Supervisor-Skills 论文写作方法论：Background–What–How–So What 四段式清单与 Running Example 贯穿叙事

导读：本文基于 Supervisor-Skills 项目论文写作指南（3.1 The Essentials of Completing a Research Paper）展开，讲解"下笔之前必须想清楚的四个问题"——Background/Why（背景与动机）、What（挑战与核心思想）、How（方法与贡献）、So What（实验与验证），并重点剖析如何用贯穿全文的 Running Example 把论文从"干巴巴的技术报告"升级为"有说服力的学术叙事"。读完本文，你将掌握一套可直接复用的论文叙事框架清单，知道每一步该写什么、为什么写、如何与仓库配套的 AI 技能（如 intro-drafter）配合落地。

1. 写作的本质：先搭逻辑框架，再谈语言表达

该指南开篇即点明一个常被忽视的真相：写论文的过程不仅是语言表述的工作，更多的是构建清晰的逻辑框架和表达有力的研究思路。因此，在下笔写正文之前，你需要先想明白几个重要问题。

一个关键的澄清是：下面这些条目并不是论文 Introduction 的写作逻辑，而是一组 checklist（检查清单），用于帮助你在动笔之前思考——这个 Idea 和 Solution 是否值得探索。也就是说，这组清单服务于"要不要做、怎么做才讲得通"的论证设计阶段，而不是写作阶段的直接模板。这与仓库的 intro-drafter 技能的分工相互印证：intro-drafter 负责把已经想清楚的要素（研究背景、局限、核心思想、挑战、方法总览）转化为六段式 Introduction 正文，而本清单解决的是更前端的"想清楚"问题。

从仓库的整体结构看，这篇文档位于 handbook-en/03_Paper_Writing/（论文写作章节），与中文版 3.1 完成一篇科研论文，你需要做几件事情 互为双语版本，是 intro-drafter、paper-writer、tech-paper-template 等多个写作技能共同依赖的方法论源头。

2. 第一问：Background, Why & Problem —— 你这篇论文要干啥？为啥值得干？

这一问对应论文叙事的第一环，核心是把"研究动机"立住。它由四个子项组成：

2.1 现状背景（Current State and Background）

首先要交代清楚你研究的领域是什么——开章明义，点名你是做哪个（小）领域的研究。然后回答两个问题：这个领域现有的代表性工作都做了些什么？这些研究中有什么共性和不足之处？这一步的作用是让读者（尤其是审稿人）在第一时间定位你的研究坐标。

2.2 现有方法的局限性（Limitations of Existing Methods）

在你所选择的领域中，现有方法存在哪些局限？是某些问题没有被完全解决？还是现有方法不能应对一些特定的场景？指出这些局限性，才能佐证你这篇论文的 Motivation、意义和价值。实践中通常归纳不超过 3 点局限，且每一条都要具体到"哪类方法处理不了哪种场景"，避免"现有工作不够好"式的空泛表述。

2.3 明确问题（Clearly Define the Problem）

明确指出论文要解决的核心问题。指南给出的直接写法是：在引言的这一部分清晰写出 "Our goal is to..." / "We study the problem of ..."，直接阐述研究目标或问题。更进一步，要刻画该问题的本质属性与硬约束（例如规模、动态性、异构性、端到端开销等），从而自然导出本文要解决的研究目标或问题定义（Our Goal / Problem Formulation）。硬约束是后续技术挑战的"地基"——如果没有把约束讲清，后面的"为什么难"就失去了落脚点。

2.4 Why：为什么这个问题值得研究？

详细阐述解决该问题能带来什么样的学术价值或实际应用价值。这里有一个贯穿全文的对应原则：这一部分要和后面的 How 和 So What 做对应——你在 Background/Why 里埋下的 motivation，后面的方法和贡献要很好地解决和回应它。也就是说，论文的叙事是一个闭环，动机不是孤立的一段话，而是全篇论证的"种子"。

3. 让 Motivation "活"起来：Running Example 贯穿叙事

在阐述 Why 时，指南强烈建议引入一个 Running Example（贯穿全文的运行例子）。这是让你的论文从"干巴巴的技术报告"升级为"有说服力的学术叙事"的关键手段。

3.1 什么是 Running Example？

它是一个贯穿论文始终的、具体的、真实的应用场景。你的用法是：在 Introduction 中用它引出问题，在 Problem Formulation 中用它解释形式化定义，在 Methodology 中用它展示方法如何一步步工作，在 Experiments 中用它做 Case Study。它就是你整篇论文的"锚点"。

3.2 为什么需要 Running Example？

审稿人每天要审大量论文，他们没有耐心从头到尾仔细阅读你的每一段文字。一个好的 Running Example 能让审稿人在 30 秒内"get 到"你的问题是什么、为什么难、你的方法为什么巧妙。抽象的描述（如"大模型容易产生幻觉"）远不如一个具体的失败案例来得有冲击力。

3.3 怎么设计 Running Example？

最经典的结构是 "真实场景 + 失败案例" 的组合。指南给出了一个 Text-to-SQL 场景的示范：

假设你研究的是 Text-to-SQL 任务中大模型的推理能力问题。不要只说"LLM 在复杂查询上表现不好"，而是给出一个具体的例子：一个涉及多表连接和嵌套子查询的自然语言问题，展示 LLM 直接生成的 SQL 是错误的（缺少了一个关键的 JOIN 条件），然后指出这个错误会导致查询结果多出上千条冗余记录。这个具体的失败案例，比任何抽象的描述都更能让审稿人理解你的问题的迫切性。

仓库中 intro-drafter 技能的 running-example.md 对这套设计做了更系统的工程化总结，将其归纳为两种可套用的模式：

• 模式 A：真实场景 + 具体失败（Pattern A）——先具体描述场景（实体名、度量），再说明用户期待什么，接着展示现有方法产出什么并点名具体失败（错误结果、漏掉的情况、错误决策），最后预告你的方法如何处理。
• 模式 B：正确与错误的并排对比（Pattern B）——对同一输入并排展示"Correct"与"Incorrect"两个输出，标注二者差异的单一维度，说明现有方法产生 Incorrect 输出、你的论文目标是产出 Correct 输出。这一模式特别适合以评估/打分/纠正为核心的论文（judge、scorer、corrector 类贡献）。

3.4 Running Example 的设计原则

指南给出了三条设计原则：

原则	含义
真实且具体	来源于真实数据或场景，不要编造；要有具体的实体名、表名、查询、数据集、路径等
简洁但完整	足够简单以便读者快速理解，但又包含足够的复杂性来展示问题的难度
贯穿全文	在 Introduction、Methodology、Experiments 中反复出现，形成叙事闭环

intro-drafter 的参考资料还补充了六类常见失败模式，写作时值得对照自查：例子过于玩具化（审稿人会推断方法只能处理 toy 场景）、例子不失败（任何现有方法都能正确解决，读者看不出论文存在的必要）、例子在 Introduction 之后就弃用（叙事线断裂）、每节换一个例子（读者分不清谁是主例）、例子过于复杂（30 秒测试失败）、例子细节刻意编造（用 Entity1/Entity2 这类抽象命名，会被推断为伪造）。

4. 第二问：What —— 为啥别人干不了，你能干？有啥技术挑战？核心思想是啥？

这一问解决"新颖性论证"：既要说清楚这个问题的技术难度（为什么别人做不了），也要用大白话讲出你的核心洞见（为什么你能做）。

4.1 技术挑战（Technical Challenges）

要讲清楚你做这个具体研究问题的技术挑战是什么。指南给了一个示例场景：针对"LLM Agent 不能根据每个任务自动编排良好的智能体工作流"的问题，你要提出一个自动智能体工作流编排的方案，这里面的技术挑战是什么？为啥别人干不了？——是算法复杂度太高，数据缺乏，还是缺少有效的理论支持、方法建模还是技术工具？

指南对挑战的写法提出了明确的数量与质量约束：

• 技术挑战通常不超过 3 点，超过 3 点意味着论文失焦；
• 必须解释为何直接套用或简单扩展已有方法难以奏效（挑战不是自说自话的困难，而是要说明"naive 方案为什么不行"）；
• 常见的技术挑战类型包括：搜索空间爆炸、系统开销受限、端到端闭环难、理论/工程约束冲突等。概括起来通常是三种叙事套路：搜索空间大导致效率慢；同时优化 A 和 B 的 trade-off 很难，有没有"一石二鸟"的方案？直接用 naive 的方案实现准确率/效果不行，我们需要更 smart 的方法。

intro-drafter 的 flowchart.md 进一步指出，每个挑战应当是一句"障碍点名 + 一两句 naive 方法为何失败"的组合，且挑战必须回应第 2 段的局限或第 3 段的硬约束，否则读者看不出它被提出的意义。

4.2 核心思想（Core Idea）

面对这些挑战，你提出了什么新的思路或方法？这些思路和方法是受什么启发的？这一部分要求用大白话介绍，让读者能 get 到你的含义，经典的句式模板是：Inspired by... Observation(optional), we propose ...。

值得注意的是，创新思路不一定和前述局限性一一对应——可以用一个核心创新同时解决多个挑战，也可以每个挑战对应一个技术点。仓库的 paper-types.md 给出了更精确的定位规则，它会决定引言各部分的内容权重：

论文类型	叙事主轴	Goal 的写法	适用场景
Technique paper（新方法解决既有问题）	Key Idea / Mechanism	一句话交代即可（bridge）	问题已有既定 benchmark，贡献是更好的方法，如 Alpha-SQL、AFlow
New Problem / Setting paper（新问题/新设定/新任务）	Our Goal / Problem Formulation	问题定义本身就是贡献，承担主要篇幅	定义了社区尚未研究的问题或设定，如 LEAD

5. 第三问：How —— 你是怎么干的？

这一问解决"方法可信度"：既要给出高层次的框架，又要交代清楚每一个关键组件。

5.1 方法概述（Method Overview）

简要描述你的方法框架，给出一个高层次的概览。注意与第四问的核心思想区分：核心思想是"为什么这样想"，方法概述是"整体架构长什么样"。

5.2 方法细节（Method Details）

详细描述方法中每一个关键组件和步骤。指南强调细节要"逐组件、逐步骤"地交代，而不是停留在框架图上。这与配套的 Solution Overview Figure 指南 的要求一致：图中每个模块的名称必须与正文章节标题一一对应，输入输出必须明确。

5.3 贡献总结（Contribution Summary）

在 Introduction 的最后，用一个清晰的列表总结贡献点（通常 3–4 点）。intro-drafter 的 contribution-patterns.md 给出了贡献段的标准结构：

• C1：问题定义/设定（New Problem 类论文）或系统/框架设计（Technique 类论文）；
• C2：1–2 个关键技术贡献（具体算法、数据结构或理论结果）；
• C3：实验评估与具体亮点（不是空泛的"extensive experiments"）；
• C4（可选）：次要贡献，如开源发布、专用模型、跨领域迁移结果。

每个贡献点都应是一两句具体陈述、可被审稿人用"这篇论文在哪一节交付了这个贡献？"来质询，并且最好标注对应章节号。反模式包括：贡献数凑到 4 条但最后一条是空话、两条贡献描述同一机制（应合并）、贡献承诺的结果实验部分并不支持（Promise-and-forget）、用"revolutionary / breakthrough"式营销形容词。投稿前可以按该文件第 6 节提供的贡献审计清单逐项打勾。

6. 第四问：So What —— 你干了那么多，又怎么样？

这一问解决"实验验证"：证明你的方法不仅"讲得通"，而且"做得成、效果好、每个模块都缺一不可"。它的本质是用实验设计完成从 Motivation 到结果的闭环验证——第 2 节埋下的动机，必须在这里被逐条回应。

6.1 主实验（Main Results）

在标准 Benchmark 上与强 Baseline 进行全面对比，证明你的方法在主要指标上有显著提升。这一部分回答"整体上比现有方法好多少"。

6.2 消融实验（Ablation Study）

针对你在"How"部分提出的每一个关键技术点，逐一移除它们，观察性能下降的幅度。这能证明你提出的每一个模块都是不可或缺的。指南特别指出：消融实验本质上是在回答"So What"的细化版本——"没有这个模块会怎么样？"。例如，如果你提出了两个核心技术（一个推理增强模块和一个自监督奖励函数），就需要分别移除它们，展示性能的下降。换言之，有多少个技术点，就要有多少组对应的消融。

6.3 深度分析（In-depth Analysis）

除了准确率等主指标，还需要根据问题的硬约束补充多维度分析——这一部分的实验设计必须与你在 Background/Why 中提出的 Motivation 直接对应，这是很多论文做得不够的地方。两个具体要求：

• Case Study：回到你在 Introduction 中引入的 Running Example，展示你的方法在这个具体例子上的完整工作过程和最终结果。这不仅是对全文叙事的完美收束，也是最能让审稿人"眼前一亮"的部分——Running Example 在这里完成叙事闭环。
• Provide insights：实验不仅要展示"效果好"，更要通过数据解释"为什么好"。每一个实验结果后面，都应该有 1–2 句分析，解释造成性能差异的原因。

这与仓库配套的 Experimental Results Figure 指南 中"每张实验图都要能支撑一个明确的结论"的要求一脉相承。

7. 落地执行建议：先对齐叙事框架，再"先画图、后写文"

指南在结尾给出了两个非常具体的执行建议，这也是整套清单的落地顺序：

1. 先整理、后讨论、再写作：将前述要点整理为可讨论的叙事提纲，与导师沟通是否需要调整论文叙事框架；框架相对稳定后再撰写正文。这套流程在仓库中已被封装为 tech-paper-template 与 3.3 技术类 Full Paper 思考模板——后者的表格将研究背景、局限（最多 3 点）、Key Idea、技术挑战、Our Methodology 的技术点、贡献总结逐项留白，供你直接实例化填写，用于选题讨论、进展梳理与文稿写作三个阶段。
2. 先画主要插图，再写正文：在论文写作的第一阶段，先画好论文的主图，然后再写文字部分。具体而言：画好 Motivated Example 图能更好地帮助修订与检查 Introduction 章节的写作；画好 Solution Overview 图能更好地帮助厘清 Methodology 章节的结构与写作。这与 4.1 Motivated Example Figure 指南（论文中最重要的图，使命是让读者在 30 秒内看懂"论文解决什么问题"与"为什么现有方法不行"）以及 4.2 Solution Overview Figure 指南（Methodology 章节的"灵魂"与阅读地图）完全对应。

下图是配套中文指南 3.2 Introduction 写作的思考模型 中的完整思考流程图，它把本文的四段式清单与 Introduction 的写作链条可视化地串在了一起——从研究背景出发，经过 Limitation 分析、问题定义、技术挑战，最终到方法总览和贡献总结，形成一个完整的逻辑闭环：

8. 配套资源：把这份清单变成可执行的 AI 技能

Supervisor-Skills 项目采用 Guide（理论指南） + Skills（可执行 AI 技能） 的双轨制架构。本文对应的清单既有系统性的理论沉淀，也有可直接调用的技能实现：

阶段	仓库配套技能 / 文档
想清楚 Idea 是否值得做（本文四问）	idea-evaluator、tech-paper-template
撰写 Introduction 正文（六段式输出）	intro-drafter，内部依据 flowchart.md、running-example.md、paper-types.md、contribution-patterns.md
论文正文写作与证据纪律	paper-writer（证据门控、每个事实声明可溯源）及其共享的 evidence-discipline.md
画 Motivated Example / Solution Overview 图	figure-designer、drawio-reconstruction
投稿前自查	pre-submission-reviewer、3.5 写作细节与 Checklist

此外，仓库的案例剖析章节提供了三篇顶会论文的 Introduction 逐段拆解，可以直接对照本文的清单阅读，观察"四段式清单"在真实论文中如何落地：

• ICML 2025 - Alpha-SQL 写作思路剖析（Technique paper 类型：主轴为 Key Idea）
• ICLR 2025 - AFlow 写作思路剖析（Technique paper 类型：将工作流设计转化为代码级搜索优化问题）
• VLDB 2026 - LEAD 写作思路剖析（New Problem/Setting 类型：主轴为 Our Goal / Problem Formulation，用 training loss 实现零额外推理开销的迭代式数据选择）

总结

本文完整梳理了 Supervisor-Skills 论文写作指南 3.1 的核心方法论：Background/Why（背景、局限、问题定义、动机）→ What（不超过 3 点的技术挑战 + 大白话核心思想）→ How（方法概述、方法细节、3–4 点贡献总结）→ So What（主实验、消融、深度分析与 Case Study） 四段式清单，以及贯穿全文的 Running Example 叙事技法。其要义可以概括为三句话：先想清楚再动笔（checklist 而非写作模板）；用一个真实具体的失败案例锚定全篇（30 秒说服审稿人）；先画图后写文（Motivated Example 与 Solution Overview 图先行）。这套方法论在仓库中既沉淀为 中文版指南 与 Introduction 思考模型，也被封装为 intro-drafter、paper-writer、tech-paper-template 等可直接调用的 AI 技能，形成"理论指南 + 可执行技能"的完整闭环。