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:
text- Nature 级别的英语改写。text_compact- 更紧凑的 60-70% 长度版本,用于对比。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)
-
加载
prompts/system_writer.txt和prompts/style_guide.txt。 -
加载来自
prompts/sections/<target>.txt的特定章节提示。 -
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)。 -
按照章节架构和限制层级重写输入。
-
反 AI 扫描:替换或删除任何匹配
anti_ai_patterns.tsv的短语。 -
渲染结果,输出完整格式(text, text_compact, summary)。
-
对照
style_guide.txt中的“返回前的快速合理性检查”标准进行自查。 -
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。
-
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。
-
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。