Skip to content

07-论文修改与润色.md

Latest commit

 

History

History
237 lines (179 loc) · 12.3 KB

07-论文修改与润色.md

File metadata and controls

237 lines (179 loc) · 12.3 KB

07 - 论文修改与润色

< 返回主页

论文修改是学术写作中最耗时的环节。 一篇初稿从"能读"到"能投"，传统上需要 8-10 小时反复打磨。AI Agent 的多代理系统能把这个过程系统化、可追溯化。

Skills 列表

academic-writing-refiner（学术论文润色）

属性 说明
来源 ClawHub (clawhub.com)
功能 针对顶会标准（NeurIPS、ICML、ACL）逐段润色
特色 可以单独丢一个 section，不用整篇丢进去
适用 虽然标准偏 CS，但英文学术写作的逻辑是相通的：简洁、精确、避免废话
安装 clawhub install academic-writing-refiner

copy-edit-master（论文修改系统）

属性 说明
来源 学术社区开源项目
架构 3 子代理多代理系统
原理 把修改方法论写进 SKILL.md，底层参考标准（Strunk & White 文体规则、McCloskey 学术写作原则）被编码进 Skill

工作流详解：

输入: copy-edit papers/draft.md
  ↓
自动检测文档类型：
  → 一般学术论文 → 2 阶段流程
  → 理论论文（含定理/形式化模型）→ 5 阶段流程
  ↓
阶段 1: structure-editor（结构编辑器）
  - 全局视野，ultra-think 模式
  - 调整论文整体逻辑和结构
  ↓
阶段 2: line-editor（逐行编辑器）
  - 逐 section 精细处理
  - 使用 Sonnet 模型控制成本
  ↓
quality-reviewer（质量审阅器）
  - 独立审阅，避免"自我感觉良好"偏差
  - 每阶段最多迭代 2 次，未通过升级人工
  ↓
输出: 修改后的论文 + 阶段报告 + git 检查点

安全机制：

  • 自动备份（.backup）+ 每阶段 git commit + 阶段报告
  • 三类修改 Agent 不会自动处理：研究贡献重新定位、数据来源声明、统计显著性声明——这些留给人工
  • 2 次未通过后提供明确的三选一决策

introduction-writer（四代理引言系统）

属性 说明
来源 学术社区开源项目（goyal-intro-writer）
架构 4 个角色各司其职
角色 功能
intro-strategist 分析全文，制定写作策略
intro-drafter 按 Keith Head 公式起草引言
intro-reviewer 独立评分，识别贡献声明不清等问题
intro-reviser 针对性修订，不破坏已通过部分

为什么要分角色？ 审阅者与起草者独立，才能形成真正的质量闭环。如果同一个 Agent 既写又审，它倾向于认为自己写的都是对的。

AI-research-feedback（经济学论文反馈）

属性 说明
来源 claesbackman/AI-research-feedback
功能 预投稿审阅，专为经济学论文设计
检查项 贡献清晰度、识别策略可信度、因果过度声称、未支持的声明
支持 Top-5 经济学期刊 + 顶级金融期刊

revision-guard（防过度修改与同质化）

属性 说明
来源 ShiyanW/ai-revision-guard
功能 防止 AI 越改越差——限制修改轮次、检测同质化、保护作者 voice
安装 git clone https://github.com/ShiyanW/ai-revision-guard.git ~/.claude/skills/revision-guard

解决的问题：

AI 总能找到"改进空间"，用户反复迭代后反而得到更差的结果——Liz Fosslien 称之为"Frankenstein-ed slop"。研究表明 LLM 修改量是人类的 3 倍，论点向中性偏移 70%（CHI 2025; Georgetown 2025）。

工作流：

Step 0: 锚定 — 锁定用户满意的内容（不是初稿，是用户确认的版本）
Step 1: 分类 — 结构/实质/语言/格式/全面重写，各有明确边界
Step 2: 执行 — 最小有效改动，15 个禁止的 AI 替换模式
Step 3: 报告 — 自评：实质改进 / 微调 / 边际（边际则建议停止）
Step 4: 限制 — 每节最多 2 轮，第 3 轮触发警告
Step 5: 检测 — 7 项同质化清单，2+ 项触发则警告并提供回滚
Step 5b: 交叉验证（可选）— 发送修改前后文本给 Codex/GPT 独立判断

特色：

  • 8 个领域预设（经济学、法学、医学、人文、STEM、心理学、政治学、教育学）自动锁定核心学术判断
  • 锁定保护 voice 但不保护事实错误——发现锁定区有错会主动标记
  • 附带 scripts/diff-check.py 自动检测同质化信号（词数膨胀、第一人称消失、hedge 词增加等）
  • 研究支撑：8 项学术来源（CHI 2025、Georgetown 2025、Xie & Xie 2026 等）

humanizer_academic（学术论文去 AI 味）

属性 说明
来源 matsuikentaro1/humanizer_academic
功能 检测并消除学术论文中的 23 种 AI 写作痕迹，降低 AIGC 检测率
安装 git clone https://github.com/matsuikentaro1/humanizer_academic.git ~/.claude/skills/humanizer_academic

解决的问题：

AI 生成的文本有统计上可检测的模式——"LLM 使用统计算法猜测下一个最可能的词，结果趋向于最广泛适用的统计最大概率结果"（Wikipedia）。这导致学术论文中出现夸大重要性、空洞过渡词、em dash 滥用、人工三项列表等模式，容易被 AIGC 检测系统识别。

23 种检测模式：

  • 内容模式（6 个）：重要性夸大、知名度声称、浅层分析、推销式语言、模糊归因、公式化问题陈述
  • 语言模式（6 个）：AI 偏好词汇（"pivotal"/"landscape"/"crucial"）、避免系动词、否定并列（"not only...but also"）、三项排列、同义词轮换、虚假范围
  • 风格模式（3 个）：em dash 零容忍、标题大写规范、弯引号标记
  • 填充与对冲（3 个）：冗余短语（"in order to"→"to"）、过度对冲、泛化结论
  • 用词选择（5 个）：不自然短语替换、人为压缩表达、对冲调整不足

特色：

  • 示例来自心血管研究（EMPA-REG OUTCOME 试验），适合医学/自然科学
  • 保留合法的学术过渡词（"Notably"、"Furthermore"）
  • 基于 Wikipedia "Signs of AI writing" 指南改编

skill-deslop（科学写作去 AI 化）

属性 说明
来源 stephenturner/skill-deslop
功能 专为科学写作设计的去 AI 化工具，尊重学科惯例（如方法论部分的被动语态）
使用 直接说 "make this sound human" 或使用 5 维评分量表

核心特色：

  • 智能区分"合法的科学写作惯例"和"AI 生成痕迹"——不会误伤方法论章节的被动语态或领域专用术语
  • 5 维评分量表：直接性（Directness）、节奏变化（Rhythm）、读者信任（Trust）、真实感（Authenticity）、内容密度（Density）
  • 针对空洞过渡词、重复句式、虚假对冲、人为热情、舞台式戏剧化等模式

stop-slop（通用去 AI 味）

属性 说明
来源 hardikpandya/stop-slop
功能 从散文中移除 AI 写作特征，三层检测 + 五维评分
兼容 Claude Code、Claude Projects、自定义指令、API 集成

三层检测：

  1. 禁用短语：清喉开场白、强调拐杖、商业行话、模糊声明、元评论
  2. 结构套路：二元对比、否定列表、戏剧性碎片化、修辞铺垫、虚假能动性、旁白者视角、被动构造
  3. 句级规则：禁止 Wh- 开头、em dash、断续碎片化；强制主动语态

评分：5 维各 1-10 分，总分低于 35/50 建议重写。

humanize-chinese（中文学术 AI 检测 + 改写：SKILL + CLI 双形态）

属性 说明
来源 voidborne-d/humanize-chinese
形态 同时提供 SKILL.md 和独立 Python CLI/库——仓库根目录含 SKILL.md（带 frontmatter，topics 标 claude-code-skill），可在 Claude Code / OpenClaw / Hermes 等 agent 内直接加载；同时也是 0 第三方依赖的 Python 库，可独立 pip install 后在任意 pipeline / CI / 服务器跑批。本条目侧重 CLI/库的非 agent 用法，agent 内用法可参考 chinese-de-aigc 的工作流定位
功能 中文 AI 文本检测与改写：17 类检测特征 + 7 风格改写器（academic / novel / blog / casual / 小红书 / 微信 / 文学），针对知网 / 万方 / 维普 / Turnitin 中文版实测调参
安装 pip install humanize-chinese 或 git clone https://github.com/voidborne-d/humanize-chinese && pip install -e .
License MIT (Non-Commercial)——非标准修改版 MIT，明确禁止商业用途（禁止 SaaS / 付费 API / 集成进商业产品 / 付费内容改写服务等）。个人使用、学术研究、教育用途、非商用衍生开源项目允许。下游商用需联系作者另行授权，不能按标准 MIT 使用

与 chinese-de-aigc / humanizer_academic 的差异（聚焦 CLI/库形态的互补面）：

维度 chinese-de-aigc humanizer_academic humanize-chinese (CLI/库形态)
主用形态 Markdown SKILL.md（agent 内） Markdown SKILL.md（agent 内） Python CLI + 库（pipeline 可调用，亦提供 SKILL.md）
语言 中文学术 英文学术 中文学术（含 novel / blog / 通用）
检测维度 17 类（agent 自查） 23 类（agent 自查） 17 类（程序化打分，逻辑回归 ensemble）
改写形式 agent 五步工作流 agent 模式重写 7 个风格改写器，规则 + best-of-n 采样，可复现（seed=42）
长篇支持 通用 通用 长度 ≥1500 字自动切长篇 LR；段落级特征（段内句长 CV、段长 CV、跨段 3-gram 重复率）

核心特色（v5 段落级特化）：

  • 段落级信号：段内句长 CV、段长 CV、跨段 3-gram 重复率。LR holdout 0.897 → 0.926
  • HC3 100 短问答基准：95% 正确分离，长篇平均降幅 -55 / 短样本 -63
  • 可复现：默认 --best-of-n 10 --seed 42；场景感知 detector --scene academic / novel / blog / news / auto

使用建议：

  • 中文论文 batch 处理（CI / 服务器，不在 Claude Code 内）→ humanize-chinese CLI
  • agent 内交互式改写 → chinese-de-aigc Skill（或 humanize-chinese 的 SKILL.md）
  • 中英双语论文 → humanize-chinese（中文段）+ humanizer_academic（英文段）
  • 商用场景 → humanize-chinese 不可（License 限制），需用 chinese-de-aigc / humanizer_academic / stop-slop 等标准 MIT 项目

从 Skill 到 Custom Agent 系统

从使用者到设计者，可以分为三个层次：

Level 1: 工具（Claude Code 内置读写搜索能力）
    ↓
Level 2: Skill（你写操作手册，Agent 按手册执行）
    ↓
Level 3: Custom Agent（你定义专门化子代理，独立身份、独立工具集、独立模型选择）

SKILL.md 编写原则：

  • 步骤要可执行：写"应用 Strunk & White Rule 13"，而非"适当润色"
  • 输出要可验证：写"生成 stage-1-report.md"，而非"改善质量"
  • 边界要明确：什么修改 Agent 做，什么修改留给人工

成长路径：

先用别人的 Skill → 记录自己重复做的任务 → 写成 SKILL.md → 拆分为多 Agent 系统

实用建议

  1. 不要跳过 structure-editor：很多人急着逐句润色，但如果论文结构有问题，句子再漂亮也没用
  2. 利用 git 检查点：copy-edit-master 的每阶段 git commit 让你可以随时回滚，大胆让 AI 改
  3. 投稿前必做：用 AI-research-feedback 跑一遍预审，看看 AI 模拟审稿人会提什么意见——这些很可能就是真正审稿人会问的

← 上一章 | 下一章：08 - 引用管理与排版 →