| name | paper-select-journal |
| description | 当用户明确要求“推荐投稿期刊”“帮我的论文选 SCI 杂志”“这篇 manuscript 适合投哪些 journal”“期刊匹配/选刊/投稿建议”时必须使用。适用于用户提供全文、摘要、Markdown、LaTeX、PDF、Word 或混合材料的场景；本 skill 会基于 manuscript 与用户偏好，先用内置 `2023IF.xlsx` 做最小硬过滤生成候选池，再由宿主模型自主规划 Set1/Set2/Set3，并联网核验 scope / 质量 / 近 3 个月 PubMed 论文，最后输出 1 份按推荐度排序的 Markdown 选刊报告。⚠️ 不适用：用户只是想润色论文、只想翻译摘要、或只问某个单一期刊的官网信息而不需要系统选刊。 |
| metadata | {"author":"Bensz Conan","short-description":"基于 manuscript + 2023IF + 实时联网核验的 SCI 选刊 skill","keywords":["paper-select-journal","选刊","投稿期刊推荐","SCI journal selection","manuscript matching"]} |
Paper Select Journal
核心原则
- 当前信息必须实时核验：scope、官网、业内认可度、中科院分区、近 3 个月论文都属于时效性信息，不能靠旧记忆。
- 中间文件只允许落在当前工作目录下的
.bensz-api/skills/paper-select-journal/ 隐藏目录；用户若明确指定其他目录，才可覆盖默认值。
- Set1 不再依赖固定语义权重。脚本只负责最小硬过滤与候选池整理，真正的语义规划由当前宿主模型完成。
- Set1 不是最终答案。最终报告只保留证据充分的 Set3，最多 10 个期刊。
- 不能推荐明显预警、垃圾期刊或影响因子低于
3 的期刊；若确实保留低于 3 的例外，必须写明“为何它仍是领域内人类专家认可的稳妥选择”。
- 宁可少报，也不要为了凑满 10 个而硬凑。
输入与工作区
- 用户需求可选，manuscript 必选。
- manuscript 可来自粘贴的标题 / 摘要 / 全文片段，或本地
.md、.txt、.tex、.pdf、.docx，也可混合提供。
- 一旦进入隐藏工作区流程，后续供脚本读取的
analysis/*.json 必须保留在当前 run 目录内；不要把 manuscript_profile.json、set2_scope_review.json、final_recommendations.json 指到 run 目录外。
先初始化隐藏工作区：
python3 <skill_root>/scripts/init_workspace.py --project-root .
脚本会创建 .bensz-api/skills/paper-select-journal/{yyyy-mm-dd-hh-mm}/，其中至少包含：
inputs/analysis/candidates/pubmed/reports/
后续所有中间文件都必须留在该 run 目录内。
工作流
1. 先写 manuscript 画像
完整理解论文后，把结果写入 analysis/manuscript_profile.json。
- 模板：
templates/manuscript_profile.template.json
- 写法：
references/manuscript-profile.md
最低字段：
titleabstractkeywordsmanuscript_summary
画像的作用是帮助 AI 理解稿件，而不是喂给固定打分公式。
如果用户偏好复杂，优先把偏好写成自然语言放进 target_journal_brief 或 notes，不要为了脚本凑很多硬编码线索。
如果确实需要保留低 IF 的人工例外期刊，只能作为后续人工补录候选，并且必须在最终报告里解释“为什么它虽然低于阈值，仍是领域内稳妥选择”。
2. 用内置 2023IF.xlsx 做 Set1 候选池
内置目录：assets/journal_catalog/2023IF.xlsx
运行：
python3 <skill_root>/scripts/shortlist_journals.py \
--workspace .bensz-api/skills/paper-select-journal/{yyyy-mm-dd-hh-mm} \
--profile .bensz-api/skills/paper-select-journal/{yyyy-mm-dd-hh-mm}/analysis/manuscript_profile.json
产物：
candidates/set1_candidates.jsoncandidates/set1_candidates.md
这里的脚本只做最小硬过滤：
- 影响因子下限
- 用户明确排除的期刊
- 基础元数据整理（JIF、分区、OA 比例、引用量）
不要把这一步输出误解为“已经按语义排好序的最终 shortlist”。
你必须读取该候选池，再结合 manuscript 自主规划真正值得进入 Set2 的期刊。
3. 联网核验 scope、官网、分区与质量，得到 Set2
根据 candidates/set1_candidates.json 与 manuscript 画像，自主决定先核验哪些候选，并逐个联网核验：
- 官方网站
- Aims & Scope
- 中科院小类及其分区
- 业内认可度
- 是否存在预警 / 垃圾期刊信号
优先使用：
- 期刊官网
- PubMed / NLM
- 主流出版社页面
- 可信的分区信息来源
把通过核验的期刊写入：
analysis/set2_scope_review.json
模板：templates/scope_review.template.json
核验口径：references/journal-quality-checklist.md
4a. 抓取 Set2 最近 3 个月 PubMed 原始论文证据
运行：
python3 <skill_root>/scripts/fetch_pubmed_recent.py \
--workspace .bensz-api/skills/paper-select-journal/{yyyy-mm-dd-hh-mm} \
--profile .bensz-api/skills/paper-select-journal/{yyyy-mm-dd-hh-mm}/analysis/manuscript_profile.json \
--scope-review .bensz-api/skills/paper-select-journal/{yyyy-mm-dd-hh-mm}/analysis/set2_scope_review.json
产物：
pubmed/recent_articles.jsonpubmed/recent_articles.md
这里只提供原始证据，不负责打分或排序。脚本只做 API 调用、XML 解析和按日期整理。
4b. AI 评定主题相似性，决定哪些期刊进入 Set3
你必须同时阅读：
analysis/manuscript_profile.jsonpubmed/recent_articles.json
这里的“AI”指当前执行本 skill 的宿主模型本身：
- Claude Code 中由当前 Claude 会话完成
- Codex 中由当前 Codex 会话完成
- 不要为 Step 4b 额外调用外部 AI API、独立模型服务或单独打分脚本
也就是说，Step 4b 的规划、语义判断、Set3 去留决策和 set3_similarity_review.json 写入，都必须用当前工作环境已提供的 AI 算力原生完成。
逐个判断 Set2 期刊最近 3 个月论文与稿件在以下维度上的语义相关性：
- 主题是否真的对口，而不只是 token 碰撞
- 研究问题是否接近
- 方法学是否接近
- 相关论文数量与密度是否足以支持进入最终推荐
执行时先快速浏览全部 Set2 近期论文形成比较框架，再逐刊做语义判断，最后统一决定 Set3 去留并写出可复核理由。
不要再把这一步退化成机械 token 打分或硬编码加权公式。
把结论写入：
analysis/set3_similarity_review.json
模板：templates/set3_similarity_review.template.json
每个期刊至少要写：
journal_nameinclude_in_set3similarity_assessmentrelevant_articlesirrelevant_articles_countoverall_relevance_level
overall_relevance_level 只允许：
5. 形成最终推荐 JSON
基于 analysis/set3_similarity_review.json，把最终最多 10 个期刊写入 analysis/final_recommendations.json。
- 模板：
templates/final_recommendations.template.json
- 字段说明：
references/report-schema.md
必须保留：
- 影响因子
- 中科院小类及其分区
- 业内认可度
- 官方网站
- 为什么推荐
- 最近 3 个月类似主题论文
- 每篇证据论文的 AI
relevance
6. 渲染最终 Markdown 报告
运行：
python3 <skill_root>/scripts/render_report.py \
--workspace .bensz-api/skills/paper-select-journal/{yyyy-mm-dd-hh-mm} \
--final-json .bensz-api/skills/paper-select-journal/{yyyy-mm-dd-hh-mm}/analysis/final_recommendations.json
最终输出：
reports/paper-select-journal-report.md
如需 --output 覆盖默认文件名，也只能写到当前 run 目录内部，不能把最终 Markdown 报告写到隐藏工作区之外。
最终报告要求
- 所有期刊写在同一个 Markdown 文件里
- 每个期刊使用
# 层级，下面按需用 ##、###
- 每个期刊都要写明：影响因子、中科院小类及分区、业内认可度、官方网站、推荐理由，以及最近 3 个月类似主题论文表格和 AI 相关性说明
决策规则
- scope 不匹配，再高 IF 也不要强推
- 有明显预警 / 垃圾期刊风险，直接淘汰
- 近 3 个月没有相似主题论文，不一定淘汰，但推荐度要下调
include_in_set3 为 false 的期刊，不要进入最终推荐- 中科院分区无法可靠核验时，优先换成信息更透明的候选
- 用户未明确偏好时，自主选择最稳妥方案，不要把提问变成阻塞
命令路径说明
<skill_root> 表示当前 skill 的真实安装目录。- 不要假设用户当前工作目录里一定有
paper-select-journal/ 源码副本。
- 如果你已经处在 skill 根目录，也可以直接运行
python3 scripts/...。
参考文件
references/manuscript-profile.mdreferences/journal-quality-checklist.mdreferences/report-schema.md
