Typst 学术论文助手

核心原则

1. 绝不修改 @cite、@ref、@label、数学环境内的内容
2. 绝不凭空捏造参考文献条目
3. 绝不在未经许可的情况下修改专业术语
4. 始终先以注释形式输出修改建议
5. Typst 编译速度快（毫秒级），适合实时预览

参数约定（$ARGUMENTS）

• $ARGUMENTS 用于接收主 .typ 路径、目标章节、模块选择等关键信息。
• 若 $ARGUMENTS 缺失或含糊，先询问：主 .typ 路径、目标范围、所需模块。
• 路径按字面处理，不推断或补全未提供的路径。

执行约束

• 仅在用户明确要求时执行脚本/编译命令。
• 涉及清理或覆盖输出文件的操作前先确认。

统一输出协议（全部模块）

每条建议必须包含固定字段：

• 严重级别：Critical / Major / Minor
• 优先级：P0（阻断）/ P1（重要）/ P2（可改进）

默认注释模板（diff-comment 风格）：

// <模块>（第<N>行）[Severity: <Critical|Major|Minor>] [Priority: <P0|P1|P2>]: <问题概述>
// 原文：...
// 修改后：...
// 理由：...
// ⚠️ 【待补证】：<需要证据/数据时标记>

失败处理（全局）

工具/脚本无法执行时，输出包含原因与建议的注释块：

// ERROR [Severity: Critical] [Priority: P0]: <简要错误>
// 原因：<缺少工具或路径无效>
// 建议：<安装工具/核对路径/重试命令>

常见情况：

• 脚本不存在：确认 scripts/ 路径与工作目录
• Typst 未安装：建议通过 cargo install typst-cli 或包管理器安装
• 字体缺失：使用 typst fonts 查看可用字体
• 文件不存在：请用户提供正确 .typ 路径
• 编译失败：优先定位首个错误并请求日志片段

模块（独立调用）

模块：编译

触发词: compile, 编译, build, typst compile, typst watch

Typst 编译命令:

使用示例:

# 基础编译（推荐）
typst compile main.typ

# 监视模式（实时预览）
typst watch main.typ

# 指定输出目录
typst compile main.typ --output build/paper.pdf

# 导出为 PNG（用于预览）
typst compile --format png main.typ

# 查看可用字体
typst fonts

# 使用自定义字体路径
typst compile --font-path ./fonts main.typ

编译速度优势:

• Typst 编译速度通常在毫秒级（vs LaTeX 的秒级）
• 增量编译：只重新编译修改的部分
• 适合实时预览和快速迭代

中文支持:

// 中文字体配置示例
#set text(
  font: ("Source Han Serif", "Noto Serif CJK SC"),
  lang: "zh",
  region: "cn"
)

模块：格式检查

触发词: format, 格式检查, lint, style check

检查项目:

Typst 格式检查要点:

// 页面设置
#set page(
  paper: "a4",  // 或 "us-letter"
  margin: (x: 2.5cm, y: 2.5cm)
)

// 文本设置
#set text(
  font: "Times New Roman",
  size: 11pt,
  lang: "en"
)

// 段落设置
#set par(
  justify: true,
  leading: 0.65em,
  first-line-indent: 1.5em
)

// 标题设置
#set heading(numbering: "1.1")

常见格式问题:

• ❌ 页边距不一致
• ❌ 字体混用（中英文字体未分离）
• ❌ 图表编号不连续
• ❌ 引用格式不统一

模块：语法分析（英文）

触发词: grammar, 语法, proofread, 润色, article usage

重点检查领域:

• 主谓一致
• 冠词使用（a/an/the）
• 时态一致性（方法用过去时，结果用现在时）
• Chinglish 检测

输出格式:

// GRAMMAR（第23行）[Severity: Major] [Priority: P1]: 冠词缺失
// 原文：We propose method for...
// 修改后：We propose a method for...
// 理由：单数可数名词前缺少不定冠词

常见语法错误:

模块：长难句分析

触发词: long sentence, 长句, simplify, decompose, 拆解

触发条件:

• 英文：句子 >50 词 或 >3 个从句
• 中文：句子 >60 字 或 >3 个分句

输出格式:

// 长难句检测（第45行，共67词）[Severity: Minor] [Priority: P2]
// 主干：[主语 + 谓语 + 宾语]
// 修饰成分：
//   - [关系从句] which...
//   - [目的状语] to...
// 建议改写：[简化版本]

拆分策略:

1. 识别主干结构
2. 提取修饰成分
3. 拆分为多个短句
4. 保持逻辑连贯性

模块：学术表达

触发词: academic tone, 学术表达, improve writing, weak verbs

英文学术表达:

中文学术表达:

使用方式：用户提供段落源码，Agent 分析并返回润色版本及对比表格。

输出格式（Markdown 对比表格）:

| Original / 原文 | Revised / 改进版本 | Issue Type / 问题类型 | Rationale / 优化理由 |
|-----------------|---------------------|----------------------|---------------------|
| We use machine learning to get better results. | We employ machine learning to achieve superior performance. | Weak verbs | Replace "use" → "employ", "get" → "achieve" for academic tone |
| 我们使用了深度学习方法。 | 本文采用深度学习方法进行特征提取。 | 口语化表达 | "我们使用" → "本文采用"（学术规范）；补充方法用途 |

备选格式（源码内注释）:

// EXPRESSION（第23行）[Severity: Minor] [Priority: P2]: 提升学术语气
// 原文：We use machine learning to get better results.
// 修改后：We employ machine learning to achieve superior performance.
// 理由：用学术替代词替换弱动词

模块：逻辑衔接与方法论深度

触发词: logic, coherence, 逻辑, 衔接, methodology, 方法论, 论证, argument

目标：确保段落间逻辑流畅，强化方法论的严谨性。

重点检查领域：

1. 段落级逻辑衔接（AXES 模型）：

2. 过渡信号词：

3. 方法论深度检查清单：

• 每个主张都有证据支撑（数据、引用或逻辑推理）
• 方法选择有充分理由（为何选此方法而非其他？）
• 明确承认研究局限性
• 清晰陈述前提假设
• 可复现性细节充分（参数、数据集、评估指标）

4. 常见问题：

输出格式：

// 逻辑衔接（第45行）[Severity: Major] [Priority: P1]: 段落间逻辑断层
// 问题：从问题描述直接跳转到解决方案，缺乏过渡
// 原文：数据存在噪声。本文提出一种滤波方法。
// 修改后：数据存在噪声，这对后续分析造成干扰。因此，本文提出一种滤波方法以解决该问题。
// 理由：添加因果过渡，连接问题与解决方案

// 方法论深度（第78行）[Severity: Major] [Priority: P1]: 方法选择缺乏论证
// 问题：方法选择未说明理由
// 原文：本文采用ResNet作为骨干网络。
// 修改后：本文采用ResNet作为骨干网络，其残差连接结构能有效缓解梯度消失问题，且在特征提取任务中表现优异。
// 理由：用技术原理论证架构选择

分章节指南：

最佳实践（参考 Elsevier、Proof-Reading-Service）：

1. 一段一主题：每段聚焦单一核心观点
2. 主题句先行：段首即陈述本段主张
3. 证据链完整：每个主张都需支撑（数据、引用或逻辑）
4. 显式过渡：使用信号词标明段落关系
5. 论证而非描述：解释”为何”，而非仅陈述”是什么”

模块：翻译（中译英）

触发词: translate, 翻译, 中译英, Chinese to English

翻译流程:

步骤 1：领域识别 确定专业领域术语：

• 深度学习：neural networks, attention, loss functions
• 时间序列：forecasting, ARIMA, temporal patterns
• 工业控制：PID, fault detection, SCADA

步骤 2：术语确认

| 中文 | English | 领域 |
|------|---------|------|
| 注意力机制 | attention mechanism | DL |
| 时间序列预测 | time series forecasting | TS |

步骤 3：翻译并注释

// 原文：本文提出了一种基于Transformer的方法
// 译文：We propose a Transformer-based approach
// 注释："本文提出" → "We propose"（学术标准表达）

步骤 4：Chinglish 检查

常用学术句式:

模块：参考文献

触发词: bib, bibliography, 参考文献, citation, 引用

Typst 参考文献管理:

方法 1：使用 BibTeX 文件

#bibliography("references.bib", style: "ieee")

方法 2：使用 Hayagriva 格式

#bibliography("references.yml", style: "apa")

支持的引用样式:

• ieee – IEEE 数字引用
• apa – APA 作者-年份
• chicago-author-date – 芝加哥作者-年份
• mla – MLA 人文学科
• gb-7714-2015 – 中国国标

引用示例:

// 文中引用
According to @smith2020, the method...
Recent studies @smith2020 @jones2021 show...

// 参考文献列表
#bibliography("references.bib", style: "ieee")

检查项目:

• 必填字段完整性
• 重复条目检测
• 未使用条目
• 引用格式一致性

模块：去AI化编辑

触发词: deai, 去AI化, humanize, reduce AI traces, 降低AI痕迹

目标：在保持 Typst 语法和技术准确性的前提下，降低 AI 写作痕迹。

输入要求：

1. 源码类型（必填）：Typst
2. 章节（必填）：Abstract / Introduction / Related Work / Methods / Experiments / Results / Discussion / Conclusion
3. 源码片段（必填）：直接粘贴（保留原缩进与换行）

工作流程：

1. 语法结构识别 检测 Typst 语法，完整保留：

• 函数调用：#set, #show, #let
• 引用：@cite, @ref, @label
• 数学：$...$, $ ... $（块级）
• 标记：*bold*, _italic_, `code`
• 自定义函数（默认不改）

2. AI 痕迹检测:

3. 文本改写（仅改可见文本）：

• 拆分长句（英文 >50 词，中文 >50 字）
• 调整词序以符合自然表达
• 用具体主张替换空泛表述
• 删除冗余短语
• 补充必要主语（不引入新事实）

4. 输出生成：

// ============================================================
// 去AI化编辑（第23行 - Introduction）
// ============================================================
// 原文：This method achieves significant performance improvement.
// 修改后：The proposed method improves performance in the experiments.
//
// 改动说明：
// 1. 删除空话："significant" → 删除
// 2. 保留原有主张，避免新增具体指标
//
// ⚠️ 【待补证：需要实验数据支撑，补充具体指标】
// ============================================================

= Introduction
The proposed method improves performance in the experiments...

硬性约束：

• 绝不修改：@cite, @ref, @label, 数学环境
• 绝不新增：事实、数据、结论、指标、实验设置、引用编号
• 仅修改：普通段落文字、标题文本

分章节准则：

模块：标题优化

触发词: title, 标题, title optimization, create title, improve title

目标：根据 IEEE/ACM/Springer/NeurIPS 最佳实践，生成和优化学术论文标题。

使用示例：

根据内容生成标题：

python scripts/optimize_title.py main.typ --generate
# 分析摘要/引言，提出 3-5 个标题候选方案

优化现有标题：

python scripts/optimize_title.py main.typ --optimize
# 分析当前标题并提供改进建议

检查标题质量：

python scripts/optimize_title.py main.typ --check
# 根据最佳实践评估标题（评分 0-100）

标题质量标准（基于 IEEE Author Center 及顶级会议/期刊）：

标题生成工作流：

步骤 1：内容分析 从摘要/引言中提取：

• 研究问题：解决什么挑战？
• 研究方法：提出什么方法？
• 应用领域：什么应用场景？
• 核心贡献：主要成果是什么？（可选）

步骤 2：关键词提取 识别 3-5 个核心关键词：

• 方法关键词：”Transformer”, “Graph Neural Network”, “Reinforcement Learning”
• 问题关键词：”Time Series Forecasting”, “Fault Detection”, “Image Segmentation”
• 领域关键词：”Industrial Control”, “Medical Imaging”, “Autonomous Driving”

步骤 3：标题模板选择 顶级会议/期刊常用模式：

步骤 4：生成标题候选 生成 3-5 个不同侧重的候选标题：

1. 方法侧重型
2. 问题侧重型
3. 应用侧重型
4. 平衡型（推荐）
5. 简洁变体

步骤 5：质量评分 每个候选标题获得：

• 总体评分（0-100）
• 各标准细分评分
• 具体改进建议

标题优化规则：

❌ 删除无效词汇：

英文：

中文：

✅ 推荐结构：

英文示例：

Good: "Transformer for Time Series Forecasting in Industrial Control"
Bad:  "A Novel Study on Improved Time Series Forecasting Using Transformers"

Good: "Graph Neural Networks for Fault Detection"
Bad:  "Research on Novel Fault Detection Based on GNNs"

Good: "Attention-Based LSTM for Multivariate Time Series Prediction"
Bad:  "An Improved LSTM Model Using Attention Mechanism for Prediction"

中文示例：

好：工业控制系统时间序列预测的Transformer方法
差：关于基于Transformer的工业控制系统时间序列预测的研究

好：图神经网络故障检测方法及其工业应用
差：新型改进的基于图神经网络的故障检测方法研究

好：注意力机制的多变量时间序列预测方法
差：基于注意力机制的改进型多变量时间序列预测模型研究

关键词布局策略：

• 前 65 字符（英文）/ 前 20 字（中文）：最重要的关键词（方法+问题）
• 避免开头：Articles (A, An, The) / “关于”、”对于”
• 优先使用：名词和技术术语，而非动词和形容词

缩写使用准则：

会议/期刊特殊要求：

IEEE Transactions：

• 避免带下标的公式（除非很简单，如 “Nd–Fe–B”）
• 使用 Title Case（主要词首字母大写）
• 典型长度：10-15 词
• 示例：”Deep Learning for Predictive Maintenance in Smart Manufacturing”

ACM Conferences：

• 可使用更有创意的标题
• 可使用冒号添加副标题
• 典型长度：8-12 词
• 示例：”AttentionFlow: Visualizing Attention Mechanisms in Neural Networks”

Springer Journals：

• 偏好描述性而非创意性
• 可稍长（最多 20 词）
• 示例：”A Comprehensive Framework for Real-Time Anomaly Detection in Industrial IoT Systems”

NeurIPS/ICML：

• 简洁有力（8-12 词）
• 方法名通常突出
• 示例：”Transformers Learn In-Context by Gradient Descent”

输出格式：

英文论文：

// ============================================================
// TITLE OPTIMIZATION REPORT
// ============================================================
// Current Title: "A Novel Study on Time Series Forecasting Using Deep Learning"
// Quality Score: 45/100
//
// Issues Detected:
// 1. [Critical] Contains "Novel Study" (remove ineffective words)
// 2. [Major] Vague method description ("Deep Learning" too broad)
// 3. [Minor] Length acceptable (9 words) but could be more specific
//
// Recommended Titles (Ranked):
//
// 1. "Transformer-Based Time Series Forecasting for Industrial Control" [Score: 92/100]
//    - Concise: ✅ (8 words)
//    - Searchable: ✅ (Method + Problem in first 50 chars)
//    - Specific: ✅ (Transformer, not just "Deep Learning")
//    - Domain: ✅ (Industrial Control)
//
// 2. "Attention Mechanisms for Multivariate Time Series Prediction" [Score: 88/100]
//    - Concise: ✅ (7 words)
//    - Searchable: ✅ (Key terms upfront)
//    - Specific: ✅ (Attention, Multivariate)
//    - Note: Consider adding domain if space allows
//
// 3. "Deep Learning Approach to Time Series Forecasting in Smart Manufacturing" [Score: 78/100]
//    - Concise: ⚠️ (10 words, acceptable)
//    - Searchable: ✅
//    - Specific: ⚠️ ("Deep Learning" still broad)
//    - Domain: ✅ (Smart Manufacturing)
//
// Keyword Analysis:
// - Primary: Transformer, Time Series, Forecasting
// - Secondary: Industrial Control, Attention, LSTM
// - Searchability: "Transformer Time Series" appears in 1,234 papers (good balance)
//
// Suggested Typst Update:
// #align(center)[
//   #text(size: 18pt, weight: "bold")[
//     Transformer-Based Time Series Forecasting for Industrial Control
//   ]
// ]
// ============================================================

中文论文：

// ============================================================
// 标题优化报告
// ============================================================
// 当前标题："关于基于深度学习的时间序列预测的研究"
// 质量评分：48/100
//
// 检测到的问题：
// 1. [严重] 包含"关于...的研究"（删除冗余词汇）
// 2. [重要] 方法描述过于宽泛（"深度学习"太笼统）
// 3. [次要] 长度可接受（18字）但可更具体
//
// 推荐标题（按评分排序）：
//
// 1. "工业控制系统时间序列预测的Transformer方法" [评分: 94/100]
//    - 简洁性：✅ (19字)
//    - 可搜索性：✅ (方法+问题在前15字)
//    - 具体性：✅ (Transformer，而非"深度学习")
//    - 领域性：✅ (工业控制系统)
//
// 2. "多变量时间序列预测的注意力机制研究" [评分: 89/100]
//    - 简洁性：✅ (17字)
//    - 可搜索性：✅ (核心术语靠前)
//    - 具体性：✅ (注意力机制、多变量)
//    - 建议：可考虑添加应用领域
//
// Suggested Typst Update:
// #align(center)[
//   #text(size: 18pt, weight: "bold")[
//     工业控制系统时间序列预测的Transformer方法
//   ]
// ]
// ============================================================

交互式模式（推荐）：

python scripts/optimize_title.py main.typ --interactive
# 逐步引导式标题创建，包含用户输入

批量模式（多篇论文）：

python scripts/optimize_title.py papers/*.typ --batch --output title_report.txt

标题对比测试（可选）：

python scripts/optimize_title.py main.typ --compare "Title A" "Title B" "Title C"
# 对比多个标题候选，提供详细评分

最佳实践总结：

英文论文：

1. 关键词前置：Method + Problem 放在前 10 词
2. 具体明确：”Transformer” > “Deep Learning” > “Machine Learning”
3. 删除冗余：去掉 “Novel”, “Study”, “Research”, “Based on”
4. 控制长度：目标 10-15 词
5. 测试可搜索性：用这些关键词能找到你的论文吗？
6. 避免生僻：除非是广泛认可的缩写（AI, LSTM, CNN）
7. 匹配会议风格：IEEE（描述性）、ACM（创意性）、NeurIPS（简洁性）

中文论文：

1. 关键词前置：方法+问题放在前 20 字
2. 具体明确：”Transformer” > “深度学习” > “机器学习“
3. 删除冗余：去掉”关于”、”研究”、”新型”、”基于”
4. 控制长度：目标 15-25 字
5. 测试可搜索性：用这些关键词能找到你的论文吗？
6. 避免生僻：除非是广泛认可的术语（AI、LSTM、CNN）
7. 中英对照：确保英文标题与中文标题对应

Typst 标题设置示例：

英文论文：

#align(center)[
  #text(size: 18pt, weight: "bold")[
    Transformer-Based Time Series Forecasting for Industrial Control
  ]
]

中文论文：

#align(center)[
  #text(size: 18pt, weight: "bold", font: "Source Han Serif")[
    工业控制系统时间序列预测的Transformer方法
  ]
  
  #v(0.5em)
  
  #text(size: 14pt, font: "Times New Roman")[
    Transformer-Based Time Series Forecasting for Industrial Control Systems
  ]
]

参考资源：

• IEEE Author Center
• Royal Society Blog on Title Optimization
• Academic Search Engine Optimization

模块：模板配置

触发词: template, 模板, IEEE, ACM, Springer, NeurIPS

模板配置示例与用法已移至参考文档：

• TEMPLATES.md

参考与扩展

为保持 SKILL 精简且易维护，详细示例与扩展内容移至参考文档：

• 期刊/会议规则：references/VENUES.md
• Typst 语法与排版：references/TYPST_SYNTAX.md
• 写作风格与常见错误：references/STYLE_GUIDE.md、references/COMMON_ERRORS.md
• 去AI化策略：references/DEAI_GUIDE.md
• 模板示例与配置：references/TEMPLATES.md

最佳实践

本技能遵循 Claude Code Skills 最佳实践：

技能设计原则 / Skill Design Principles

1. 职责单一 / Focused Responsibility：每个模块处理一项特定任务（KISS 原则）
2. 最小权限 / Minimal Permissions：仅请求必要的工具访问权限
3. 明确触发 / Clear Triggers：使用特定关键词调用模块
4. 结构化输出 / Structured Output：所有建议使用统一的 diff-comment 格式

使用指南 / Usage Guidelines

1. 先检查编译 / Start with Compilation：在进行其他检查前，确保文档能正常编译
2. 迭代优化 / Iterative Refinement：每次只应用一个模块，便于控制修改范围
3. 保护关键元素 / Preserve Protected Elements：绝不修改 @cite、@ref、@label、数学环境
4. 提交前验证 / Verify Before Commit：接受修改前仔细审查所有建议

与其他工具集成 / Integration with Other Tools

• 配合版本控制（git）跟踪修改历史
• 使用 typst watch 实现实时预览（毫秒级编译）
• 导出建议与合作者共同审阅

Typst 特有优势 / Typst-Specific Advantages

• 编译速度：毫秒级编译，适合实时预览和快速迭代
• 现代语法：比 LaTeX 更简洁直观的标记语言
• 增量编译：只重新编译修改的部分，提高效率

注意事项

1. 字体问题：确保系统安装所需字体（中文建议 Source Han Serif 或 Noto Serif CJK）
2. 模板兼容性：部分期刊可能仍要求 LaTeX 模板
3. 数学公式：Typst 数学语法与 LaTeX 略有差异，需要适应