你的語調 是做什麼的？
讓這聽起來像是使用者在為此目的而寫作。保留他們的意義、判斷、技術詞彙、引用和證據。不要用一個通用的編輯語調取代通用的 AI 語調。
從上下文開始，而不是問卷
宣告此技能。檢查草稿和可用的專案上下文，以推斷作者、語言、目標受眾、文件類型、目的、領域和寫作條件。領域包括主題、體裁和語域；條件也可以包括協作、編輯、翻譯、時間和章節功能。記錄已知項目與推斷項目。
在收集參考資料或測量風格之前，請先閱讀 references/corpus-and-model.md。首先在使用者提供的材料和相關專案資料夾中尋找，而不是他們的整個硬碟。如果作者的 identity 已確定，請尋找該作者合法公開發表的同類作品。優先選擇強烈的作者歸屬和可比較的目的：單一作者作品、經確認的作者本人撰寫段落，其次是第一作者作品（附帶共同作者編輯的備註）。ChatGPT 之前的作品在其它條件可比較時是有用的，但不能作為未經協助創作之證明。切勿猜測 identity 或將共同作者論文的所有語調歸因於其第一作者。
目標是幾份好的參考資料，而不是一個龐大且不匹配的語料庫。通常三到五份可比較的文件是一個有用的起點，而非有效性的門檻。一份相同目的的新近文件可能比一份老舊但無關的論文更好。自行完成發現工作；僅在無法解決 identity、存取、作者或目的時，提出一個簡潔的問題。當不存在合適的參考資料時，不要製造個人基準線。
建立本地語調庫
重複使用專案現有的分析/審查區域，或在草稿旁邊建立 your_voice/ 目錄。保持原始參考檔案不變。儲存來源 URL/路徑、作者歸屬信心度、日期、領域/條件、提取排除項目和校驗和；然後儲存乾淨的文字和一份簡短的定性語調描述。不要在此技能中上傳私人文件或重新分發下載的論文。一個可重複使用的個人語調庫應保持本地化，並按語言/體裁分隔，而不是合併成一個通用的指紋。
使用 state.md 記錄原始草稿快照、選定的參考資料、已固定的提取/模型設定、當前階段、每次編輯的輸出/檢查、剩餘問題以及下一步確切動作。恢復時請閱讀它；保留原始基準線，而不是用修改後的文字覆蓋它。後續的 AI 輔助修訂是比較用的輸出，而非新的獨立參考資料。
程序
在編輯之前，請先閱讀 references/edit-and-report.md。保留原始草稿並驗證這是一項語言編輯任務；標記未解決的科學問題，而不是將其修飾得看似確定。
- 基準線。 閱讀具代表性的參考段落，描述其實際習慣，並測量可比較的參考資料與草稿文字。使用功能詞、標點符號和句子長度。表格和其他非作者素材被排除在分析之外，但不會從稿件中刪除。
- 輕度除渣。 清除明顯的聊天機器人殘留物、空洞的強調、重複的總結和做作的框架，前提是它們毫無意義。如果有一個「除渣 / 平實學術」技能可用，請閱讀並使用它；否則使用編輯參考資料中的獨立指導。不要將其通用配額或句子長度下限強加於此作者的證據之上。將此階段儲存為
cleanup，它與原始版本和三個個人語調編輯階段是分開的。 - 第一輪 — 簡單、巨大的差異。 檢查三到五個穩定且影響大的特徵。僅編輯自然的機會：連鎖的發現、重複的開頭，或不必要的連接性支架。保留好的原始句子。
- 第二輪 — 上下文相關的功能詞與節奏工作。 重新測量；針對在實際句子中合理的、最大的剩餘差異進行處理。檢查情態動詞、連接詞、代名詞和冠詞的意義，而不僅僅是頻率。不要為了讓比率一致而插入填充詞。
- 第三輪 — 殘留項與完整通讀。 重新測量，進行剩餘的、明確有用的更改，然後通讀以檢查流暢度、語法、推理和可識別的語調。一個編輯輪次可以誠實地進行零修改。不要強行進行三輪任意的更改。
在每次編輯後，儲存差異、使用已固定的設定進行測量、檢查主張/數字/引用/術語，並簡要地向使用者展示更改了什麼。繼續進行三輪編輯，除非範圍、權限或科學意義需要做出決定，否則不要提出不必要的問題。尊重本地的批次大小限制。
80/20 法則用於優先排序努力；這並不表示五個匹配的頻率就能解決 80% 的風格問題。在三輪之後停止，並誠實地說明還剩下什麼。進一步的重新擬合或編輯需要一個理由，而不是為了達到偶然的準確率。
測量
附帶的 scripts/compare_voice.py 用於測量以句子分割的英文文字，並在可用的匹配分組設計下擬合標準化、正則化的邏輯迴歸模型。其依賴項是 NumPy 和 scikit-learn，用於透明的特徵分析和分組分類。它永遠不會編輯草稿。請閱讀語料庫/模型參考文檔以了解輸入格式、提取、分組、限制和呼叫方式。
如果 Koppel-512 清單可用且允許使用，則應使用經過驗證的版本。提供的 assets/function_words_en.txt 是一個明確標記的、較小的英文替代方案，並非 Koppel-512。不要根據清單的長度來聲稱其來源。其他語言需要適當的標記化和詞彙清單；不要將中文或翻譯文字輸入英文腳本並報告有效的個人語調測量結果。
此分類器在特定設計下區分參考樣本和草稿樣本。它不會識別 AI 寫作、認證作者身份、估算「有多像人類」或測量使用者語調的百分比。相關的係數是診斷線索，而非因果性的詞彙重要性。可區分性的下降並不足以證明寫作更好。
像一個同事那樣報告
保持簡潔、直接和具體。用一兩句話解釋模型，展示參考 / 原始 / 最終版本在最相關特徵上的小比較，以及兩三個代表性的修改前後對比。僅在檢查後才說明未改變的科學內容。提及薄弱的參考來源、不足的數據、提取限制以及沒有幫助的更改。不用戲劇性的熱情、格言、誇大的主張，或「不是 X 而是 Y」的儀式性框架。
提供編輯後的草稿、本地測量 / 來源路徑、完成的編輯輪次數以及未解決的項目。不要發布、發送或提交私人參考資料。遵循現有的關於稿件提交的權限；最終提交和 AI 使用揭露仍由作者負責。