# OutlineLens

## References
+ 🔗 [**RogelioKG - langchain**](https://hackmd.io/@RogelioKG/langchain)

## Rules

### Introduction

+ **目標**：建立大局觀，引導讀者進入主題。
+ **敘述邏輯**：
- **從大方向開始**：先敘述廣泛的背景、受眾（可參考 Overview 文章）。
- **強調重要性**：說明此技術為何重要。
- **漸進式聚焦**：過程不跳躍，由廣至深，慢慢限縮至你想做的點（[Motivation](#Motivation)）。
+ **前後呼應**：此處內容需為 [Motivation](#Motivation) 做鋪墊，[Motivation](#Motivation) 提到的，這裡都要先提及。

### Motivation

+ **目標**：定義價值與挑戰，說服讀者「為什麼要解決這個問題」。
+ **核心價值**：明確指出「價值（value）」與「問題（problem）」。
+ **敘述方向**：
- **背景**：確認問題發生的場景。
- **受眾**：誰面臨困難？有何需求？
- **技術**：現有技術的限制、缺點或可優化之處。
+ **關鍵要素**：
- **挑戰**：難點在哪裡？
- **效益**：改善後的好處與優勢。
+ **關聯性**：這裡提到的挑戰，需在 [Problem Definition](#Problem-Definition) 中被定義。

### Problem Definition

+ **目標**：將動機轉化為具體的輸入/輸出與限制。
+ **前提與假設**：
- **Known**：已知的知識。
- **Limitation**：已知的限制。
+ **核心定義**：
- **Input**：輸入是什麼。
- **Output**：輸出是什麼。
- **Target**：描述目的與期待結果。
+ **關聯性**：Input/Output 的定義將決定 [Proposed Method](#Proposed-Method) 的設計基礎。

### Related Work

+ **目標**：定位研究座標，找出 gap 以突顯 novelty。
+ **論文類型**：
- **直接相關**：相同問題，已有 solvable solutions（將成為 [Experiment](#Experiment) 的比較對象）。
- **間接相關**：能解決你的問題（不同題目）或無法解決你的問題（你是第一人）。
+ **關聯性分析**：
- **Problem 面向**：指出現有方法不符合哪項限制。
- **Method 面向**：強調 gap（與你方法的差距，如執行過久、無保存狀態）、New、Novelty。

### Proposed Method

+ **目標**：詳述解決方案的設計與邏輯。
+ **設計依據**：嚴格根據 [Problem Definition](#Problem-Definition) 的 Input/Output 進行設計。
+ **描述方式**：
- **靈感路徑**：靈感 -> 目的 -> 方法。
- **對比路徑**：問題/原因 -> 做法（強調改善前後對比）。
- **切入點**：從「技術問題」或「Why use」下手，解釋為什麼這樣設計。

### Experiment

+ **目標**：證明貢獻（proof of contribution）。
+ **預計目標**：驗證 [Problem Definition](#Problem-Definition) 中預計達成的目標。
+ **比較對象**：
- **Related Work**：若有 solvable solutions，必須納入比較。
- **Baseline**：基礎對照組。
+ **最終結果**：
- **貢獻**：實驗結果必須直接對應並支撐 [Contribution](#Contribution)。
- **數值**：必須有實際數值佐證，才可宣稱貢獻。

### Contribution

+ **目標**：總結研究成果與實際效益。
+ **核心定義**：改善、解決問題，並有實際效益（實驗數值）。
+ **敘述內容 (缺一不可)**：
1. 簡述問題、方法、特性。
2. 比較對象。
3. 實際數據、效益。
+ **例外處理**：若某些情況數據較差，可移至 Limitation 章節說明，保持誠實原則。

## Error

### 🔴 邏輯謬誤 / 結構謬誤 (Logical Fallacy / Structural Gap)
+ 定義：論點前後矛盾、推論跳躍、結論無法被實驗支持
+ 為什麼：這是最嚴重、必須優先處理的硬傷

### 🟡 證據缺失 / 不夠具體 (Lack of Evidence / Vague)
+ 定義：宣稱某個貢獻但未說明方法、使用了模糊形容詞（如 "good performance" 但沒給指標）
+ 為什麼：這是學術寫作的大忌，需要使用者補充資料

### 🔵 清晰程度 / 風格問題 (Clarity / Style)
+ 定義：句子過於冗長、術語使用不標準、語氣不夠學術。
+ 為什麼：這是「優化項」，不改可能也能過，但改了更好。

## Data
+ Outline
1. 給教授看的 bullet list，用 PowerPoint 的 graph 呈現
2. 輸入可以支援 Plain Text (優先)、Image (透過多模態 LLM)
+ Source
1. 所有學長姐的 Outline
2. 教授的批改 (錯誤段)
+ Benchmark
1. 錯誤地方有沒有正確劃定出
2. 錯誤規則有沒有正確列出 (同個可能有多條)

## Professor
+ 檢查器：<mark>先做</mark>，「分類錯誤」是對的方向
+ 產生器：AI 修正 / 人類建議 (AI 幫忙補充)
+ 教授說明：Outline 的修改可以有來有回，讓人類參與 (HITL)
> 有 HITL 才是好 Agent [name=RogelioKG]
+ Idea (實用性)：用自然語言和 Agent 溝通時，Agent 在確保不違反規則的情況下，部分更新 outline 的 bullet list
+ Idea (實用性)：有個對話窗口，讓 LLM 能夠和人類對話，解釋 outline 為何要這樣修改
+ 教授加碼：<mark>把一段文章轉換成 outline</mark>

## To-do
> 預計：2026 / 03 完成