Communitygithub.com

mumdark/nature-writing-studio

Wissenschaftliche Texte in Nature-Portfolio-Englisch umschreiben, basierend auf einer Wissensdatenbank aus 750 Nature-Familienpapieren und Redaktionsrichtlinien.

Was ist nature-writing-studio?

Dieses Skill für Codex und Claude Code wandelt wissenschaftliche Texte jeder Art – von Behauptungslisten und Methodenabsätzen bis hin zu Abstract-Entwürfen und vollständigen Manuskripten – in das präzise, formal anspruchsvolle Englisch des Nature-Portfolios um. Es nutzt eine umfangreiche Wissensdatenbank mit 60 Schreibregeln, 122 Phrasen, 132 AI-Erkennungsmustern, 22 Fachbereichsregistern und 12 Abschnittsvorlagen, die aus 750 Nature-Papieren destilliert wurden. Das Skill erzeugt stets drei Ausgaben pro Abschnitt: den vollständigen Text („text“), eine um 60–70 % gekürzte Kompaktversion („text_compact“) und eine Zusammenfassung („summary“) mit Logik, angewendeten Regeln und Vermeidung von AI-typischen Formulierungen. Es unterstützt Einzelabschnittsaufgaben (Abstract, Einleitung, Methoden, Ergebnisse, Diskussion, Abbildungslegende, Satzebene) sowie eine Orchestrierung für ganze Manuskripte (multi_section), bei der automatisch eine logische Linie, ein Handlungsbogen und ein Entity-Register erstellt, alle Abschnitte mit gemeinsamem Kontext generiert und einer abschnittsübergreifenden Prüfung unterzogen werden. Die integrierte Verifikationsschicht verhindert Halluzinationen, indem sie jede Behauptung auf die Benutzereingabe zurückführt und unzulässige Striche (U+2014) entfernt. Das Skill eignet sich besonders für Forschende, die Manuskripte für Nature-Zeitschriften einreichen möchten, sowie für Übersetzungen vom Chinesischen ins Nature-Englisch oder die Bereinigung von KI-Texten.

Funktioniert mit✓Claude Code✓Codex CLI~Cursor
npx skills add https://github.com/mumdark/nature-writing-studio/tree/HEAD/skill

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

nature-writing

Codex / Claude Code Skill, das wissenschaftliche Texte in Nature-Portfolio-Englisch umschreibt. Destilliert aus 750 Nature-Familienpapieren + redaktionellen Stilrichtlinien. Wissensdatenbank: 60 Schreibregeln, 122 Phrasen, 132 AI-Erkennungsliste, 22 Fachbereichsregister, 12 Abschnittsvorlagen.

Was dieses Skill tut

Aus jedem vom Benutzer bereitgestellten wissenschaftlichen Text – Behauptungsliste, Methodenabsatz, Abstract-Entwurf, vollständige Einleitung – werden produziert:

  1. text – Umschreibung auf Nature-Niveau auf Englisch.
  2. text_compact – gestraffte Version mit 60–70 % der Länge zum Vergleich.
  3. summary – Metadaten, darunter:
    • logic_line: die Begründung der Umschreibung
    • rules_applied: Regel-IDs (R001–) aus knowledge/writing_rules.tsv
    • patterns_used: Phrasen-IDs (P001–) aus knowledge/phrase_bank.tsv
    • ai_tells_avoided: vermiedene KI-typische Muster
    • section: Zielabschnittstyp
    • domain: abgeleiteter oder angegebener Fachbereich

Bei target=multi_section produziert der Orchestrator stattdessen abschnittsweise Blöcke plus eine übergeordnete meta-Zeile mit version_used, logic_line, entity_registry, cross_section-Prüfung und optionalem degraded-Flag. Der Agent (oder die benutzerorientierte Schicht) ist dafür verantwortlich, die abschnittsweisen text- und text_compact-Zeichenfolgen zu zwei endgültigen Volltextversionen zusammenzufügen.

Wann dieses Skill verwendet werden soll

Auslösen, wenn der Benutzer nach Folgendem fragt:

  • Nature-Stil: Schreiben, Polieren, Umschreiben, Übersetzen (Chinesisch → Nature-Englisch), Umstrukturieren
  • Aufwertung wissenschaftlicher Texte („Mach es wie Nature“)
  • Abschnittsentwürfe: Abstract, Einleitung, Methoden, Ergebnisse, Diskussion, Abbildungslegende
  • Satzebene: einen einzelnen chinesischen Satz in Nature-Englisch umwandeln
  • Mehrere Abschnitte: wenn der Benutzer einen vollständigen Entwurf (chinesisch oder englisch) liefert und einen Nature-konformen Volltext wünscht; produziert abschnittsweise Markdown-Blöcke + eine summary-Zeile, die ein externer Agent zu zwei Volltextversionen zusammenfügt
  • Anti-KI-Bereinigung: Entfernen von „delve into“, „navigate complexities“ usw.
  • Fachbereichsspezifisches Schreiben (Physik / Biologie / Medizin / Materialwissenschaft / usw.)

Aufrufkonvention

Das Skill erwartet eine Eingabe in folgender Form:

input: <der umzuschreibende Text>
target: <abstract | introduction | methods | results | discussion | figure_legend | sentence>
domain: <physics_condensed | biology_neuro | medicine_oncology | ... | general_nature>  (optional)

Für die Satzebene: target = sentence und input kann ein einzelner Satz oder eine kurze Phrase sein.

Für die Orchestrierung eines vollständigen Manuskripts:

target: multi_section
input: <vollständiger Entwurf, chinesisch oder englisch, keine Abschnittsmarkierungen erforderlich>
domain: <optional>

Das multi_section-Ziel ruft prompts/sections/multi_section.txt als Orchestrator auf. Es wählt automatisch eine Abschnittssequenz aus (SP001 Standard), erzwingt einen logic_line + story_arc + entity_registry Vorschritt, ruft die abschnittsspezifischen Prompts mit einem gemeinsamen Kontext auf und gibt abschnittsweise Markdown-Blöcke plus eine summary-Zeile aus. Der externe Agent (oder die benutzerorientierte Schicht) fügt die abschnittsweisen text- und text_compact-Zeichenfolgen zu zwei endgültigen Volltextversionen zusammen.

Arbeitsablauf (für den Agenten)

  1. Lade prompts/system_writer.txt und prompts/style_guide.txt.

  2. Lade den abschnittsspezifischen Prompt aus prompts/sections/<target>.txt.

  3. Lies knowledge/writing_rules.tsv (60 Regeln), phrase_bank.tsv (122 Phrasen), anti_ai_patterns.tsv (132 Sperrliste), domain_register.tsv (falls Fachbereich angegeben).

  4. Schreibe um die Eingabe entsprechend der Abschnittsarchitektur und Hedge-Stufen.

  5. Anti-KI-Scan: ersetze oder lösche jede Phrase, die mit anti_ai_patterns.tsv übereinstimmt.

  6. Gib das Ergebnis mit dem vollständigen Ausgabeformat aus (text, text_compact, summary).

  7. Selbstprüfung anhand der Kriterien in style_guide.txt „Quick Sanity Check Before Returning“.

  8. Mehrabschnittsorchestrierung (nur wenn target=multi_section). Lies prompts/sections/multi_section.txt und knowledge/cross_section_rules.tsv. Dann:

    • Wähle die Abschnittssequenz über die automatische Versionsauswahl des Orchestrators (SP001 Standard).
    • Erstelle logic_line + story_arc + entity_registry als zwingende Voraussetzung vor dem Schreiben eines Abschnitts.
    • Baue ein shared_context-Objekt und stelle es (als Codeblock) vor den Eingabeausschnitt jedes Abschnitts.
    • Rufe den passenden abschnittsspezifischen Prompt für jeden Abschnitt in der Versionsreihenfolge auf.
    • Führe die vorhandene Verifikationsschicht pro Abschnitt aus; wiederhole einmal bei Fehler mit korrigiertem Kontext.
    • Führe nach allen Abschnitten die abschnittsübergreifende Prüfung durch (Entity-Differenz, Hedge-Leiter, Zitationslücken, Abkürzungsdriften, Übergangsbrüche, Zahlenformat, Referenzdichte) und gib meta.cross_section aus.
    • Liefere Inline-Markdown-Blöcke im gleichen Format wie das Einzelabschnittsbeispiel, mit pro Abschnitt ## text / ## text_compact / ## summary, gefolgt von einem ## meta-Block, der version_used, logic_line, entity_registry, cross_section, degraded auflistet. Füge keine Prosa zusammen; das macht der Agent.
  9. Verifiziere (Verifikationsschicht, Anti-Halluzination): Führe die in prompts/system_writer.txt definierte Verifikationsschicht aus (Regel 1a / 1b / 2 / 2.5 / 3). Zwei Ebenen der Rückverfolgbarkeit:

    • Regel 1a (HART, muss auf Eingabe zurückführbar sein): jede Datenbehauptung über die Studie des Benutzers – Daten, Statistiken, Stichprobengrößen, Zeitpunkte, Abbildungs-/Zitationsmarken, benutzerspezifische Identifikatoren (Genvarianten, Zelllinien-IDs, Datenbankzugriffe), benutzerdefinierte Bedingungen. Ein nicht zurückführbares Datentoken IST Halluzination; lösche es.
    • Regel 1b (WEICH, frei erlaubt): etabliertes wissenschaftliches Wissen (Mechanismen wie „alternatives Spleißen“ oder „Genregulation“, bekannte Signalwege wie „Wnt“ oder „MAPK“, Modellorganismen als Hintergrund, allgemeine Gewebe-/Zelltypkategorien, allgemeine Phänotyp-/Prozessbegriffe). Diese bereiten die spezifische Entdeckung des Benutzers vor und sind NIEMALS Halluzination.
    • Entscheidungsregel: wenn das Token immer noch eine wahre Aussage wäre, wenn man das spezifische Gen / die Zahl / die Zelle des Benutzers durch die eines anderen ersetzen würde – dann ist es Regel 1b (erlaubt). Wenn das Entfernen der Benutzereingabe den Satz falsch machen würde – dann ist es Regel 1a (muss zurückführbar sein).
    • Behandle den Gedankenstrich (U+2014) als Halluzination (Regel 2). Das Prüffeld ist summary.untraceable_tokens – leeres Array [] = bestanden; nicht leer = Halluzination gefunden, die Umschreibung muss wiederholt werden. Im multi_section-Modus wird der betreffende Abschnitt auf text=null gesetzt und in meta.degraded aufgeführt. Siehe die ausgearbeiteten Beispiele für Nur-Löschen, Löschen-und-Umschreiben und Allgemeinwissen-erlaubt Fälle.
  10. Gedankenstrich-Bereinigung (deterministisch): Nachdem die Verifikationsschicht bestanden wurde, führe die strip_em_dash()-Funktion aus prompts/system_writer.txt Regel 2.5 auf text und text_compact unabhängig aus. Dies ist eine harte Nachbearbeitung, keine weiche Regel, und läuft NACH jedem LLM-Durchlauf. Die zurückgegebenen text und text_compact DÜRFEN KEIN U+2014 enthalten. Wenn die Ersetzung einen Satz zerbricht (z. B. Beginn mit , ), teile an der Satzgrenze neu auf. Erfinde keine neuen Inhalte zur Behebung von Artefakten.

Ausgabeformat

## text
<Nature-konforme Prosa>

## text_compact
<gestraffte Version mit 60–70 % Länge>

## summary
- section: abstract
- domain: biology_neuro
- logic_line: <1-2 Sätze>
- rules_applied: [R001, R005]
- patterns_used: [P005, P008]
- ai_tells_avoided: [delve_into, in_this_paper]

Standard ist Inline-Markdown. Wechsle zu JSON oder schreibe in eine Datei nur auf ausdrücklichen Benutzerwunsch (z. B. „Ausgabe als JSON“, „Speichern in .docx“).

Bei target=multi_section ändert sich das Ausgabeformat:

## text
<abstract text> ... <methods text>     (vom Orchestrator zusammengefügt)

## text_compact
<abstract text_compact> ... <methods text_compact>

## summary
- mode: multi_section
- version_used: SP001
    "logic_line": "<ein Satz>",
    "entity_registry": [...],
    "cross_section": {"entity_diff": [], "hedge_violations": [], "citation_gaps": [], "abbreviation_drift": [], "transition_breaks": [], "numeric_format_drift": [], "reference_density": [], "overall": "PASS"},
    "degraded": null
  }
}

Der Agent (oder die benutzerorientierte Schicht) durchläuft die Abschnitte in der angegebenen Reihenfolge und verkettet den text jedes Abschnitts (durch Leerzeilen getrennt) zu einem endgültigen text und ebenso den text_compact jedes Abschnitts zu einem endgültigen text_compact. Gib beide zusammengefügten Versionen für den Benutzer aus.

Beispiel

Benutzereingabe (Chinesisch):

Wir haben mittels CRISPRi 287 Transkriptionsfaktoren gescreent und ZNF219, einen bisher nicht beschriebenen Transkriptionsfaktor, als Repressor der neuronalen Differenzierung identifiziert. Skill-Ausgabe (Nature): Here we applied CRISPRi screening to a panel of 287 transcription factors (TFs) and identified ZNF219, a previously uncharacterized TF, as a repressor of neural differentiation.

Zusammenfassung: Logic: open with Here + method + scale; lead finding identifies a previously uncharacterized TF. Rules applied: R005 (Here we), R008 (hedge), R017 (avoid novel overuse). Patterns: P010, P013. AI-tells avoided: none (input was clean). Section: sentence. Domain: biology_neuro. Verifikation: 0 em-dash; 0 fabricated tokens; pass. Alle Token sind auf die Eingabe zurückführbar (287, CRISPRi, ZNF219, Transkriptionsfaktor, Repressor, neuronale Differenzierung).

Abbildungs- und Zitationsplatzhalter

Wenn die Benutzereingabe keine Abbildungsnummern oder Zitate enthält, füge explizite Platzhalter in den Text ein:

  • Abbildungen: (Fig. X), (Extended Data Fig. X), (Fig. 1a, b) (verwende literal X, falls nicht zugewiesen).
  • Zitate: [citation needed], [1], [2] oder numerische hochgestellte Platzhalter wie [1-].
  • Statistiken: [n = TBD], [P = TBD].

Niemals stillschweigend weglassen. Platzhalter sind ehrlich; das Weglassen birgt Halluzinationsrisiko.

text vs. text_compact

  • text: vollständiger Text mit Hedges, parenthetischen Einschüben, kalibrierter Redundanz.
  • text_compact: 60–70 % Länge. Lässt parenthetische Einschränkungen und eine von zwei redundanten Klauseln weg. Behält die Hauptaussage, den Mechanismus, Ankerzitate und alle Anti-KI-Korrekturen.

Die beiden Versionen müssen messbar unterschiedlich sein – mindestens 20 % Längenunterschied oder 2 wesentliche Kürzungen.

Bei der Mehrabschnittsorchestrierung ist der zusammengefügte text die Verkettung aller text-Abschnitte und der zusammengefügte text_compact die Verkettung aller text_compact-Abschnitte; das Gesamtlängenverhältnis bleibt erhalten.

Anti-KI-Präzision

Das Wort key ist in manchen Nature-Kontexten erlaubt (key result, key step, key parameter). Es ist NUR dann ein KI-Anzeichen, wenn es mit key player, key regulator, key insight, key step toward, key role kollokiert. Siehe knowledge/anti_ai_patterns.tsv für den genauen Regex.

Verwandte Skills