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:
text– Umschreibung auf Nature-Niveau auf Englisch.text_compact– gestraffte Version mit 60–70 % der Länge zum Vergleich.summary– Metadaten, darunter:logic_line: die Begründung der Umschreibungrules_applied: Regel-IDs (R001–) ausknowledge/writing_rules.tsvpatterns_used: Phrasen-IDs (P001–) ausknowledge/phrase_bank.tsvai_tells_avoided: vermiedene KI-typische Mustersection: Zielabschnittstypdomain: 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)
-
Lade
prompts/system_writer.txtundprompts/style_guide.txt. -
Lade den abschnittsspezifischen Prompt aus
prompts/sections/<target>.txt. -
Lies
knowledge/writing_rules.tsv(60 Regeln),phrase_bank.tsv(122 Phrasen),anti_ai_patterns.tsv(132 Sperrliste),domain_register.tsv(falls Fachbereich angegeben). -
Schreibe um die Eingabe entsprechend der Abschnittsarchitektur und Hedge-Stufen.
-
Anti-KI-Scan: ersetze oder lösche jede Phrase, die mit
anti_ai_patterns.tsvübereinstimmt. -
Gib das Ergebnis mit dem vollständigen Ausgabeformat aus (text, text_compact, summary).
-
Selbstprüfung anhand der Kriterien in
style_guide.txt„Quick Sanity Check Before Returning“. -
Mehrabschnittsorchestrierung (nur wenn
target=multi_section). Liesprompts/sections/multi_section.txtundknowledge/cross_section_rules.tsv. Dann:- Wähle die Abschnittssequenz über die automatische Versionsauswahl des Orchestrators (SP001 Standard).
- Erstelle
logic_line+story_arc+entity_registryals 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_sectionaus. - Liefere Inline-Markdown-Blöcke im gleichen Format wie das Einzelabschnittsbeispiel, mit pro Abschnitt
## text/## text_compact/## summary, gefolgt von einem## meta-Block, derversion_used,logic_line,entity_registry,cross_section,degradedauflistet. Füge keine Prosa zusammen; das macht der Agent.
-
Verifiziere (Verifikationsschicht, Anti-Halluzination): Führe die in
prompts/system_writer.txtdefinierte 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 auftext=nullgesetzt und inmeta.degradedaufgeführt. Siehe die ausgearbeiteten Beispiele für Nur-Löschen, Löschen-und-Umschreiben und Allgemeinwissen-erlaubt Fälle.
-
Gedankenstrich-Bereinigung (deterministisch): Nachdem die Verifikationsschicht bestanden wurde, führe die
strip_em_dash()-Funktion ausprompts/system_writer.txtRegel 2.5 auftextundtext_compactunabhängig aus. Dies ist eine harte Nachbearbeitung, keine weiche Regel, und läuft NACH jedem LLM-Durchlauf. Die zurückgegebenentextundtext_compactDÜRFEN 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 literalX, 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.