NeXus

SDP 双模型 6 审稿人 + 交叉审核系统。含拒稿信预演。当用户说"审稿"、"review"、"帮我看看这篇论文写得怎么样"时触发。

Nexus 统一入口。意图识别 + 模式路由 + 首次引导 + Autopilot 模式。当用户提出任何学术研究相关请求时触发（调研、找论文、构思 idea、写论文、审稿、做实验等）。

基于 Evidence Graph + Knowledge Graph 进行学术 idea 构思与评估。双阶段流程：Phase 1 用 ToT 思维树系统性探索，Phase 2 用 SDP 跨模型红队攻击。当用户说"帮我想 idea"、"brainstorm"、"研究方向"、"有什么可以做的"时触发。

Review code changes for correctness, regressions, edge cases, style issues, and unnecessary churn. Use when checking diffs, reviewing pull-request-like changes, or doing independent quality review. Triggers on "review this", "check my changes", "code review", "代码审查".

Perform safe, reviewable refactors. Use when restructuring code, moving responsibilities, renaming across modules, or reducing duplication without intended behavior changes. Triggers on "refactor X", "rename Y across the project", "extract helper", "重构".

typed knowledge-graph 抽象层 (Wave B.3)。把分散在 evidence_graph / corpus_ledger / story_skeleton 的结构升级成 paper / idea / claim / experiment / mechanism / baseline 节点 + supports / contradicts / derives_from / cites / replicates / falsifies 边。通过 4 个 MCP tool 维护 artifacts/research_wiki.json，并用 export_to_evidence_graph 投影回 evidence_graph schema。

Generate a point-by-point reviewer response letter in Nature house style (complements `rebuttal-writer` which targets conference rebuttals).

Auto-suggest SKILL.md改进。读 evolution-memory event log (~/.nexus/evolution_memory/.event_log.jsonl)，找出反复 rollback / 反复 blocked / 反复 manual override 的 stage，生成人工审阅用的 markdown 建议。从不直接改 SKILL.md。

Nature-style publication figure generator. matplotlib + SVG-first vector output, semantic color contract (red=warning only, blue=primary/baseline only), colorblind-safe palettes, multi-panel grids with shared legends, mandatory error bars. Use when the user asks to make a journal-grade figure, plot results for a paper, or build a multi-panel comparison.

基于 Story Skeleton + Evidence Graph 生成学术论文草稿。SDP 跨模型辩论起草 + 跨模型润色 + 审后修改循环。模型路由由 model-routing.md 决定。当用户说"写论文"、"开始写作"、"draft paper"时触发。

管理实验代码的搭建、运行、结果分析。含 AI 架构审查（SDP）和 Attempt Budget 防 rabbit hole。当用户说"做实验"、"跑代码"、"build project"、"experiment"时触发。

把 reviewer 评语转成 point-by-point 回应草稿，并通过 3 道安全门（无虚构 / 无空头支票 / 全覆盖）。投稿被拒或 minor/major revision 后由用户显式触发，配合 `reenter_pipeline(reentry_stage="rebuttal_writing", reviewer_feedback_path=...)` 进入。

从论文 Markdown 中提取结构化证据卡片（claim + exact_quote + source），构建 Evidence Graph。当需要分析论文内容、提取关键发现、或为写作准备证据时触发。

4-layer evidence audit chain (T3). 对 evidence_graph / experiment_results / 草稿 / 引用做端到端审计，每层吐 typed AssuranceContract 并通过 contract_id 形成 DAG。在 idea 构思前、experiment 完成后、draft 写完后都可触发。

跨项目的蒸馏式知识积累。在项目结束时自动触发蒸馏，在新项目启动时自动读取相关规则。存"规则"而非"数据"。

端到端文献综述流程：搜索→Scope Freeze→Corpus Freeze→下载→解析→证据提取→综述生成。当用户说"帮我调研/综述 XXX"、"帮我找 XXX 相关的论文"时触发。

对研究 idea 进行新颖性风险评估，识别最近的 prior art 和碰撞风险。当用户选定 idea 后自动触发，或用户说"检查新颖性"、"有没有人做过"时手动触发。

从 Evidence Graph 中自动识别高频 claim，提升为 Knowledge Graph 节点。实现渐进式 KG 构建，零冷启动。当 evidence_graph.json 中 claims 达到阈值时自动触发，或用户要求构建领域知识图谱时触发。

Apply project-specific architecture and module boundaries. Use when tasks span multiple modules, introduce new files, refactor existing flows, or require understanding where code should live in this repository.

T12 — survey_fetch 之后自动触发的场地深度精读。抓取目标场地同方向 Oral/Spotlight/Poster 论文（按本年 → 去年 → 前年... × Oral → Spotlight → Poster），用 venue_deep_reading_engine.run_deep_reading 做三层提取，产 artifacts/venue_deep_reading_profile.json 供 literature-survey / idea-brainstorm / novelty-checker / experiment-runner / multi-reviewer 五个下游技能消费。

对 1-10 篇核心论文进行精读分析，提取方法细节、实验设置、关键超参数、代码实现等。当用户说"精读这篇论文"、"分析方法细节"、"deep dive"时触发，或在 pipeline Stage 4（Idea Approval 后）自动调用。

Structured Dialogue Protocol — 跨模型深度协作的通用规则、handoff 模板和安全护栏。当需要跨模型审查、辩论或对抗时触发。

统一的论文获取和解析入口。自动识别来源（arxiv/DOI/PDF/标题），选择最优获取方式，输出标准化 Markdown。

多源交叉核验引用真实性 + 撤稿检查。验证 DOI/论文是否真实存在、元数据是否一致、是否已被撤稿。当需要验证引用、检查论文真伪、或在写作前确认参考文献时触发。

将任意学术 PDF 转换为结构化 Markdown，支持表格、公式、图注。用于非 arXiv 论文的解析（arXiv 论文请优先使用 alphaxiv-paper-lookup）。当用户说"帮我读/解析/分析这篇论文"且论文不在 arXiv 上时触发。

Write or update tests that match the repository's existing style. Use when adding regression tests, feature tests, unit tests, or filling verification gaps after code changes.

Verify implementation claims using tests, lint, typecheck, build output, and runtime checks. Use when confirming whether a fix or feature actually works.