nsfc-qc

Solid

当用户明确要求"标书QC/质量控制/润色前质检/引用真伪核查/篇幅与结构检查"时使用。对 NSFC 标书进行只读质量控制:并行多线程独立检查文风生硬、引用假引/错引风险、篇幅与章节分布、逻辑清晰度等,最终输出标准化 QC 报告;中间文件默认归档到“交付目录内的隐藏工作区(.nsfc-qc/)”,并兼容 legacy `.nsfc-qc/`。

Data & Documents 2,293 stars 225 forks Updated yesterday MIT

Install

View on GitHub

Quality Score: 92/100

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 标书质量控制 ## 与 bensz-collect-bugs 的协作约定 - 当用户环境中出现因本 skill 设计缺陷导致的 bug 时,优先使用 `bensz-collect-bugs` 按规范记录到 `~/.bensz-skills/bugs/`,严禁直接修改用户本地 Claude Code / Codex 中已安装的 skill 源码。 - 若 AI 仍可通过 workaround 继续完成用户任务,应先记录 bug,再继续完成当前任务。 - 当用户明确要求“report bensz skills bugs”等公开上报动作时,调用本地 `gh` 与 `bensz-collect-bugs`,仅上传新增 bug 到 `huangwb8/bensz-bugs`;不要 pull / clone 整个 bug 仓库。 ## 定位 - 只读 QC:不修改 `.tex/.bib/.cls/.sty` - 目标是产出标准化 QC 报告,而不是“顺手帮用户改文” - 推荐布局:`deliver_dir/` 放交付物,`deliver_dir/.nsfc-qc/` 放工作区 ## 输入 最少需要: - `project_root` 建议同时提供: - `main_tex`,默认 `main.tex` - `threads`,默认读 `config.yaml` - `execution`,默认 `serial` - `deliver_dir`,推荐显式给,便于实例隔离 ## 输出 标准交付物: - `{run_dir}/final/nsfc-qc_report.md` - `{run_dir}/final/nsfc-qc_metrics.json` - `{run_dir}/final/nsfc-qc_findings.json` - `{run_dir}/final/validation.json` 常见预检产物: - `precheck.json` - `citations_index.csv` - `tex_lengths.csv` - `reference_evidence.jsonl` - `reference_evidence_summary.json` ## 硬规则 - 禁止写入标书源文件。 - 文献真实性检查必须有证据链;不确定时标记 `uncertain`。 - 元数据获取是必选项:引用真伪核���必须联网抓取论文 metadata 并做 URL/title 比对。 - `nsfc-qc` 不负责正文改写;只负责发现问题与给出建议。 ## 主流程 ### 1. 定位 run 目录 - 优先用实例隔离布局: - `deliver_dir` - `workspace_dir={deliver_dir}/.nsfc-qc` - `run_dir={workspace_dir}/runs/{run_id}` - 只有用户明确要求 legacy 时才退回 `project_root/.nsfc-qc/` ### 2. 只读预检 - 自动检测主 tex - 检查引用 key 是否存在 - 检查 `.bib` 字段完整性 - 生成引用证据包:Crossref / arXiv / Unpaywall 等 metadata + URL 可访问性 + title 比对 - 输出篇幅分布、引号问题、缩略语与术语一致性初筛 ### 3. 多线程独立 QC - 优先用 `parallel-vib...

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