paper-skill

面向中文科研作者的 evidence-first 英文投稿工作流。

把中文初稿、实验结果、图表和参考文献转换为可核查的英文投稿材料：

中文研究材料
  → 论文故事线与 claim–evidence map
  → 英文摘要 / 正文 / Cover Letter
  → 引用、图表、审稿回复一致性检查
  → VERIFIED / UNVERIFIED / AUTHOR_INPUT_NEEDED
  → READY / READY_WITH_WARNINGS / NOT_READY

它不是“帮我写得更像论文”的提示词合集。它把论文视为一套可追踪的主张、证据、引用、图表和投稿要求，并明确拒绝编造数据、实验、DOI、政策与修改位置。

English README · 安装说明 · 公开 benchmark · 完整示例

30 秒开始

macOS / Linux：

curl -fsSL https://raw.githubusercontent.com/cLin-c/paper-skill/main/install.sh | bash

Windows PowerShell：

irm https://raw.githubusercontent.com/cLin-c/paper-skill/main/install.ps1 | iex

然后直接说：

使用 $paper-skill。我的论文是中文初稿，目标期刊是 IEEE TRO。
先建立 claim–evidence map，再改写英文摘要；不要补写不存在的数据和引用，
最后列出 VERIFIED、UNVERIFIED、AUTHOR_INPUT_NEEDED 和投稿阻塞项。

Claude Code 等 slash-command 平台可使用 /paper-skill。安装器只写入本机已存在的平台目录；若没有检测到平台，则默认安装到 Codex。可选的命令行核验工具需要 Python 3.10+。

三个旗舰入口

入口	适用场景	核心产物
write	中文材料转英文稿、重构摘要或章节	故事线、claim–evidence map、英文稿、变更记录
review	投稿前审查、引用核验、图表核对	致命问题、证据缺口、引用风险、就绪状态
submit	Rebuttal、R&R、Cover Letter、投稿包	逐点回复矩阵、精确修改位置、声明、最终门控

窄任务也可以直接调用 literature、figures、citations、journal、reporting 或 full-verify。主 SKILL.md 仅负责路由，详细规则按需加载，避免一次塞入全部上下文。

中文粗稿到 T-RO 的首次运行顺序

1. 上传权威版本的稿件、图表、参考文献/BibTeX、结果表和补充材料；说明版本优先级。
2. write：建立研究问题、中央主张、claim–evidence map 和章节修改计划。
3. review：核对数字、图表、引用、过度主张和匿名化风险。
4. journal：按 T-RO 官方来源快照 重新访问官方页面并生成带访问日期的要求表。
5. submit：生成 Cover Letter、声明、投稿清单；只有关键证据全部解决后才能输出 READY。

理想输入还包括作者顺序、单位、ORCID、基金、伦理审批、COI、数据/代码可用性、相关预印本和截止日期。分享材料前请移除不必要的个人、患者、审稿或机构敏感信息。

为什么它不一样

常见问题	paper-skill 的处理方式
AI 把中文逐字翻成生硬英文	保留科学含义和修辞功能，维护术语表与歧义日志
为了“润色”强化了没有证据的结论	每项 material claim 映射到证据，超出证据时降级或删除
生成看起来真实的 DOI 或参考文献	Crossref/OpenAlex 核验；未核验内容明确标记 UNVERIFIED
回复称“已修改”，但稿件中找不到	reviewer point → response → manuscript change → exact location
图表数字与正文不一致	figure/table ↔ claim ↔ manuscript consistency audit
不知道稿件是否真的可以投稿	输出 READY、READY_WITH_WARNINGS 或 NOT_READY 及阻塞证据

可执行工具，而不只是提示词

python tools/paper_skill_gate.py examples/submission-package-check.json
python tools/run_full_workflow.py examples/full-workflow-config.json --output full-report.json
python tools/run_benchmark.py
python -m unittest discover -s tests

工具	用途
paper_skill_gate.py	身份、来源、主张证据、引用、报告规范、投稿包、未决输入七项门控
scholarly_verify.py	使用 Crossref/OpenAlex 核验 DOI、标题和年份
journal_policy_verify.py	保存官方政策 URL、时间、证据片段和内容哈希
revision_trace.py	核对审稿回复中的修改位置和修订文本
run_full_workflow.py	串联投稿门控、引用、政策和修订一致性检查

图 1：引用侦探——从主张追到真实来源

这张图说明 citation-integrity 的核心流程：把论文主张连接到参考文献，核对 DOI/标题，并把疑似幻觉或错引标成待审问题。

图 2：论文全流程——从散乱材料到可核验投稿包

这张流程图展示 paper-skill 的主线：识别论文类型、建立故事线、写作与翻译、检查证据和图表，最后生成审稿回复与投稿材料。

图 3：投稿工作流——把每个阶段连接起来

这张漫画把完整投稿过程串成连续步骤：整理研究问题、形成英文稿、核对引用和图表、处理审稿意见，并在最终提交前保留未解决事项。

图 4：学术绘图——先定义证据，再设计视觉表达

这张图强调 figures 工作流不是先追求好看，而是先回答“图要证明什么”，再选择方法图、结果图或图形摘要，并检查 caption 与正文的一致性。

图 5：小猪的投稿故事——一次完整的 paper-skill 使用示例

这是项目的叙事入口：小猪研究者经历“初稿混乱 → 故事线重构 → 主张、实验、引用和图表核验 → 审稿回复与投稿包整理”。它是帮助新用户快速理解产品价值的虚构示例，不代表录用保证。

公开、可复现的 benchmark

python tools/run_benchmark.py

当前确定性安全门控 benchmark：8/8 分类正确。

覆盖：完整投稿包、身份信息缺失、无证据主张、断裂证据链接、可疑 DOI、伪 VERIFIED 引用、未解决作者输入、报告规范缺口。所有用例位于 benchmarks/gate-cases.json，CI 会在 Windows 和 Linux 上重复运行。

这个结果只衡量结构化投稿包的风险分类，不代表语言质量、科学创新性或录用概率。项目不会用内部评分预测论文录用。

工作流结构

SKILL.md                         concise router
├── references/section-guides/  Abstract → Discussion 的分节写作规则
├── workflows/                  文献、图表、引用、投稿包、完整核验
├── citation-integrity.md       引用真实性与 claim-source 匹配
├── journal-strategy.md         选刊、转投和政策核验
├── quality-gates.md            审稿、R&R 和投稿前门控
├── tools/                      确定性检查与在线核验脚本
├── benchmarks/                 公开评测用例
└── examples/                   合成、可复制的 before/after 示例

详细写作能力覆盖 Abstract、Introduction、Related Work、Method、Experiments/Results、Discussion/Conclusion、翻译、学术图表、CONSORT、PRISMA、STROBE、SPIRIT、ARRIVE、CARE、CRediT、伦理与利益冲突声明。

可靠安装与升级

从 v0.8.0 开始，安装器会：

• 对 Git 安装执行 fast-forward 更新；
• 识别早期复制式/非 Git 安装；
• 在迁移前创建带时间戳的备份；
• 克隆或验证失败时恢复原安装；
• 显示迁移前后版本；
• 在 CI 中验证 Windows 与 Linux 迁移路径。

如果你曾安装旧版，重新运行上面的单行命令即可。旧目录不会被静默覆盖。

项目质量门槛

每次 push 和 pull request 都必须通过：

• Windows + Linux 单元测试；
• 公开 benchmark；
• 示例投稿包门控；
• SKILL.md 长度与路由检查；
• UTF-8 与常见中文乱码检查；
• VERSION 和 agents/openai.yaml 一致性检查；
• 旧安装安全迁移测试。

社区

• 提交真实工作流需求
• 报告问题
• 提出功能建议
• 路线图

项目优先接受可复现的真实科研场景、失败案例、匿名化 before/after 和 benchmark 用例，而不是继续堆叠泛化提示词。

License

MIT。写作工作流的外部灵感与授权信息见 ATTRIBUTIONS.md。