academic-audit

name	academic-audit
description	全面审核学术项目的论文质量、数据完整性、代码规范和工程化水平。两阶段：Phase 1 自动扫描（秒级脚本）+ Phase 2 AI 深度审核（多 agent 团队）。务必在以下场景触发：用户说审计/审核/体检/检查项目、验证数据一致性、检查论文质量或格式、查重风险评估、AIGC 检测或降风险、投稿前检查、代码审查（针对整个项目而非单个 PR）、检查 git 历史或依赖安全、可复现性验证、开源合规检查。即使用户只说'帮我检查一下'或'看看有没有问题'，只要上下文涉及学术项目或论文，也应该触发。不要在用户只想修单个 bug、写新代码、跑实验、翻译、做 PPT 时触发。
allowed-tools	Bash, Read, Glob, Grep, Agent, Write, Edit, TaskCreate, TaskUpdate, TaskList, TeamCreate, SendMessage

Academic Audit — 学术项目全面审核

一个两阶段审核系统：自动扫描（定量，秒级）+ AI 深度审核（定性，agent 团队）。

设计理念

• 脚本做定量，AI 做定性 — 文件计数、引用匹配等确定性检查交给脚本；论文逻辑、AIGC 风格、架构评价交给 agent
• 评分可复现 — 基于 references/rubric.yaml 的量化评分量表，消除主观性
• 增量审计 — 对比上次审计结果，追踪修复进度
• 可配置 — 通过 profile 选择审核维度和深度

使用方式

/academic-audit                     # 完整审核（Phase 1 + 询问是否启动 Phase 2）
/academic-audit scan                # 仅 Phase 1 自动扫描
/academic-audit deep                # 跳过扫描，直接 Phase 2 AI 深度审核
/academic-audit --profile minimal   # 快速检查（仅数据+LaTeX）
/academic-audit --profile journal   # 期刊投稿前专项检查

Phase 1: 自动扫描（30 秒内完成）

运行 scripts/ 下的工具脚本，产出量化指标。

步骤

1. 检测项目类型 — 扫描目录结构，识别有哪些可审核的内容：

   • 存在 datasets/ + *.yaml → 启用 data_audit
   • 存在 *.tex + *.bib → 启用 latex_audit
   • 存在 .git/ → 启用 git_health
   • 存在 *.py + requirements.txt → 启用 code_metrics（如有 ruff/radon）
   • 存在 Dockerfile → 检查 Docker 配置

2. 运行工具脚本 — 对每个检测到的维度并行执行：

# 数据集审核
python <skill-path>/scripts/data_audit.py \
  --dataset-dir <path> \
  --results-dirs <dir1> <dir2> ... \
  --output json > scan_data.json

# LaTeX 审核
python <skill-path>/scripts/latex_audit.py \
  --thesis-dir <path> \
  --output json > scan_latex.json

# Git 健康度
python <skill-path>/scripts/git_health.py \
  --repo-dir <path> \
  --output json > scan_git.json

3. 汇总评分 — 读取 references/rubric.yaml，基于脚本输出计算各维度分数，输出汇总表。

4. 展示结果并询问:

   • 显示各维度评分表 + 发现的问题清单
   • 询问用户："自动扫描完成。是否启动 AI 深度审核？（论文逻辑/AIGC 检测/代码架构等需要 AI 判断的维度）"

工具脚本说明

脚本	功能	依赖
data_audit.py	数据集完整性 + 实验结果提取与对比	pyyaml
latex_audit.py	引用匹配 + 编译日志 + label/ref 配对	无
git_health.py	大文件检测 + commit 规范 + 凭据泄漏	git CLI

脚本均支持 --output json 用于机器解析和 --output text 用于人类阅读。

Phase 2: AI 深度审核（需用户确认）

基于 Phase 1 扫描结果，组建 agent 团队进行定性分析。

agent 团队配置

根据项目内容动态组建团队，只派出需要的 agent：

条件	agent	审核内容
存在 .tex 论文	paper-structure	章节结构、逻辑链、学术语言
存在 .tex 论文	paper-quality	AIGC 风格检测、查重风险评估
存在 Python 代码	code-reviewer	代码质量、架构设计、正确性
多个实验/内核	reproducibility	跨平台一致性、可复现性
开源/投稿需求	project-arch	工程化、LICENSE、CI/CD

agent 协作原则

1. Phase 1 结果作为输入 — 不让 agent 重复做定量检查。将 scan_*.json 的关键数据直接注入 agent prompt。
2. 共享发现板 — 第一个发现某问题的 agent 记录到 task 系统，后续 agent 跳过重复分析。
3. 标准化报告模板 — 每个 agent 按统一格式输出（severity 分级、位置标注、修复建议）。

agent prompt 模板

为每个 agent 提供：

• 项目背景（从 CLAUDE.md 或用户输入获取）
• Phase 1 扫描结果（相关维度的 JSON）
• 明确的审核维度清单
• 报告格式要求
• 完成后通过 TaskUpdate 标记任务完成

Phase 3: 归档

审核完成后自动归档：

1. 在项目中创建 audit/{date}_<type>/ 目录
2. 写入：
   • 00-SUMMARY.md — 综合报告 + 评分 + 行动清单
   • scan_*.json — Phase 1 原始数据
   • 01-*.md ~ 08-*.md — 各 agent 详细报告（如有）
3. 更新 audit/README.md 审计索引
4. 如有上次审计，生成 diff 报告（新增/已修复/未修复）

审核 Profile

读取 references/profiles/ 下的 YAML 配置选择审核范围：

thesis（默认）— 毕设全面审核

phase1: [data, latex, git, code]
phase2: [paper-structure, paper-quality, code-reviewer, project-arch]
archive: true

journal — 期刊投稿前审核

phase1: [data, latex, git]
phase2: [paper-quality, reproducibility]  # 重点: AIGC + 可复现性
archive: true
extra_checks:
  - aigc_focus: true       # AIGC 检测加深
  - cross_dataset: true    # 跨数据集验证

minimal — 快速检查

phase1: [data, latex]
phase2: []  # 不启动 AI 审核
archive: false

评分体系

读取 references/rubric.yaml 获取各维度的评分锚点和权重。

加权综合分 = Σ(维度分数 × 权重) / Σ(权重)

等级映射：A(9-10), B+(8-8.9), B(7-7.9), C+(6-6.9), C(5-5.9), D(<5)

增量审计（第 2 次+）

如果 audit/ 目录中存在历次审计记录：

1. 读取上次审计的 00-SUMMARY.md
2. 对比本次扫描结果，生成 diff:
   • ✅ 已修复的问题
   • ⚠️ 仍未修复的问题
   • 🆕 新发现的问题
3. 将 diff 加入本次报告

未来扩展（TODO）

• aigc_heuristic.py — 基于句式模式的 AIGC 启发式检测
• code_metrics.py — ruff + radon 封装
• dep_audit.py — pip-audit 漏洞扫描封装
• reproducibility.py — seed/deterministic/Docker 检查
• MCP Plugin 化 — 将脚本注册为 MCP tool，支持任意客户端调用