Agent de formatage de documents
Utilisez ce skill pour un travail local de formatage de documents académiques. Il est conçu pour les documents .docx et un guide de formatage séparé au format .docx, .doc ou .txt.
Sécurité par défaut
- Ne jamais télécharger de documents privés ou de guides de formatage vers des services externes, sauf si l'utilisateur le demande explicitement.
- Traiter les travaux d'étudiants, manuscrits, commentaires de relecteurs et modèles scolaires comme des données sensibles.
- Ne pas modifier le contenu académique sauf si l'utilisateur l'autorise explicitement. Par défaut, seules les modifications de formatage sont autorisées.
- Conserver les rapports et documents générés dans un répertoire de sortie fourni par l'utilisateur.
Workflow standard
- Confirmer les fichiers d'entrée :
--format-file: guide de formatage ou texte du modèle.--paper-file: document source, actuellement.docx.--out-dir: répertoire de sortie pour les rapports et documents générés.
- Exécuter la CLI en mode formatage uniquement :
python -m paper_format_agent.cli \
--format-file "format_guide.docx" \
--paper-file "paper.docx" \
--out-dir "./output" \
--engine auto \
--strict-required-sections
- Inspecter les artefacts générés :
formatted_paper_v3.docx: document réparé.format_rules.json: règles extraites.format_report.json: score et vérifications lisibles par machine.format_report.html: rapport lisible par un humain.modify_log.json: opérations de formatage.engine_report.json: résultat du moteur de post-traitement.
- Vérifier les champs de protection du contenu dans
format_report.json:content_changeddoit normalement êtrefalse.content_guard_enforceddoit normalement êtretrue.
- Si une règle est erronée, mettre à jour la logique d'extraction ou de notation et ajouter un cas de test minimal.
Validation
Exécuter ces commandes avant de restituer le travail :
python tools/validate_skill.py
python -m unittest discover -s tests -p "test_*.py"
python tools/compile_check.py
python tools/release_audit.py
Lors de l'ajout d'une prise en charge de modèle
- Ajouter le texte de règle représentatif le plus petit nécessaire pour reproduire le comportement.
- Préférer une extraction déterministe des règles à une interprétation uniquement par LLM.
- Ajouter des tests pour les marges extraites, la taille de police, l'interligne, les sections obligatoires, les titres, les légendes ou les références.
- Ne pas commit des documents d'étudiants réels. Utiliser du texte synthétique ou des fixtures anonymisées.
Lors de la révision des résultats
Lire d'abord format_report.json, puis inspecter format_report.html si l'utilisateur a besoin d'un résumé lisible par un humain. Prioriser les problèmes dans cet ordre :
- Contenu modifié de manière inattendue.
- Sections obligatoires ou titres mal classifiés.
- Mise en page, marges, polices ou interlignes incorrects.
- Légendes, références, tableaux ou numérotation incorrects.
- Formulation du rapport ou explication du score peu claire.
Tâches propices aux contributions
Les premières bonnes PR correspondent généralement à l'un de ces domaines :
- Ajouter un test synthétique pour une règle de formatage d'école, de revue ou de conférence.
- Améliorer un extracteur de règles avec une regex ou un analyseur syntaxique ciblé.
- Améliorer la clarté du rapport sans modifier la sémantique de notation.
- Ajouter un cas de régression à
docs/regression_manifest.sample.json. - Améliorer ce workflow de compétence ou les métadonnées
agents/openai.yaml.