Best-Paper-Writing-Skill：AI从摘要生成六页论文底稿

用AI辅助撰写学术论文已成为不少研究者的选择，常见的提示词如“参考顶级会议最佳论文风格修改摘要和引言”，虽能要求模型模仿特定写作范式，但要精准展开研究缺口、引出方法动机、支撑核心贡献，仍需更细致的论证设计。

最近开源的Best-Paper-Writing-Skill项目，正是将顶级会议获奖论文的写作经验整理成可执行的工具，供AI代码模型调用，帮助研究者从已有研究信息出发，生成完整的论文底稿。

该项目分析了60篇CVPR、ICCV和NeurIPS的获奖论文，总结出写作规律并封装其中。研究者只需填写信息表或直接提供一段摘要，就能让AI生成完整的论文底稿。

以CVPR 2026的获奖论文为例，该项目仅凭借原始摘要，在不提供原论文全文、不联网检索的情况下，就为最佳论文D4RT生成了约六页的CVPR格式初稿。生成结果包含标题、摘要、引言、方法和实验部分，可直接适配CVPR模板编译；对于未提供的实验数字、基线和引用，会统一标记为[TODO]，避免凭空补造。除正文外，项目还参考44篇获奖论文的配图规律，规划示意图并直接绘制，保留真实实验数据图的位置。

项目还对比了通用AI草稿与获奖论文的写作差异，发现通用AI生成的论文常存在宽泛铺陈背景、用形容词替代具体机制、方法章节罗列组件、句尾分词结构过多等问题。

统计显示，100%的获奖论文引言会先具体肯定前人工作，约98%随后指出研究缺口及其原因；约78%的论文会在介绍方法前，先提出关于研究问题本身的观察。项目将论文分为方法改进、新能力、规模规律、再检验、机理分析、理论、数据集和测量八类，整理了对应的论证路线。

对比测试中，作者用同一份研究信息，分别用普通提示词和该项目生成摘要与引言。结果显示，通用AI草稿中约32%的句子使用类似“..., making ...”的句尾分词结构，而获奖论文语料中的这一比例仅约8%；普通提示词版本出现2条写作问题警告，使用该项目的版本为0条。

项目还自带两套检查脚本，分别检查摘要与引言的写作问题，以及图注、图片引用、标签和占位图，完成后会生成report.md，汇总核心主张、主张与证据的对应关系和待补充材料。

模型测试方面，Claude Opus、Claude Sonnet、GPT-Sol和GPT-Astra四个模型，在使用该项目后全部提分，方法与实验部分的得分从1.8分提升至3.9分。

该项目提供两种输入方式：一种是填写离线信息表，提供研究贡献、任务、方法和实验结果，导出JSON后交给AI模型；另一种是直接提供已有摘要，项目会先检查信息缺口，集中追问一次后生成完整底稿。项目支持Claude Code和Codex，具体安装方式可查看官方项目主页。

GitHub地址：https://github.com/gulucaptain/Best-Paper-Writing-Skill

项目主页：https://gulucaptain.github.io/Best-Paper-Writing-Skill/