Communitygithub.com

nature-writing-studio

Reescribe texto científico al inglés de Nature Portfolio usando una base de conocimiento destilada de artículos de Nature.

¿Qué es nature-writing-studio?

Esta habilidad está diseñada para agentes de IA como Claude Code o Codex, y transforma texto científico de cualquier nivel en prosa de calidad Nature Portfolio. Su base de conocimiento incluye 60 reglas de escritura, 122 frases, 132 patrones anti-IA y 22 registros de dominio, extraídos de 750 artículos de Nature y guías de estilo editorial. Soporta borradores de secciones individuales (resumen, introducción, métodos, resultados, discusión, leyenda de figura) y orquestación de artículos completos en modo multi-sección, donde genera bloques por sección con un resumen que un agente externo ensambla en dos versiones finales de artículo completo. Incluye una capa de verificación para evitar la fabricación de datos no trazables y un proceso de limpieza anti-IA que reemplaza frases como 'delve into' o 'navigate complexities'. También maneja traducciones de chino a inglés de Nature y ofrece dos versiones de salida: 'text' (prosa completa) y 'text_compact' (versión más concisa al 60-70% de longitud).

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

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

nature-writing

Habilidad para Codex / Claude Code que reescribe texto científico al inglés de Nature Portfolio. Destilada de 750 artículos de Nature + guías de estilo editorial. Base de conocimiento: 60 reglas de escritura, 122 frases, 132 lista negra de marcas IA, 22 registros de dominio, 12 esquemas de sección.

Qué hace esta habilidad

Dado cualquier texto científico proporcionado por el usuario (lista de afirmaciones, párrafo de métodos, borrador de resumen, introducción completa) produce:

  1. text - Reescritura al inglés de nivel Nature.
  2. text_compact - Versión más ajustada al 60-70% de longitud para comparación.
  3. summary - Metadatos que incluyen:
    • logic_line: el razonamiento detrás de la reescritura
    • rules_applied: IDs de reglas (R001-) de knowledge/writing_rules.tsv
    • patterns_used: IDs de frases (P001-) de knowledge/phrase_bank.tsv
    • ai_tells_avoided: patrones de marcas IA eliminados
    • section: tipo de sección objetivo
    • domain: dominio inferido o proporcionado

Cuando target=multi_section, el orquestador produce bloques por sección más una línea meta de nivel superior que contiene version_used, logic_line, entity_registry, cross_section y una bandera opcional degraded. El agente (o la capa dirigida al humano) es responsable de unir las cadenas text y text_compact de cada sección en dos versiones finales de artículo completo.

Cuándo usar esta habilidad

Actívala cuando el usuario solicite:

  • Escritura estilo Nature, pulido, reescritura, traducción (chino -> Nature English), reestructuración
  • Mejora de escritura académica ("haz que suene a Nature")
  • Borradores de sección: resumen, introducción, métodos, resultados, discusión, leyenda de figura
  • Pulido a nivel de oración: convertir una sola oración en chino en inglés de nivel Nature
  • Escritura multi-sección: cuando el usuario proporciona un borrador completo (chino o inglés) y desea un artículo completo estilo Nature; produce bloques Markdown por sección + una línea de resumen que un agente externo une en dos versiones de artículo completo
  • Limpieza anti-IA: eliminar delve into, navigate complexities, etc.
  • Redacción específica de dominio (física / biología / medicina / materiales / etc.)

Convención de llamada

La habilidad espera una entrada con la siguiente forma:

input: <el texto a reescribir>
target: <abstract | introduction | methods | results | discussion | figure_legend | sentence>
domain: <physics_condensed | biology_neuro | medicine_oncology | ... | general_nature> (opcional)

Para pulido a nivel de oración, target = sentence y input puede ser una sola oración o frase corta.

Para orquestación de artículo completo:

target: multi_section
input: <borrador completo, chino o inglés, sin marcadores de sección requeridos>
domain: <opcional>

El objetivo multi_section invoca prompts/sections/multi_section.txt como orquestador. Selecciona automáticamente una secuencia de secciones (SP001 por defecto), fuerza un paso previo de logic_line + story_arc + entity_registry, invoca los prompts por sección con un contexto compartido y emite bloques Markdown por sección más una línea summary. El agente externo (o capa dirigida al humano) une las cadenas text y text_compact de cada sección en dos versiones finales de artículo completo.

Procedimiento operativo (para el agente)

  1. Cargar prompts/system_writer.txt y prompts/style_guide.txt.

  2. Cargar el prompt específico de sección desde prompts/sections/<target>.txt.

  3. Leer knowledge/writing_rules.tsv (60 reglas), phrase_bank.tsv (122 frases), anti_ai_patterns.tsv (132 lista negra), domain_register.tsv (si se especifica dominio).

  4. Reescribir la entrada siguiendo la arquitectura de sección y los niveles de cautela.

  5. Escaneo anti-IA: sustituir o eliminar cualquier frase que coincida con anti_ai_patterns.tsv.

  6. Renderizar el resultado con el contrato de salida completo (text, text_compact, summary).

  7. Autocomprobación contra los criterios en style_guide.txt "Quick Sanity Check Before Returning".

  8. Orquestación multi-sección (solo cuando target=multi_section). Leer prompts/sections/multi_section.txt y knowledge/cross_section_rules.tsv. Luego:

    • Seleccionar la secuencia de secciones mediante la selección automática de versión del orquestador (SP001 por defecto).
    • Producir logic_line + story_arc + entity_registry como requisito previo obligatorio antes de escribir cualquier sección.
    • Construir un objeto shared_context y anteponerlo (entre vallas) a la porción de entrada de cada sección.
    • Invocar el prompt por sección correspondiente para cada sección en orden de versión.
    • Ejecutar la capa de verificación existente por sección; reejecutar una vez en caso de fallo con contexto corregido.
    • Después de todas las secciones, ejecutar la auditoría entre secciones (diferencia de entidades, escalera de cautela, lagunas de citas, deriva de abreviaturas, rupturas de transición, formato numérico, densidad de referencias) y emitir meta.cross_section.
    • Devolver bloques Markdown en línea con la misma forma que el ejemplo de sección única, con ## text / ## text_compact / ## summary por sección, seguido de un bloque ## meta que lista version_used, logic_line, entity_registry, cross_section, degraded. No unir la prosa; eso lo hace el agente.
  9. Verificar (Capa de Verificación, anti-fabricación): ejecutar la Capa de Verificación definida en prompts/system_writer.txt (Regla 1a / 1b / 2 / 2.5 / 3). Dos niveles de trazabilidad:

    • Regla 1a (DURO, debe trazarse a la entrada): cualquier afirmación de datos sobre el estudio del usuario — datos, estadísticas, tamaños de muestra, puntos temporales, tokens de figuras/citas, identificadores específicos del usuario (variantes genéticas, ID de líneas celulares, accesiones de conjuntos de datos), condiciones declaradas por el usuario. Un token de datos no trazable ES fabricación; elimínelo.
    • Regla 1b (SUAVE, permitir libremente): conocimiento científico establecido (mecanismos como splicing alternativo o regulación génica, vías bien conocidas como Wnt o MAPK, organismos modelo como antecedentes, categorías genéricas de tejidos/tipos celulares, términos genéricos de fenotipos/procesos). Estos contextualizan el hallazgo específico del usuario y NUNCA son fabricación.
    • Regla de decisión: si el token seguiría siendo una declaración verdadera si reemplazara el gen/número/célula específico del usuario por el de otro — es Regla 1b (permitir). Si eliminar la entrada del usuario haría que la oración fuera falsa — es Regla 1a (debe trazarse).
    • Tratar la raya larga (U+2014) como fabricación (Regla 2). El campo de auditoría es summary.untraceable_tokens — array vacío [] = aprobado; no vacío = se encontró fabricación, la reescritura debe rehacerse. En modo multi-sección, la sección infractora se establece en text=null y se lista en meta.degraded. Ver los ejemplos resueltos para casos de solo eliminación, eliminación más reescritura y conocimiento general permitido.
  10. Limpieza de raya larga (determinista): después de que la Capa de Verificación pase, ejecutar la función strip_em_dash() de prompts/system_writer.txt Regla 2.5 en text y text_compact de forma independiente. Este es un posprocesamiento estricto, no una regla suave, y se ejecuta DESPUÉS de cada paso LLM. Los text y text_compact devueltos DEBEN contener cero U+2014. Si la sustitución rompe una oración (por ejemplo, comenzando con , ), dividir nuevamente en el límite de la oración. No inventar contenido nuevo para corregir artefactos.

Contrato de salida

## text
<prosa nivel Nature>

## text_compact
<versión más ajustada al 60-70% de longitud>

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

Por defecto es Markdown en línea. Cambiar a JSON o guardar en archivo solo si el usuario lo solicita explícitamente (por ejemplo, "output as JSON", "save to .docx").

Cuando target=multi_section, la forma de salida cambia:

## text
<texto del resumen> ... <texto de métodos> (unido por el orquestador)

## text_compact
<texto compacto del resumen> ... <texto compacto de métodos>

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

El agente (o la capa dirigida al humano) itera sections en orden y concatena el text de cada sección (separado por líneas en blanco) en un text final, luego concatena el text_compact de cada sección en un text_compact final. Renderizar ambas versiones unidas para que el usuario las lea.

Ejemplo

Entrada del usuario (chino):

我们用CRISPRi 筛选了 287 个转录因子,找到 ZNF219 这个之前没报道过的转录因子,它抑制神经分化。 Salida de la habilidad (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.

Resumen: 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. Verificación: 0 em-dash; 0 fabricated tokens; pass. Todos los tokens se trazan a la entrada (287, CRISPRi, ZNF219, transcription factor, repressor, neural differentiation).

Marcadores de figuras y citas

Cuando la entrada del usuario no tiene números de figura ni citas, insertar marcadores explícitos en la prosa:

  • Figuras: (Fig. X), (Extended Data Fig. X), (Fig. 1a, b) (usar X literal si no está asignado).
  • Citas: [citation needed], [1], [2], o marcadores numéricos en superíndice como [1-].
  • Estadísticas: [n = TBD], [P = TBD].

Nunca omitir en silencio. Los marcadores son honestos; la omisión invita al riesgo de fabricación.

text vs text_compact

  • text: prosa completa con cautelas, incisos parentéticos, redundancia calibrada.
  • text_compact: 60-70% de longitud. Elimina incisos parentéticos y una de las cláusulas redundantes emparejadas. Mantiene la afirmación principal, el mecanismo, las citas ancla y todas las correcciones anti-IA.

Las dos versiones deben diferir de manera medible: al menos un 20% de diferencia de longitud o 2 cortes sustantivos.

Para orquestación multi-sección, el text unido es la concatenación del text de cada sección, y el text_compact unido es la concatenación del text_compact de cada sección; la relación de longitud general se conserva.

Precisión anti-IA

La palabra key está permitida en algunos contextos de Nature (key result, key step, key parameter). Es una marca IA SOLO cuando se combina con key player, key regulator, key insight, key step toward, key role. Ver knowledge/anti_ai_patterns.tsv para la expresión regular precisa.

Skills relacionados