import live www.sillylaird.ca webrootHEADmain

1 files changed, 120 insertions, 0 deletions

diff --git a/.agents/skills/research-ideation/examples/example-literature-review.md b/.agents/skills/research-ideation/examples/example-literature-review.md
new file mode 100644
index 0000000..4b4e79e
--- /dev/null
+++ b/.agents/skills/research-ideation/examples/example-literature-review.md
@@ -0,0 +1,120 @@
+# 文献综述示例：Transformer 模型可解释性研究
+
+## 研究主题
+
+本文献综述聚焦于 Transformer 模型的可解释性研究，特别是注意力机制的解释和理解。
+
+## 1. 引言
+
+### 1.1 研究背景
+
+Transformer 模型自 2017 年提出以来，已成为自然语言处理领域的主流架构。然而，其内部工作机制仍然不够透明，限制了模型的可信度和在关键应用中的部署。
+
+### 1.2 研究重要性
+
+**学术价值**：
+- 深入理解深度学习模型的工作原理
+- 为模型改进提供理论指导
+- 推动可解释 AI 领域发展
+
+**实际价值**：
+- 提高模型可信度
+- 辅助模型调试和优化
+- 满足监管和伦理要求
+
+### 1.3 综述范围
+
+本综述涵盖 2020-2024 年间发表的相关工作，重点关注：
+- 注意力机制的可视化和分析
+- 模型内部表示的探测
+- 可解释性评估方法
+- 应用案例研究
+
+## 2. 主要研究方向
+
+### 2.1 注意力可视化方法
+
+**代表性工作**：
+
+**Clark et al. (2019) - "What Does BERT Look At?"**
+- 会议：ACL 2019
+- 贡献：系统分析 BERT 的注意力模式
+- 发现：不同层的注意力关注不同语言现象
+- 引用次数：1200+
+
+**Vig (2019) - "A Multiscale Visualization of Attention"**
+- 会议：ACL 2019 Demo
+- 贡献：开发交互式注意力可视化工具
+- 工具：BertViz（开源）
+- 影响：广泛使用的可视化工具
+
+**主要发现**：
+- 早期层关注句法结构
+- 中间层关注语义关系
+- 后期层关注任务相关特征
+
+### 2.2 模型探测方法
+
+**代表性工作**：
+
+**Tenney et al. (2019) - "BERT Rediscovers the Classical NLP Pipeline"**
+- 会议：ACL 2019
+- 贡献：使用探测任务分析 BERT 的语言知识
+- 方法：Edge probing tasks
+- 发现：BERT 隐式学习了传统 NLP 流程
+
+**Rogers et al. (2020) - "A Primer on BERTology"**
+- 期刊：TACL 2020
+- 贡献：系统综述 BERT 的可解释性研究
+- 影响：成为该领域的重要参考文献
+- 引用次数：800+
+
+**主要发现**：
+- 模型学习了丰富的语言知识
+- 不同层编码不同层次的信息
+- 知识分布在多个层中
+
+## 3. 研究趋势与空白
+
+### 3.1 当前研究趋势
+
+**从静态分析到动态分析**：
+- 早期工作主要分析训练好的模型
+- 近期工作开始关注训练过程中的动态变化
+
+**从单一方法到综合方法**：
+- 结合多种可解释性技术
+- 跨层次、跨模态的分析
+
+**从理解到应用**：
+- 将可解释性用于模型改进
+- 辅助模型调试和优化
+
+### 3.2 研究空白
+
+**理论基础不足**：
+- 缺乏统一的可解释性理论框架
+- 注意力权重与模型行为的因果关系不明确
+
+**评估标准缺失**：
+- 缺乏标准化的评估方法
+- 人类评估成本高且主观性强
+
+**长文本处理**：
+- 现有方法主要针对短文本
+- 长文本的注意力模式更复杂
+
+## 4. 总结
+
+本综述系统梳理了 Transformer 模型可解释性研究的主要方向和代表性工作。主要发现包括：
+
+1. **注意力机制**：不同层关注不同语言现象，但注意力权重不能完全解释模型行为
+2. **内部表示**：模型隐式学习了丰富的语言知识，分布在多个层中
+3. **研究空白**：理论基础、评估标准、长文本处理等方面仍需深入研究
+
+**未来研究方向**：
+- 建立统一的可解释性理论框架
+- 开发标准化的评估方法
+- 探索长文本的可解释性
+- 将可解释性用于模型改进
+