG уже собран, но работает плохо. CX Codex +1 ★ 24звёзд репо

Спонсоры проекта

Компании, которые помогают держать аналитику открытой