nature-writing
Skill para Codex / Claude Code que reescreve texto científico no estilo Nature Portfolio em inglês. Destilada de 750 artigos da família Nature + diretrizes editoriais de estilo. Base de conhecimento: 60 regras de escrita, 122 frases, 132 padrões de IA a evitar, 22 registros de domínio, 12 esqueletos de seção.
O que esta skill faz
Dado qualquer texto científico fornecido pelo usuário – lista de afirmações, parágrafo de métodos, resumo preliminar, introdução completa – produzir:
text– Reescrita em inglês no nível Nature.text_compact– Versão mais enxuta (60-70% do comprimento) para comparação.summary– Metadados incluindo:logic_line: o raciocínio por trás da reescritarules_applied: IDs de regras (R001-) deknowledge/writing_rules.tsvpatterns_used: IDs de frases (P001-) deknowledge/phrase_bank.tsvai_tells_avoided: Padrões de IA (AI-tell) removidossection: Tipo de seção alvodomain: Domínio inferido ou fornecido
Quando target=multi_section, o orquestrador produz blocos por seção mais uma linha meta de alto nível contendo version_used, logic_line, entity_registry, auditoria cross_section e uma flag degraded opcional. O agente (ou a camada voltada para o usuário) é responsável por unir as strings text e text_compact de cada seção em duas versões finais do artigo completo.
Quando usar esta skill
Acionar quando o usuário solicitar qualquer um dos seguintes:
- Escrita, polimento, reescrita, tradução (chinês -> inglês Nature) ou reestruturação no estilo Nature
- Melhoria de escrita acadêmica ("deixar com som de artigo da Nature")
- Rascunhos de seção: resumo, introdução, métodos, resultados, discussão, legenda de figura
- Polimento de frase: transformar uma única frase em chinês em inglês de nível Nature
- Escrita multi-seção: quando o usuário fornece um rascunho completo (chinês ou inglês) e deseja um artigo completo no estilo Nature; produz blocos Markdown por seção + uma linha
summaryque um agente externo une em duas versões do artigo completo - Limpeza anti-IA: remover
delve into,navigate complexities, etc. - Redação específica de domínio (física / biologia / medicina / materiais / etc.)
Convenção de chamada
A skill espera entrada no formato:
input: <o texto a ser reescrito>
target: <abstract | introduction | methods | results | discussion | figure_legend | sentence>
domain: <physics_condensed | biology_neuro | medicine_oncology | ... | general_nature> (opcional)
Para polimento de frase, target = sentence e input pode ser uma única frase ou expressão curta.
Para orquestração de artigo completo:
target: multi_section
input: <rascunho completo, chinês ou inglês, sem marcadores de seção necessários>
domain: <opcional>
O alvo multi_section invoca prompts/sections/multi_section.txt como orquestrador. Ele seleciona automaticamente uma sequência de seções (padrão SP001), força uma etapa prévia de logic_line + story_arc + entity_registry, invoca os prompts de cada seção com um contexto compartilhado e emite blocos Markdown por seção mais uma linha summary. O agente externo (ou camada voltada para o usuário) une os text e text_compact de cada seção em duas versões finais do artigo completo.
Procedimento operacional (para o agente)
-
Carregar
prompts/system_writer.txteprompts/style_guide.txt. -
Carregar o prompt específico da seção de
prompts/sections/<target>.txt. -
Ler
knowledge/writing_rules.tsv(60 regras),phrase_bank.tsv(122 frases),anti_ai_patterns.tsv(132 padrões para evitar),domain_register.tsv(se domínio especificado). -
Reescrever a entrada seguindo a arquitetura da seção e os níveis de hedge.
-
Varredura anti-IA: substituir ou excluir qualquer frase correspondente a
anti_ai_patterns.tsv. -
Renderizar o resultado com o contrato de saída completo (text, text_compact, summary).
-
Auto-verificação contra os critérios em
style_guide.txt("Quick Sanity Check Before Returning"). -
Orquestração multi-seção (apenas quando
target=multi_section). Lerprompts/sections/multi_section.txteknowledge/cross_section_rules.tsv. Então:- Selecionar a sequência de seções através da seleção automática de versão do orquestrador (padrão SP001).
- Produzir
logic_line+story_arc+entity_registrycomo pré-requisito antes de qualquer escrita de seção. - Construir um objeto
shared_contexte anexá-lo (entre fences) à fatia de entrada de cada seção. - Invocar o prompt correspondente para cada seção na ordem da versão.
- Executar a Camada de Verificação existente por seção; reexecutar uma vez em caso de falha com contexto corrigido.
- Após todas as seções, executar a auditoria entre seções (diff de entidades, escada de hedging, lacunas de citação, deriva de abreviações, quebras de transição, formato numérico, densidade de referências) e emitir
meta.cross_section. - Retornar blocos Markdown inline no mesmo formato do exemplo de seção única, com
## text/## text_compact/## summarypor seção, seguido de um bloco## metalistandoversion_used,logic_line,entity_registry,cross_section,degraded. Não unir a prosa; o agente faz isso.
-
Verificar (Camada de Verificação, anti-fabricação): executar a Camada de Verificação definida em
prompts/system_writer.txt(Regra 1a / 1b / 2 / 2.5 / 3). Dois níveis de rastreabilidade:- Regra 1a (OBRIGATÓRIA, deve rastrear até a entrada): qualquer afirmação de dados sobre o estudo do usuário – dados, estatísticas, tamanhos de amostra, pontos de tempo, tokens de figura / citação, identificadores específicos do usuário (variantes genéticas, IDs de linhagens celulares, acessos a datasets), condições declaradas pelo usuário. Um token de dados não rastreável É fabricação; remova-o.
- Regra 1b (OPCIONAL, permitido livremente): conhecimento científico estabelecido (mecanismos como
splicing alternativoouregulação gênica, vias bem conhecidas comoWntouMAPK, organismos modelo como contexto, categorias genéricas de tecido / tipo celular, termos genéricos de fenótipos / processos). Esses configuram a descoberta específica do usuário e NUNCA são fabricação. - Regra de decisão: se o token ainda seria uma afirmação verdadeira se você substituísse o gene / número / célula específico do usuário pelos de outra pessoa – é Regra 1b (permitir). Se remover a entrada do usuário tornaria a frase falsa – é Regra 1a (deve rastrear).
- Tratar travessão (U+2014) como fabricação (Regra 2). O campo de auditoria é
summary.untraceable_tokens– array vazio[]= aprovado; array não vazio = fabricação foi encontrada, a reescrita deve ser refeita. No modo multi_section, a seção infratora é definida comotext=nulle listada emmeta.degraded. Consulte os exemplos trabalhados para casos de exclusão apenas, exclusão com reescrita e conhecimento geral permitido.
-
Limpeza de travessão (determinística): após a Camada de Verificação passar, executar a função
strip_em_dash()deprompts/system_writer.txtRegra 2.5 emtextetext_compactindependentemente. Este é um pós-processamento rígido, não uma regra suave, e é executado APÓS cada passagem do LLM. Ostextetext_compactretornados DEVEM conter zero U+2014. Se a substituição quebrar uma frase (por exemplo, começando com,), dividir novamente no limite da frase. Não inventar novo conteúdo para corrigir artefatos.
Contrato de saída
## text
<Prosa no nível Nature>
## text_compact
<Versão com 60-70% do comprimento>
## summary
- section: abstract
- domain: biology_neuro
- logic_line: <1-2 frases>
- rules_applied: [R001, R005]
- patterns_used: [P005, P008]
- ai_tells_avoided: [delve_into, in_this_paper]
Padrão é Markdown inline. Mudar para JSON ou salvar em arquivo apenas mediante solicitação explícita do usuário (por exemplo, "saída como JSON", "salvar em .docx").
Quando target=multi_section, o formato da saída muda:
## text
<texto do resumo> ... <texto dos métodos> (unidos pelo orquestrador)
## text_compact
<resumo text_compact> ... <métodos text_compact>
## summary
- mode: multi_section
- version_used: SP001
"logic_line": "<frase única>",
"entity_registry": [...],
"cross_section": {"entity_diff": [], "hedge_violations": [], "citation_gaps": [], "abbreviation_drift": [], "transition_breaks": [], "numeric_format_drift": [], "reference_density": [], "overall": "PASS"},
"degraded": null
}
}
O agente (ou camada voltada para o usuário) itera sobre as sections na ordem e concatena o text de cada seção (separado por linhas em branco) em um text final, depois concatena o text_compact de cada seção em um text_compact final. Renderizar ambas as versões unidas para o usuário ler.
Exemplo
Entrada do usuário (chinês):
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。 Saída da 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.
Resumo: 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.
Verificação: 0 em-dash; 0 fabricated tokens; pass. Todos os tokens rastreáveis até a entrada (287, CRISPRi, ZNF219, transcription factor, repressor, neural differentiation).
Placeholders para Figuras e Citações
Quando a entrada do usuário não tem números de figuras ou citações, inserir placeholders explícitos na prosa:
- Figuras:
(Fig. X),(Extended Data Fig. X),(Fig. 1a, b)(usar literalXse não atribuído). - Citações:
[citation needed],[1],[2]ou placeholders de sobrescrito numérico como[1-]. - Estatísticas:
[n = TBD],[P = TBD].
Nunca omitir silenciosamente. Placeholders são honestos; omissão convida risco de fabricação.
text vs text_compact
text: prosa completa com hedging, apartes parentéticos, redundância calibrada.text_compact: 60-70% do comprimento. Remove advertências parentéticas e uma das cláusulas redundantes emparelhadas. Mantém a afirmação principal, mecanismo, citações âncora e todas as correções anti-IA.
As duas versões devem diferir mensuravelmente – pelo menos 20% de diferença de comprimento ou 2 cortes substanciais.
Para orquestração multi-seção, o text unido é a concatenação do text de cada seção, e o text_compact unido é a concatenação do text_compact de cada seção; a proporção de comprimento geral é preservada.
Precisão anti-IA
A palavra key é permitida em alguns contextos da Nature (key result, key step, key parameter). É considerada AI-tell APENAS quando colocada com key player, key regulator, key insight, key step toward, key role. Consulte knowledge/anti_ai_patterns.tsv para a regex precisa.