Comparative Synthesis 是一个专为深度分析用户历史 DeepScan 报告而设计的智能工具，旨在帮助用户高效整合、对比和提炼多个独立研究会话中的关键发现。与启动新的扫描任务不同，该技能专注于对已完成的 DeepScan 结果进行跨运行的综合分析，从而揭示长期研究趋势、识别共识与分歧，并发现未被充分覆盖的研究空白。它通过调用 `summarize_evidence` 快速聚合用户存储的多份报告摘要，并结合 `get_deepscan_report` 获取特定会话的详细数据，最终生成结构清晰、引用具体的综合结论。输出内容围绕共同发现、差异点、研究缺口及时间趋势四大维度展开，确保信息高度浓缩且具备可解释性。整个流程支持数据可视化，可在合适场景下使用 `run_python_plot` 绘制论文重叠分布、发表年份直方图或主题共现热力图等图表，增强对比效果。该工具适用于需要横向比较不同研究方向、追踪某一主题演进过程或生成月度/季度研究综述的用户。
核心功能特点
- 自动聚合用户历史 DeepScan 报告的交叉摘要，快速呈现多轮研究的整体轮廓
- 支持按具体运行名称提取完整报告数据，实现精准侧面对比与细节回溯
- 识别跨运行的共同发现、结论分歧与研究盲区，构建系统性认知图谱
- 提供结构化输出框架：共通点、差异性、缺失领域与趋势演变
- 集成数据可视化能力，可生成论文重叠、发表年份分布等对比图表
适用场景
Comparative Synthesis 最适用于那些已完成多轮 DeepScan 研究但希望从中提炼宏观洞察的用户。例如，当研究者连续开展了关于‘Transformer 效率优化’和‘模型蒸馏技术’的两轮独立扫描后，可以通过该工具对比两份报告中提及的论文重合度、核心方法异同以及各自聚焦的子问题，从而判断两个方向是否存在交叉创新点或资源重复投入风险。又如，科研人员在每月定期更新文献综述时，可利用此功能汇总过去三个月内所有 DeepScan 会话中反复出现的主题（如注意力机制改进、轻量化架构设计），识别当前学界关注热点，并找出尚未被现有扫描覆盖的新兴议题（比如多模态融合在蛋白质结构预测中的应用）。此外，若用户希望直观了解其近期研究是否偏向某类期刊或会议（如 ICML vs. NeurIPS），也可借助 `run_python_plot` 绘制各次扫描的出版年份分布图，观察研究偏好的变化轨迹。总之，只要涉及对已有 DeepScan 成果进行横向整合、纵向追踪或趋势研判，Comparative Synthesis 都能显著提升信息处理效率与决策质量。