关于阅读论文，应该怎么去阅读，哪些部分是重要的？目前依然是Abs+Conclusion -> 正文完整阅读，怕遗漏一些信息，每篇文章大概一个多小时阅读完毕
1️⃣ 考察意图
面试官想看的不是“你读了多少论文”，而是“你如何高效筛选信息并转化为工程决策”。这是典型的方法论考察，刁钻点在于：候选人常陷入“全文精读”的误区，暴露缺乏优先级意识。答好了能展示：① 快速定位论文核心贡献的能力（如用图表和实验判断创新点）；② 根据研究阶段（入门/复现/追踪）动态调整阅读策略；③ 结构化笔记和对比分析的习惯，这是做 Agent/RAG 系统设计的基础硬实力。
2️⃣ 标准答
阅读论文的核心是目标驱动，而非机械通读。以下是我在追踪 LLM/RAG 论文时的策略，按优先级分层：
- **第一层：筛选（5-10 分钟）**读标题、摘要、结论和图表（尤其是实验表格和架构图）。判断：① 问题是否相关（如 RAG 的检索增强 vs 纯生成）；② 方法是否有新意（如用 ColBERT 的后期交互替代 DPR 的双编码器）；③ 实验是否扎实（看基线是否包含 BM25+、Sparse 和 Dense 方法）。如果三者都不满足，直接跳过，避免时间浪费。
- **第二层：速读（20-30 分钟）**对筛选通过的论文，重点读：
- 方法部分：模型架构（如是否用 RoPE 位置编码、FlashAttention 加速）、训练细节（如 batch size、学习率调度、数据配比）。
- 实验部分：消融实验（看哪个模块贡献最大）、对比基线（是否公平，如用相同 tokenizer 和训练数据）。
- 局限性：作者自己承认的坑（如对长上下文支持差、计算开销大），这往往是工程落地的关键。为什么这么做：方法决定可复现性，实验决定可信度，局限性决定是否值得投入。跳过 Introduction 和 Related Work（除非需要补背景），因为大部分是综述性内容。
- **第三层：精读（1-2 小时）**只有对核心论文（如 RAG 的原始论文、DPR、ColBERT-v2）或需要复现的论文才做。
- 逐行读代码（如果开源）：关注数据预处理、损失函数实现、评估指标计算。
- 复现关键实验：用论文提供的超参数跑一遍，对比结果。
- 做结构化笔记：用模板记录“问题-方法-实验-坑”，并对比 2-3 篇相关论文（如 DPR vs ColBERT vs ANCE）。实际落地的坑：很多论文的代码和论文描述不一致（如实际用了更大的 batch size 或不同的负采样策略）。解法是直接看代码的 config 文件，而不是信论文里的超参数。
- 时间管理：根据论文质量分配时间。
- 经典论文（如 Attention Is All You Need）：精读，花 2-3 小时。
- 增量工作（如某 RAG 论文只改了 prompt 模板）：速读 15 分钟，记下关键 idea 即可。
- 工具类论文（如 FlashAttention）：只读方法部分和实验，跳过理论推导。
3️⃣ 答题模板（30 秒电梯版）
“这个问题我从筛选、速读、精读三个层面回答。筛选层用摘要+图表判断相关性，5 分钟决定是否继续；速读层聚焦方法、实验和局限性，20 分钟提取核心；精读层只对关键论文做，逐行看代码并做结构化笔记。总结一句：阅读效率取决于目标，不是每篇论文都值得全文通读。”
4️⃣ 高频追问 & 应对
追问 1：你如何判断一篇论文是否值得精读？有没有具体标准？
三个硬指标：① 实验基线是否包含当前 SOTA（如 RAG 论文必须对比 BM25+、DPR、ColBERT，否则可能 cherry-pick）；② 消融实验是否完整（比如只报告最终结果，没分析每个模块贡献，说明方法可能不鲁棒）；③ 代码是否开源且可复现（看 GitHub 的 issue 区是否有人反馈复现问题）。如果三个都满足，精读；否则速读后归档。
追问 2：你读论文时怎么做笔记？能举个例子吗？
用结构化模板，每篇论文记录：① 问题定义（如“如何解决 RAG 中检索结果噪声大”）；② 方法核心（如“用 ColBERT 的后期交互计算 token-level 相似度”）；③ 实验关键数字（如“在 NQ 数据集上 Recall@5 比 DPR 高 3.2%”）；④ 坑（如“训练时负采样策略影响大，论文用 BM25 负样本但代码实际用了随机负样本”）。同时维护一个对比表格，把 3-5 篇相关论文的行列对齐，方便快速定位差异。
追问 3：如果一篇论文的代码没开源，你怎么评估它的可复现性？
看实验部分是否提供了足够细节：① 训练超参数（batch size、学习率、warmup steps）；② 数据预处理（分词器、数据过滤规则）；③ 评估指标的计算方式（如 RAG 的 Recall 是 exact match 还是 token-level）。如果这些都有，可以尝试复现；否则只作为 idea 参考，不投入工程实现。另外，可以搜一下第三方复现（如 Hugging Face 的模型库），看是否有人成功跑通。
5️⃣ 避坑 · 常见错误答法
- ❌ “我每篇论文都从头到尾读一遍，包括 Introduction 和 Related Work，确保不遗漏信息。”→ ✅ “我会根据论文质量动态调整：经典论文精读，增量工作速读。Introduction 和 Related Work 通常只读最后一段（总结贡献），因为大部分是背景综述，不是核心贡献。”
- ❌ “我只看摘要和结论，不读方法部分，因为太数学了。”→ ✅ “方法部分必须读，尤其是模型架构图和实验设置。如果数学推导复杂，可以结合代码理解，或者只关注关键公式（如损失函数、注意力计算方式）。”
6️⃣ 简历呼应
- 如果你有 RAG 项目：从“如何用论文指导工程选型”切入，比如“我在做 RAG 系统时，通过对比 DPR 和 ColBERT 的论文，发现 ColBERT 的后期交互更适合长文档检索，最终在 Recall@10 上提升了 5%”。
- 如果你只做过传统 NLP：用“迁移阅读策略”类比，比如“传统 NLP 的论文（如 BERT）和 LLM 论文（如 GPT）的阅读方法类似，都是先看实验效果再决定是否深入，但 LLM 论文更关注训练数据和计算资源”。
- 如果你是校招无项目：聚焦“论文复现 demo”，比如“我复现了 RAG 论文中的检索模块，用 FAISS 实现近似最近邻搜索，并对比了 BM25 和 DPR 的效果，形成了结构化笔记”。
- 《How to Read a Paper》by S. Keshav（经典方法论，适合入门）
- 《RAG 核心论文阅读清单》（包含 DPR、ColBERT、REALM、FiD 等）
- 《Attention Is All You Need》论文精读笔记（理解 Transformer 架构）
- 《FlashAttention: Fast and Memory-Efficient Exact Attention》论文解读（关注工程优化）
- 《LLM 论文阅读模板》（结构化笔记示例，含问题-方法-实验-坑）