Communitygithub.com

mumdark/nature-writing-studio

基于 750 篇 Nature 家族论文及编辑风格指南,将科学文本改写为 Nature Portfolio 级别的学术英语。

nature-writing-studio 是什么?

该技能面向 Codex、Claude Code 等 AI 编程助手,是一个高度专业化的科学写作辅助工具。它基于从 750 篇 Nature 家族论文中蒸馏出的知识库(包含 60 条写作规则、122 个短语、132 个 AI 用语黑名单、22 个学科领域库和 12 个章节骨架),能够将用户提供的科学文本(中文或英文)改写为符合 Nature Portfolio 出版标准的学术英语。 技能的核心亮点在于其强大的多章节编排能力。当用户提供完整的科学草稿(如摘要、引言、方法、结果、讨论等)时,它通过一个编排器自动选择章节顺序,首先生成逻辑线、故事弧和实体注册表,然后为每个章节调用特定的提示模板进行改写,最后执行跨章节审计以确保行文一致。输出格式为内联 Markdown,每个章节均包含完整的改写文本(text)、精简版(text_compact)和元数据摘要(summary),方便外部编排器进行拼接。 此外,技能集成了严格的防 AI 痕迹清理和防伪造验证层。它使用一个从 412 篇 Nature 论文中提取的确定性 TSV 文件(gap_transitions, opener_distribution 等)来增强知识库,并能自动识别和移除诸如“delve into”、“navigate complexities”等 AI 常用但不符合 Nature 文风的词汇。其验证层(Verification Layer)将所有陈述追踪到用户输入,硬性要求数据声明必须有可追溯来源,从而有效避免模型捏造事实。 该技能使用简单,用户只需输入待改写文本和目标类型(如 abstract, sentence, multi_section),即可获得高质量的 Nature 风格英文输出。它特别适用于需要将中文科学论文翻译、润色并投稿 Nature 系列期刊的研究人员。

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

在你喜欢的 AI 中提问

打开一个已预加载此 Agent Skill 的新对话。

文档

nature-writing

适用于 Codex / Claude Code 的技能,用于将科学文本改写为 Nature Portfolio 级别的英语。 知识库提炼自 750 篇 Nature 家族论文及编辑风格指南。 知识库包含:60 条写作规则、122 个短语、132 个 AI 用语黑名单、22 个学科领域库、12 个章节骨架。

本技能的用途

给定用户提供的任何科学文本——声明列表、方法段落、草稿摘要、完整引言——生成:

  1. text - Nature 级别的英语改写。
  2. text_compact - 更紧凑的 60-70% 长度版本,用于对比。
  3. summary - 元数据,包括:
    • logic_line:改写背后的推理逻辑
    • rules_applied:来自 knowledge/writing_rules.tsv 的规则 ID(R001-)
    • patterns_used:来自 knowledge/phrase_bank.tsv 的短语 ID(P001-)
    • ai_tells_avoided:已移除的 AI 用语模式
    • section:目标章节类型
    • domain:推断或提供的学科领域

当 target=multi_section 时,编排器将生成每个章节的独立块,并在顶层添加 meta 行,其中包含 version_used、logic_line、entity_registry、cross_section 审计记录以及可选的 degraded 标志。由智能体(或面向用户的界面层)负责将每个章节的 text 和 text_compact 字符串拼接成两个最终的完整论文版本。

何时使用本技能

在用户提出以下任何要求时触发:

  • 进行 Nature 风格写作、润色、重写、翻译(中文 -> 自然英语)、重构
  • 提升学术写作水平(“让它听起来像 Nature 文章”)
  • 撰写单章节草稿:摘要、引言、方法、结果、讨论、图例
  • 句子级别润色:将一个中文句子转写为 Nature 级别的英语
  • 多章节写作:当用户提供完整草稿(中文或英文)并希望获得 Nature 风格的完整论文时;生成每章节的 Markdown 块 + 一个 summary 行,由外部智能体拼接成两个完整论文版本
  • 反 AI 清理:移除 delve into、navigate complexities 等
  • 特定学科起草(物理学 / 生物学 / 医学 / 材料科学等)

调用约定

该技能期望输入格式如下:

input: <要重写的文本>
target: <abstract | introduction | methods | results | discussion | figure_legend | sentence>
domain: <physics_condensed | biology_neuro | medicine_oncology | ... | general_nature>  (可选)

对于句子级别的润色,target = sentence,且 input 可以是一个句子或短语。

对于完整论文编排:

target: multi_section
input: <完整草稿,中文或英文,无需章节标记>
domain: <可选>

multi_section 目标会调用 prompts/sections/multi_section.txt 作为编排器。它会自动选择章节顺序(默认为 SP001),强制进行 logic_line + story_arc + entity_registry 前置步骤,在共享上下文中调用每个章节的提示,并生成每个章节的 Markdown 块以及一个 summary 行。由外部智能体(或面向用户的界面层)将每个章节的 text 和 text_compact 拼接成两个最终的完整论文版本。

操作流程(针对智能体)

  1. 加载 prompts/system_writer.txt 和 prompts/style_guide.txt。

  2. 加载来自 prompts/sections/<target>.txt 的特定章节提示。

  3. 读取 knowledge/writing_rules.tsv(60 条规则)、phrase_bank.tsv(122 个短语)、anti_ai_patterns.tsv(132 个黑名单)、domain_register.tsv(如果指定了领域)。

  4. 按照章节架构和限制层级重写输入。

  5. 反 AI 扫描:替换或删除任何匹配 anti_ai_patterns.tsv 的短语。

  6. 渲染结果,输出完整格式(text, text_compact, summary)。

  7. 对照 style_guide.txt 中的“返回前的快速合理性检查”标准进行自查。

  8. 多章节编排(仅在 target=multi_section 时)。读取 prompts/sections/multi_section.txt 和 knowledge/cross_section_rules.tsv。然后:

    • 通过编排器的自动版本选择(默认为 SP001)选择章节顺序。
    • 在任何章节开始写作前,强制生成 logic_line + story_arc + entity_registry。
    • 构建一个 shared_context 对象,并将其(围栏式)预先添加到每个章节的输入切片中。
    • 按版本顺序为每个章节调用匹配的特定章节提示。
    • 对每个章节运行现有的验证层;如果失败,则在纠正上下文后重新运行一次。
    • 所有章节完成后,运行跨章节审计(实体差异、限制层级、引用空缺、缩写漂移、转换中断、数字格式、参考文献密度)并输出 meta.cross_section。
    • 返回内联 Markdown 块,格式与单章节示例相同,每个章节包含 ## text / ## text_compact / ## summary,后跟 ## meta 块,列出 version_used、logic_line、entity_registry、cross_section、degraded。不要拼接散文;由智能体完成。
  9. 验证(验证层,防伪造):运行 prompts/system_writer.txt 中定义的验证层(规则 1a / 1b / 2 / 2.5 / 3)。两个可追溯性层级:

    • 规则 1a(硬性,必须追溯到输入):关于用户研究的任何数据声明——数据、统计、样本量、时间点、图表/引用标记、用户特定标识符(基因变体、细胞系 ID、数据集登录号)、用户陈述的条件。不可追溯的数据标记即是伪造;必须删除。
    • 规则 1b(软性,允许自由使用):成熟的科学知识(如 alternative splicing 或 gene regulation 等机制、Wnt 或 MAPK 等众所周知通路、作为背景的模式生物、通用组织/细胞类别、通用表型/过程术语)。这些用于铺垫用户的具体发现,绝不是伪造。
    • 判定规则:如果将该标记替换为其他人的特定基因/数字/细胞后,该陈述仍然为真——则属于规则 1b(允许)。如果移除用户的输入会使句子为假——则属于规则 1a(必须追溯)。
    • 将破折号(U+2014)视为伪造(规则 2)。审计字段为 summary.untraceable_tokens——空数组 [] = 通过;非空 = 发现伪造,必须重新改写。在多章节模式下,违规章节的 text=null,并列入 meta.degraded。参见已处理的案例,包括仅删除、删除并重写、以及允许通用知识的情况。
  10. 破折号清除(确定性):验证层通过后,对 text 和 text_compact 独立运行 prompts/system_writer.txt 规则 2.5 中的 strip_em_dash() 函数。这是一个硬性的后处理,而非柔性规则,并且在每次 LLM 调用之后运行。返回的 text 和 text_compact 必须包含零个 U+2014。如果替换破坏了句子结构(例如,以 , 开头),则在句子边界处重新分割。不要为了修复工件而编造新内容。

输出格式

## text
<Nature 级别的散文>

## text_compact
<更紧凑的 60-70% 长度版本>

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

默认是内联 Markdown。仅在用户明确要求时才切换为 JSON 或写入文件(例如,“输出为 JSON”、“保存到 .docx”)。

当 target=multi_section 时,输出格式会发生变化:

## text
<摘要文本> ... <方法文本>     (由编排器拼接)

## text_compact
<摘要文本_紧凑版> ... <方法文本_紧凑版>

## summary
- mode: multi_section
- version_used: SP001
    "logic_line": "<一句话>",
    "entity_registry": [...],
    "cross_section": {"entity_diff": [], "hedge_violations": [], "citation_gaps": [], "abbreviation_drift": [], "transition_breaks": [], "numeric_format_drift": [], "reference_density": [], "overall": "PASS"},
    "degraded": null
  }
}

智能体(或面向用户的界面层)按顺序遍历 sections,并将每个章节的 text(以空行分隔)连接成一个最终的 text,然后将每个章节的 text_compact 连接成一个最终的 text_compact。向用户展示这两个拼接好的版本以供阅读。

示例

用户输入(中文):

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。 技能输出(英文): 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.

Summary: 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. Verification: 0 em-dash; 0 fabricated tokens; pass. All tokens trace to the input (287, CRISPRi, ZNF219, transcription factor, repressor, neural differentiation).

图表与引文占位符

当用户输入中没有图表编号或引文时,在散文中插入明确的占位符:

  • 图表:(Fig. X)、(Extended Data Fig. X)、(Fig. 1a, b)(如果未分配,则使用字面 X)。
  • 引文:[citation needed]、[1]、[2] 或数字上标占位符,如 [1-]。
  • 统计:[n = TBD]、[P = TBD]。

永远不要默默省略。占位符是诚实的;省略会增加伪造风险。

text 与 text_compact 的对比

  • text:完整散文,包含限制性修饰语、括号内说明、校准后的冗余。
  • text_compact:60-70% 长度。删除了括号内注意事项和成对冗余从句之一。保留主要声明、机制、锚定引用和所有反 AI 修复。

两个版本必须有可测量的差异——至少 20% 的长度差异或 2 处实质性删减。

对于多章节编排,拼接后的 text 是所有章节 text 的串联结果,拼接后的 text_compact 是所有章节 text_compact 的串联结果;整体长度比例得以保留。

反 AI 精度

单词 key 在某些 Nature 语境中是允许的(key result、key step、key parameter)。它仅在以下搭配时才属于 AI 用语:key player、key regulator、key insight、key step toward、key role。具体正则表达式请参见 knowledge/anti_ai_patterns.tsv。

相关技能