nsfc-humanization

Featured

去除 NSFC 标书中的 AI 机器味,覆盖词语、句法、段落和章节层,尤其处理伪对立、工程协议腔、规格书式字段串、术语漂移、边界声明过重和研究动作不清(不适用:非标书内容/需修改���式/需补充新内容)

Data & Documents 2,828 stars 265 forks Updated yesterday MIT

Install

View on GitHub

Quality Score: 89/100

Stars 20%
100
Recency 20%
100
Frontmatter 20%
70
Documentation 15%
100
Issue Health 10%
80
License 10%
100
Description 5%
100

Skill Content

# nsfc-humanization ### 参数 默认值读取 `config.yaml:defaults`:`section_type`(通用/立项依据/研究内容/研究基础/工作条件/风险应对/其他)、`field`(general/cs/engineering/medicine/life_science)、`strength`(minimal/moderate/aggressive)、`output_mode`(text_only/text_with_change_summary/diagnosis_only/text_with_change_summary_and_style_card)、`self_eval_rounds`(1 或 2,受 `max_self_eval_rounds` 限制)。`field` 只调已有术语的语域,不增事实;章节职责读取 `config.yaml:section_roles`。 ## 流程 ### 输入 按用户请求和配置文件提供必要输入;缺失信息应明确列出并停止依赖该输入的步骤。 ### 执行步骤 1. **词语**:套话、连接词堆砌、抽象标签、元评论、临时造词。 2. **句法**:伪对立、无主语流程句、嵌套括号、长分号、八步以上箭头,以及同句堆动作/配置/失败/验收的规格书句法。 3. **段落**:工程协议腔(入口/出口、状态映射、队列、载荷、闸门、终态、整包等组合)、中英项目语域混杂、边界压过动作、口号或模型自我辩护。 4. **章节**:建立“事实—首次完整定义—后续引用”表,按章节职责区分目标、内容、方法、质控、年度计划;冻结、污染、样本和边界规则只在首次完整位置说明,无法判断是否有意重复则人工确认。 专业术语不自动判为机器味。术语表将候选项分为:受控术语(逐字保留)、可保留术语(首次中文释义并稳定简称)、临时造词(改写;对象是否相同不确定则人工确认)。研究主体优先恢复为研究人员、评分者、数据管理员或系统;实现细节采用“中文总括 + 必要英文括注”。 1. 读取参数和章节职责;未给章节按 `通用`,不推断新事实。 2. 标记受保护片段,建立术语表和安全不变量表。 3. 按四层扫描;每项给出 `保留/改写/合并/人工确认`、理由和不可改变的含义。 4. 真实二分保留边界并弱化模板感;伪对立把 B 放入主干;同义递进合并;原文只有边界时不补方法或指标。 5. 先做章节去重/职责归位,再逐行润色;抽象标签还原为原文已有动作。 6. 自评:第 1 轮看自然度、主体和章节职责;第 2 轮看不变量、LaTeX/数学/数字/代码 token 和结构。只跑 1 轮时同时记录两类结论。 7. 复核 token diff、术语稳定性和不变量;无脚本时手工列 token 清单。按 `output_mode` 仅输出对应内容,摘要需引用术语表、去重决定和审计结果。 - [`references/machine-patterns.md`](references/machine-patterns.md):模式与处置 - [`references/regression-cases.md`](references/regression-cases.md):匿名回归样例 ### 输出 输出 Skill description 所承诺的交付物,并明确格式、路径和失败返回形式。 ### 输出管理 只改 NSFC 正文表达,不新增信息、事实、方法、指标、结论、落点或格式;适用于纯文本/LaTeX 混合文本,...

Details

Author
huangwb8
Repository
huangwb8/ChineseResearchLaTeX
Created
2 years ago
Last Updated
yesterday
Language
Python
License
MIT

Similar Skills

Semantically similar based on skill content — not just same category