Communitygithub.com

nature-writing-studio

Réécrit un texte scientifique en anglais Nature Portfolio à partir d'une base de connaissances distillée de 657 articles de la famille Nature et de 5 TSV d'observation déterministes.

Qu'est-ce que nature-writing-studio ?

Ce skill est conçu pour les agents d'IA (Claude Code, Codex, etc.) qui doivent transformer des textes scientifiques bruts en prose de qualité Nature Portfolio. Il repose sur une base de connaissances de 750 articles Nature et des règles éditoriales, offrant 60 règles d'écriture, 122 phrases types, 132 motifs de détection de texte généré par IA, 22 registres de domaine et 12 squelettes de section. L'utilisateur peut demander une réécriture complète, une traduction chinois-anglais, un nettoyage anti-IA, ou une rédaction de sections uniques (résumé, introduction, méthodes, résultats, discussion, légende de figure) avec une sortie en Markdown incluant le texte principal, une version compacte et des métadonnées détaillées. Pour les articles complets, le mode multi-section orchestre automatiquement l'écriture de toutes les parties avec une vérification croisée, tout en intégrant une couche de vérification anti-falsification qui assure la traçabilité des données et supprime les termes non traçables.

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

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

nature-writing

Skill Codex / Claude Code qui réécrit un texte scientifique en anglais Nature Portfolio. Distillé à partir de 750 articles de la famille Nature + des directives stylistiques éditoriales. Base de connaissances : 60 règles d'écriture, 122 phrases, 132 motifs anti-IA, 22 registres de domaine, 12 squelettes de section.

Ce que fait ce skill

Étant donné n'importe quel texte scientifique fourni par l'utilisateur – liste de revendications, paragraphe de méthodes, résumé préliminaire, introduction complète – produire :

  1. text – Réécriture en anglais de niveau Nature.
  2. text_compact – Version plus concise (60-70 % de la longueur) à des fins de comparaison.
  3. summary – Métadonnées incluant :
    • logic_line : le raisonnement derrière la réécriture
    • rules_applied : identifiants de règles (R001-) provenant de knowledge/writing_rules.tsv
    • patterns_used : identifiants de phrases (P001-) provenant de knowledge/phrase_bank.tsv
    • ai_tells_avoided : motifs de texte généré par IA supprimés
    • section : type de section cible
    • domain : domaine inféré ou fourni

Lorsque target=multi_section, l'orchestrateur produit des blocs par section, plus une ligne meta de premier niveau contenant version_used, logic_line, entity_registry, l'audit cross_section et un indicateur optionnel degraded. L'agent (ou la couche destinée aux humains) est responsable de l'assemblage des chaînes text et text_compact de chaque section en deux versions finales complètes de l'article.

Quand utiliser ce skill

Déclencher lorsque l'utilisateur demande l'une des actions suivantes :

  • Écriture, polissage, réécriture, traduction (chinois → anglais Nature), restructuration de type Nature
  • Amélioration d'écriture académique (« faites-le sonner comme Nature »)
  • Projets de sections : résumé, introduction, méthodes, résultats, discussion, légende de figure
  • Polissage au niveau de la phrase : transformer une seule phrase chinoise en anglais de qualité Nature
  • Écriture multi-section : lorsque l'utilisateur fournit un brouillon complet (chinois ou anglais) et souhaite un article complet de style Nature ; produit des blocs Markdown par section + une ligne summary qu'un agent externe assemble en deux versions complètes
  • Nettoyage anti-IA : supprimer delve into, navigate complexities, etc.
  • Rédaction spécifique à un domaine (physique / biologie / médecine / matériaux / etc.)

Convention d'appel

Le skill attend une entrée structurée comme suit :

input: <le texte à réécrire>
target: <abstract | introduction | methods | results | discussion | figure_legend | sentence>
domain: <physics_condensed | biology_neuro | medicine_oncology | ... | general_nature>  (optionnel)

Pour le polissage au niveau de la phrase, target = sentence et input peut être une seule phrase ou une courte expression.

Pour l'orchestration d'un article complet :

target: multi_section
input: <brouillon complet, chinois ou anglais, sans repères de sections>
domain: <optionnel>

La cible multi_section invoque prompts/sections/multi_section.txt comme orchestrateur. Elle sélectionne automatiquement une séquence de sections (SP001 par défaut), force une étape préalable logic_line + story_arc + entity_registry, invoque les prompts par section avec un contexte partagé, et émet des blocs Markdown par section plus une ligne summary. L'agent externe (ou la couche destinée aux humains) assemble les text et text_compact de chaque section en deux versions finales complètes de l'article.

Procédure opérationnelle (pour l'agent)

  1. Charger prompts/system_writer.txt et prompts/style_guide.txt.

  2. Charger le prompt spécifique à la section depuis prompts/sections/<target>.txt.

  3. Lire knowledge/writing_rules.tsv (60 règles), phrase_bank.tsv (122 phrases), anti_ai_patterns.tsv (132 motifs de blocage), domain_register.tsv (si un domaine est spécifié).

  4. Réécrire l'entrée selon l'architecture de la section et les niveaux de prudence.

  5. Analyse anti-IA : substituer ou supprimer toute phrase correspondant à anti_ai_patterns.tsv.

  6. Rendre le résultat avec le contrat de sortie complet (text, text_compact, summary).

  7. Auto-vérification selon les critères de style_guide.txt « Quick Sanity Check Before Returning ».

  8. Orchestration multi-section (uniquement lorsque target=multi_section). Lire prompts/sections/multi_section.txt et knowledge/cross_section_rules.tsv. Ensuite :

    • Sélectionner la séquence de sections via la sélection automatique de version de l'orchestrateur (SP001 par défaut).
    • Produire logic_line + story_arc + entity_registry comme prérequis obligatoire avant toute écriture de section.
    • Construire un objet shared_context et le préfixer (entre délimiteurs) à chaque tranche d'entrée de section.
    • Invoquer le prompt de section correspondant pour chaque section dans l'ordre de la version.
    • Exécuter la couche de vérification existante par section ; la relancer une fois en cas d'échec avec un contexte corrigé.
    • Après toutes les sections, exécuter l'audit transversal (différences d'entités, échelle de prudence, lacunes de citations, dérives d'abréviations, ruptures de transition, format numérique, densité de références) et émettre meta.cross_section.
    • Retourner des blocs Markdown en ligne sous la même forme que l'exemple de section unique, avec ## text / ## text_compact / ## summary par section, suivis d'un bloc ## meta listant version_used, logic_line, entity_registry, cross_section, degraded. Ne pas assembler la prose ; l'agent le fait.
  9. Vérifier (couche de vérification, anti-falsification) : exécuter la couche de vérification définie dans prompts/system_writer.txt (Règle 1a / 1b / 2 / 2.5 / 3). Deux niveaux de traçabilité :

    • Règle 1a (STRICT, doit être traçable jusqu'à l'entrée) : toute revendication de données concernant l'étude de l'utilisateur — données, statistiques, tailles d'échantillon, points temporels, marqueurs de figures/citations, identifiants spécifiques à l'utilisateur (variants de gènes, identifiants de lignées cellulaires, numéros d'accès de jeux de données), conditions énoncées par l'utilisateur. Un jeton de données non traçable EST une falsification ; le supprimer.
    • Règle 1b (SOUPLES, autorisées librement) : connaissances scientifiques établies (mécanismes comme épissage alternatif ou régulation génique, voies bien connues comme Wnt ou MAPK, organismes modèles en arrière-plan, catégories génériques de tissus / types cellulaires, termes génériques de phénotypes / processus). Ceux-ci contextualisent la découverte spécifique de l'utilisateur et ne sont JAMAIS une falsification.
    • Règle de décision : si le jeton resterait vrai en remplaçant le gène / nombre / cellule spécifique de l'utilisateur par un autre — c'est la Règle 1b (autoriser). Si la suppression de l'entrée de l'utilisateur rendrait la phrase fausse — c'est la Règle 1a (doit être traçable).
    • Traiter le tiret cadratin (U+2014) comme une falsification (Règle 2). Le champ d'audit est summary.untraceable_tokens — tableau vide [] = succès ; non vide = une falsification a été trouvée, la réécriture doit être refaite. En mode multi_section, la section incriminée est mise à text=null et listée dans meta.degraded. Voir les exemples détaillés pour les cas de suppression uniquement, de suppression avec réécriture, et de connaissances générales autorisées.
  10. Nettoyage des tirets cadratins (déterministe) : après le passage de la couche de vérification, exécuter la fonction strip_em_dash() de prompts/system_writer.txt Règle 2.5 sur text et text_compact indépendamment. Il s'agit d'un post-traitement strict, non d'une règle souple, et il est exécuté APRÈS chaque passage du LLM. Les text et text_compact retournés NE DOIVENT contenir aucun U+2014. Si la substitution casse une phrase (par exemple, commence par , ), refaire la coupure à la limite de la phrase. Ne pas inventer de nouveau contenu pour corriger les artefacts.

Contrat de sortie

## text
<prose de niveau Nature>

## text_compact
<version plus concise 60-70 %>

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

Par défaut, le format est Markdown en ligne. Passer au JSON ou écrire dans un fichier uniquement sur demande explicite de l'utilisateur (par exemple, « output as JSON », « save to .docx »).

Lorsque target=multi_section, le format de sortie change :

## text
<texte du résumé> ... <texte des méthodes>     (assemblé par l'orchestrateur)

## text_compact
<texte compact du résumé> ... <texte compact des méthodes>

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

L'agent (ou la couche destinée aux humains) parcourt les sections dans l'ordre et concatène le text de chaque section (séparé par des lignes vides) en un seul text final, puis concatène le text_compact de chaque section en un seul text_compact final. Rendre les deux versions assemblées pour que l'utilisateur les lise.

Exemple

Entrée utilisateur (chinois) :

Nous avons criblé 287 facteurs de transcription par CRISPRi et identifié ZNF219, un facteur de transcription non décrit auparavant, qui supprime la différenciation neuronale. Sortie du skill (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.

Résumé : 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. Vérification : 0 em-dash; 0 fabricated tokens; pass. Tous les jetons sont traçables jusqu'à l'entrée (287, CRISPRi, ZNF219, facteur de transcription, répresseur, différenciation neuronale).

Espaces réservés pour les figures et citations

Lorsque l'entrée utilisateur ne contient pas de numéros de figures ou de citations, insérer des espaces réservés explicites dans la prose :

  • Figures : (Fig. X), (Extended Data Fig. X), (Fig. 1a, b) (utiliser littéralement X si non attribué).
  • Citations : [citation needed], [1], [2], ou des espaces réservés numériques en exposant comme [1-].
  • Statistiques : [n = TBD], [P = TBD].

Ne jamais omettre silencieusement. Les espaces réservés sont honnêtes ; leur omission invite au risque de falsification.

text vs text_compact

  • text : prose complète avec prudence, apartés entre parenthèses, redondance calibrée.
  • text_compact : 60-70 % de la longueur. Supprime les mises en garde entre parenthèses et une paire de clauses redondantes. Conserve la revendication principale, le mécanisme, les citations clés et toutes les corrections anti-IA.

Les deux versions doivent différer sensiblement – au moins 20 % de différence de longueur ou 2 coupes substantielles.

Pour l'orchestration multi-section, le text assemblé est la concaténation de text de chaque section, et le text_compact assemblé est la concaténation de text_compact de chaque section ; le rapport de longueur global est préservé.

Précision anti-IA

Le mot key est autorisé dans certains contextes Nature (key result, key step, key parameter). Il n'est un motif anti-IA que lorsqu'il est associé à key player, key regulator, key insight, key step toward, key role. Voir knowledge/anti_ai_patterns.tsv pour l'expression régulière précise.

Skills associés