Communitygithub.com

mumdark/nature-writing-studio

Reescreve texto científico no estilo Nature Portfolio em inglês, utilizando uma base de conhecimento destilada de 657 artigos da Nature e estendida com observações de IA determinísticas de 412 artigos v3 da Nature. Ideal para polimento, tradução (chinês → inglês Nature) e limpeza anti-IA.

O que é nature-writing-studio?

Esta skill é um assistente especializado para agentes de IA (como Claude Code e Codex) que transforma textos científicos informais ou mal escritos no estilo formal e preciso do periódico Nature Portfolio. Ela se baseia em uma rica base de conhecimento composta por 60 regras de escrita, 122 frases típicas do Nature, 132 padrões de linguagem a evitar (marcas de IA generativa), 22 registros de domínio científico e 12 esqueletos de seção. O processo de reescrita não só melhora o estilo, mas também realiza uma limpeza de 'vícios de IA' (como 'delve into' ou 'shed light on'), realiza uma verificação anti-fabricação (diferenciando dados do usuário de conhecimento científico geral) e pode operar em modo multi-seção, gerando blocos coesos para um artigo completo. Para o usuário final, a skill oferece uma saída rica: o texto reescrito ('text'), uma versão mais concisa para comparação ('text_compact') e um resumo detalhado ('summary') com as regras, padrões e a lógica aplicada. Isso permite que o pesquisador ou agente entenda o racional por trás de cada correção. A skill é particularmente útil para não-nativos que desejam publicar em periódicos de alto impacto, garantindo que o texto final atenda aos rigorosos padrões editoriais da Nature.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

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:

  1. text – Reescrita em inglês no nível Nature.
  2. text_compact – Versão mais enxuta (60-70% do comprimento) para comparação.
  3. summary – Metadados incluindo:
    • logic_line: o raciocínio por trás da reescrita
    • rules_applied: IDs de regras (R001-) de knowledge/writing_rules.tsv
    • patterns_used: IDs de frases (P001-) de knowledge/phrase_bank.tsv
    • ai_tells_avoided: Padrões de IA (AI-tell) removidos
    • section: Tipo de seção alvo
    • domain: 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 summary que 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)

  1. Carregar prompts/system_writer.txt e prompts/style_guide.txt.

  2. Carregar o prompt específico da seção de prompts/sections/<target>.txt.

  3. 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).

  4. Reescrever a entrada seguindo a arquitetura da seção e os níveis de hedge.

  5. Varredura anti-IA: substituir ou excluir qualquer frase correspondente a anti_ai_patterns.tsv.

  6. Renderizar o resultado com o contrato de saída completo (text, text_compact, summary).

  7. Auto-verificação contra os critérios em style_guide.txt ("Quick Sanity Check Before Returning").

  8. Orquestração multi-seção (apenas quando target=multi_section). Ler prompts/sections/multi_section.txt e knowledge/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_registry como pré-requisito antes de qualquer escrita de seção.
    • Construir um objeto shared_context e 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 / ## summary por seção, seguido de um bloco ## meta listando version_used, logic_line, entity_registry, cross_section, degraded. Não unir a prosa; o agente faz isso.
  9. 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 alternativo ou regulação gênica, vias bem conhecidas como Wnt ou MAPK, 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 como text=null e listada em meta.degraded. Consulte os exemplos trabalhados para casos de exclusão apenas, exclusão com reescrita e conhecimento geral permitido.
  10. Limpeza de travessão (determinística): após a Camada de Verificação passar, executar a função strip_em_dash() de prompts/system_writer.txt Regra 2.5 em text e text_compact independentemente. Este é um pós-processamento rígido, não uma regra suave, e é executado APÓS cada passagem do LLM. Os text e text_compact retornados 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 literal X se 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.

Habilidades Relacionadas