academic-writing-refiner

name	academic-writing-refiner
description	用于润色面向顶级计算机学术会议的研究写作（如 NeurIPS、ICLR、ICML、AAAI、IJCAI、ACL、EMNLP、NAACL、CVPR、WWW、KDD、SIGIR、CIKM 等）。当用户要求改进、润色、精修、编辑或校对学术写作时触发，包括论文草稿、摘要、引言、相关工作、方法描述、实验部分或结论部分；当用户粘贴 LaTeX 内容并请求写作帮助，或提到 camera-ready、rebuttal、paper revision、具体学术会议名称时也应触发。该技能同时支持整篇论文润色与分章节编辑。
metadata	{"acadclaw":{"profiles":["writer"],"produces":["paper_draft"],"consumes":["paper_draft"]}}

学术写作润色器

这个技能用于把粗糙或中间态的学术草稿，转成适合顶级计算机会议投稿的清晰、准确、可发表文本。目标不是“写得华丽”，而是让技术读者能快速理解，让审稿人几乎不必猜测作者想表达什么。

核心理念

顶级计算机会议对写作有一个共同期待：文字应当像一扇透明的窗，让读者直接看到思想，而不是把注意力消耗在辞藻上。NeurIPS、ACL 或 KDD 上的优秀论文之所以成立，不是因为作者用了多么“高级”的词，而是因为每一句都承担明确功能、每一段都推动读者继续理解。

这意味着：

• 清晰优先于卖弄：优先使用最简单、但又足够准确的词。能用 use 就不要写 utilize；能用 show 就不要写 demonstrate（除非你确实在说正式证明或严格论证）；能用 many 就不要写 a plethora of。
• 精确优先于含糊：把模糊保守的话换成具体陈述。与其写“our method performs quite well”，不如写“our method achieves 94.3% accuracy, outperforming the strongest baseline by 2.1 points”。
• 简洁优先于冗长：每一句都应承担信息功能。如果删掉一句话后信息没有损失，就应该删掉。
• 连贯优先于碎片化：用逻辑连接把一个想法自然带到下一个想法，而不是让读者在跳跃之间自行补全。

如何润色

当用户提供待润色文本时，按以下流程处理：

1. 先理解上下文

在动手修改前，先判断：

• 这是哪一部分？ 是摘要、引言、相关工作、方法、实验还是结论？不同部分有不同写作惯例。
• 目标 venue 是什么？ 如果用户明确说明，就按对应 venue 的风格调整。ML 会议（NeurIPS、ICML、ICLR）通常更简洁、公式密度更高；NLP 会议（ACL、EMNLP、NAACL）通常更强调术语精确和相关工作完整性；IR / Web 会议（SIGIR、WWW、KDD、CIKM）通常更强调问题动机与实际影响。
• 当前处于哪个阶段？ 初稿通常更需要结构层面的帮助；camera-ready 更多是精修和压缩。

如果用户没有明确说明，就从内容中推断；只有在确实无法判断时才追问。

2. 应用分章节写作规范

先阅读 references/section-guide.md，了解不同章节的详细规范。这里先概括核心原则：

摘要：必须自包含，交代问题、方法、关键结果（最好带数字）和意义，通常控制在 150-250 词；不要引用文献，也不要出现未定义缩写。

引言：通常遵循“问题 → 研究空白 → 贡献 → 简要结果 → 论文结构”的路径。理想状态下，读者在第一页内就能明白你做了什么、为什么重要。

相关工作：按主题而不是按论文逐篇罗列。每段结尾都应说明当前工作与前面讨论的区别，避免 “X did A, Y did B, Z did C” 这种清单式写法。

方法：按逻辑顺序展开方法。先定义符号，再使用符号。公式负责提供精确性，但必须配套文字解释直觉。

实验：先给研究问题或假设，再交代实验设置，然后给结果。表格和图应尽量自包含，图注表注要有描述性。

结论：总结的是贡献，而不是把整篇论文重新复述一遍；应诚实承认局限，并给出具体的后续方向。

3. 句子级润色

参考 references/word-choice.md 中的速查表，系统使用其中的常见替换规则（华丽词 → 简单词、填充词 → 删除、hedging 强度校准、过渡连接词等）。建议系统化执行以下操作：

收紧表达：

• 删除填充语，如 it is worth noting that、it should be mentioned that、in order to，后者往往直接改成 to
• 删除重复表达，如 completely eliminate 改成 eliminate，future plans 改成 plans
• 在能提升清晰度时，把被动语态改成主动语态，例如 the model was trained by us 改成 we trained the model
• 但如果执行者不重要，被动语态可以保留，例如 the dataset was collected from public sources

修正常见学术写作问题：

• 悬垂修饰语：如 Using gradient descent, the loss decreases，应改成 Using gradient descent, we minimize the loss
• 名词堆叠：如 multi-task learning based pre-trained language model fine-tuning approach，应拆开并用介词连接
• 指代含糊：如 This shows that...，必须把 this 指代的对象说清楚
• 孤立断言：任何性能结论都应有引用或实验结果支撑

强化过渡：

• 句与句之间，用逻辑连接词明确关系，如 however、therefore、specifically、in contrast、building on this
• 段与段之间，每段首句最好能接住上一段结尾
• 节与节之间，上一节最后一段最好能为下一节埋下过渡

4. LaTeX 特殊处理

当输入包含 LaTeX 时：

• 原样保留所有 \cite{}、\ref{}、\label{}、公式环境和自定义宏
• 只修改 prose，不要随意改动数学内容，除非存在明确的符号不一致
• 保留 \textbf{}、\textit{}、\emph{} 等格式选择
• 符号必须保持一致；如果用户前后对同一量分别写成 $\mathbf{x}$ 和 $\boldsymbol{x}$，应明确指出
• 在 \cite 和 \ref 前保留 ~ 不换行空格
• 保留 % 注释
• 除非用户明确要求结构调整，否则不要随意增删 \paragraph{}、\subsubsection{} 等结构命令

5. 不该做什么

下面这些“不该做什么”与前面的“该做什么”同样重要：

• 不要硬塞高级词汇。Leverage 几乎从来不比 use 更好；elucidate 也几乎从来不比 explain 更好。原文如果已经用了简单且准确的词，就保留。
• 不要过度 hedging。学术写作确实需要适度限定，如 may、suggests，但像 it could potentially be argued that this might possibly indicate 这种层层套娃的保守表达会直接削弱说服力。
• 不要补写不存在的内容。润色的任务是优化现有文本。如果内容缺失，比如没有相关工作对比、没有 baseline，就把它作为建议指出，而不是替用户编造结果或论点。
• 不要抹平作者语气。如果作者本身有稳定且正确的写作风格，应尽量保留。目标是打磨，而不是把所有文本都磨成同一种模板音色。
• 不要滥用 em-dash。在学术写作里，括号或直接改写句子通常更干净。经验上每段最多出现一组 em-dash。
• 不要过度使用分号。相比长串分号连接句，更推荐用更短的句子配合明确连接词。

输出格式

呈现润色结果时：

1. 优先给出润色后的正文，并与说明信息清晰分隔。
2. 对实质性修改补充简短说明，当修改理由不够显然时，用一句话解释，比如“把段落重组为先给贡献再交代研究空白”或“把与 X 的比较写得更明确”。
3. 把无法直接修复的问题单列出来，例如缺少引用、实验细节不清、潜在事实疑点等。
4. 如果输入是 LaTeX，就输出 LaTeX；如果输入是纯文本，就输出纯文本。始终匹配原始格式。

交互模式

整篇论文润色：如果用户提供的是整篇论文或大部分正文，就按章节推进。优先从用户指定章节开始；若未指定，通常从摘要和引言开始，因为这两部分决定整体基调。

单章节润色：对该章节完整应用上述润色流程。

快速润色：如果用户明确说“只修语法”或“轻改即可”，就只处理拼写、语法和标点，不做结构重写。

迭代式润色：给出第一版后，要准备接受类似“太正式了”“我想保留第 2 段原结构”“把动机写强一点”这样的反馈；此时应局部调整，不要顺手把整段又重写一遍。

答辩回复写作：如果用户提到 rebuttal 或审稿意见回复，应先阅读 references/rebuttal-guide.md，按该文档中的原则处理回应语气、结构和策略。

常见投稿场景提示

Venue Group	风格倾向
NeurIPS, ICML, ICLR	简洁、公式驱动，重视理论严谨性；匿名评审场景下需移除自标识信息。
AAAI, IJCAI	AI 范围更广，重视问题动机和现实相关性；通常比纯 ML venue 更强调解释性。
ACL, EMNLP, NAACL	更强调相关工作完整性和术语精确性，也更重视 error analysis 与 ablation。
CVPR	视觉结果非常关键，通常要求定性示例与定量结果并重，图示说明必须清楚。
WWW, KDD, SIGIR, CIKM	更强调问题驱动、可扩展性与实际影响，对数据集描述也更敏感。

这些只是常见倾向，而不是硬性规则。好的学术写作，最终仍然是跨 venue 成立的。

Anti-AI Writing Patterns

See references/anti-ai-patterns.md for the complete checklist of AI writing patterns to avoid. This reference covers 16 anti-AI pattern categories across content, language, style, and academic-specific patterns — including inflated significance, promotional language, vague attributions, AI vocabulary overuse, excessive hedging, and more. Consult it when editing text that may show signs of AI-generated writing.