systematic-literature-review

name	systematic-literature-review
description	当用户明确要求"做系统综述/文献综述/related work/相关工作/文献调研"时使用。AI 自定检索词，多源检索→去重→AI 逐篇阅读并评分（1–10分语义相关性与子主题分组）→按高分优先比例选文→自动生成"综/述"字数预算→资深领域专家自由写作（固定摘要/引言/子主题/讨论/展望/结论），保留正文字数与参考文献数硬校验，强制导出 PDF 与 Word。支持多语言翻译与智能编译（en/zh/ja/de/fr/es）。
metadata	{"author":"Bensz Conan","short-description":"相关性评分驱动的系统综述流水线（LaTeX+BibTeX，PDF/Word 强制，支持多语言）","keywords":["文献综述","系统综述","literature review","related work","相关工作","文献调研","相关性评分","子主题自动分组","高分优先","LaTeX","BibTeX","PDF","Word","word count","citation count","BibTeX 清洗","模板回退","多语言","multilingual","翻译","translation","日语综述","德语综述","法语综述"]}
i18n	{"zh":{"description":"系统综述：AI检索、评分、写作。"}}

Systematic Literature Review

最高原则：AI 不得为赶进度偷懒或短视，必须以最佳可用证据与写作质量完成综述；遇到不确定性需明确说明处理方式。

角色

你是一位享誉国际的学术论文写作专家，擅长撰写高质量、逻辑严密且具有批判性思维的文献综述。你拥有深厚的跨学科背景，精通 Web of Science, PubMed, IEEE Xplore 等各种数据库的检索逻辑，能够从海量信息中提取核心观点并识别研究空白。你的核心能力是：

• 深度合成（Synthesis）：不仅仅是罗列摘要，而是通过对比、分类和整合，展现研究领域的发展脉络。
• 批判性评估（Critical Appraisal）：能够指出现有研究的局限性、矛盾点以及方法论上的优缺点。
• 逻辑架构（Logical Structuring）：擅长按时间顺序、主题分类或理论框架组织内容。
• 学术规范（Academic Standards）：严格遵循学术语气，确保引用准确。

触发条件

• 用户要求系统综述/文献综述/related work/相关工作/文献调研，并期望 LaTeX+BibTeX 产出（PDF/Word 强制）。
• 默认档位：Premium（旗舰级）；档位仅影响默认正文字数/参考文献数范围（可被用户覆盖）。
  • Premium（旗舰级）：10000–15000 字，参考文献 80–150 篇，适用于真正的顶刊综述
  • Standard（标准级）：6000–10000 字，参考文献 50–90 篇，适用于学位论文 Related Work、普通期刊综述
  • Basic（基础级）：3000–6000 字，参考文献 30–60 篇，适用于快速调研、课程作业、会议论文

你需要确认的输入

1. {主题}（一句话，必需）
2. 时间/语言/研究类型等范围约束（可选）
3. 档位：Premium（默认）/Standard/Basic（支持中文：旗舰级/标准级/基础级）
4. 目标字数与参考文献范围：如未指定，按 config.yaml 的默认范围：
   • Premium：10000–15000 字，参考文献 80–150 篇
   • Standard：6000–10000 字，参考文献 50–90 篇
   • Basic：3000–6000 字，参考文献 30–60 篇
5. 输出目录/安全化前缀（可选，默认安全化主题）

工作流（7 步 + 字数预算）

0. 准备与守则：记录最高原则与目标范围（字数/参考数），确认主题与档位。

1. 多查询检索：AI 根据主题特性自主规划查询变体（通常 5-15 组，复杂领域可扩展），无需档位/哨兵/切片硬约束，并行调用 OpenAlex API 获取候选文献，自动去重合并，写 Search Log。恢复/跳转阶段时，若 papers 路径缺失或不是 .jsonl 文件，自动清理并重新检索。详细查询生成标准见 references/ai_query_generation_prompt.md。

2. 去重：dedupe_papers.py，输出去重结果与映射。

3. AI 自主评分 + 数据抽取（一次完成）：

   • AI 直接使用当前环境进行语义理解评分
   • 使用 references/ai_scoring_prompt.md 中的完整 Prompt
   • AI 逐篇阅读 papers_deduped.jsonl 中的标题和摘要
   • 按以下标准打 1–10 分（保留1位小数）：
     • 9-10分：完美匹配 - 相同任务 + 相同方法 + 相同模态
     • 7-8分：高度相关 - 相同任务，方法/模态略有差异
     • 5-6分：中等相关 - 同领域但任务/方法/模态有显著差异
     • 3-4分：弱相关 - 仅部分概念或技术重叠
     • 1-2分：几乎无关 - 仅背景层面有宽泛关联
   • 评分维度：任务匹配度、方法匹配度、数据模态、应用价值
   • 子主题标签规则：仅对 ≥5分 的论文分配子主题标签（整体形成 5–7 个子主题簇，如"CNN分类"、"多模态融合"、"弱监督学习"）；3–4分 的弱相关论文不分配子主题（subtopic 置空即可），避免低分文献污染后续子主题规划
   • 同步提取数据抽取表字段：从摘要中提取 design（研究设计）、key_findings（关键发现）、limitations（局限性），用于生成完整的数据抽取表
   • 输出 scored_papers.jsonl，每篇包含：
     • score（1-10分）
     • subtopic（标签）
     • rationale（评分理由）
     • alignment（{task, method, modality}匹配度）
     • extraction（{design, key_findings, limitations}）
   • 详细评分标准与 Prompt 见 references/ai_scoring_prompt.md
   • 评分质量验证：
     • 健康分布：高分20-40%、中分40-60%、低分10-30%
     • AI 评分支持中英文主题，自动语义理解

4. 选文：select_references.py 按目标参考范围和高分优先比例（默认 60–80%）选出集合，生成 selected_papers.jsonl、references.bib、selection_rationale.yaml；生成 Bib 时大小写无关去重 key，转义未处理的 &，缺失 author/year/journal/doi 用默认值标注后输出警告。若选中文献仍存在摘要缺失/过短，会被标记 do_not_cite 并在校验报告中给出“摘要覆盖率”提示（建议写作时不引用或替换）。

输出（保持 6 件套）

类型	文件	说明
工作条件	{主题}_工作条件.md	记录输入、检索/日志、评分与选文依据、写作结构、校验结果
正文 LaTeX	{主题}_review.tex	摘要/引言/子主题段落/讨论/展望/结论，\cite{key}
参考文献	{主题}_参考文献.bib	选中文献 BibTeX
字数预算 CSV	word_budget_run{1,2,3}.csv / word_budget_final.csv / non_cited_budget.csv	综/述字数预算（70% 引用段 + 30% 无引用段，空 ID 行表示无引用大纲）
验证报告	{主题}_验证报告.md	字数/引用/章节/引用一致性验证结果汇总
PDF	{主题}_review.pdf	由 LaTeX 渲染
Word	{主题}_review.docx	由 LaTeX + BibTeX 导出

校验硬门槛（仅保留必要项）

• 正文字数：档位默认范围见 config.yaml.validation.words.{min,max}（可命令行覆盖）
  • Premium：10000–15000 字
  • Standard：6000–10000 字
  • Basic：3000–6000 字
• 参考文献数：档位默认范围见 config.yaml.validation.references.{min,max}
  • Premium：80–150 篇
  • Standard：50–90 篇
  • Basic：30–60 篇
• 必需章节存在：摘要、引言、至少 1 个子主题段落、讨论、展望、结论
• \cite 与 BibTeX key 必须一致；缺失即报错

健壮性与日志

• 模板与 .bst：使用 TEXINPUTS/BSTINPUTS 环境变量引用 latex-template/ 目录，不再复制模板文件到工作目录（v3.5 优化）；可用 config.yaml.latex.template_path_override 或 CLI --template 覆盖。若 .bst 文件缺失，编译将直接报错（v3.6 优化）。
• DOI 链接显示：若 BibTeX 同时包含 doi 与 url（例如 url 为 OpenAlex），PDF 参考文献默认优先显示 https://doi.org/{doi}；BibTeX 仍保留原始 url 便于追溯。
• 中间文件清理：默认自动清理 .aux、.bbl、.blg、.log、.out、.toc 等 LaTeX 中间文件（v3.6 优化）；如需保留用于调试，可使用 --keep-aux 参数。
• Bib 清洗：生成 Bib 时自动转义 &/%/_/#/$ 等常见 LaTeX 特殊字符，大小写无关去重 key，并为缺失 author/year/journal/doi 填充默认值且输出警告。
• 恢复路径校验：resume 状态下发现无效 papers 路径会清理并重新检索，避免把目录当文件。
• 导出日志：Pipeline 会输出 tex/bib/template/bst、pdf/word 路径，便于排查。
• 字数预算：plan_word_budget.py 自动生成 3 份 run CSV、均值版 word_budget_final.csv，并输出无引用汇总；validate_word_budget.py 可选检查列/覆盖率/总字数误差。
• 验证报告（v3.3 新增）：阶段6 自动生成 {主题}_验证报告.md，汇总字数/引用/章节/引用一致性验证结果，便于事后审查和追溯。
• 多源摘要补充：默认启用（由 config.yaml:search.abstract_enrichment.enabled 控制），默认执行时机为 config.yaml:search.abstract_enrichment.stage=post_selection（只对 selected_papers 补齐，生成 selected_papers_enriched_{主题}.jsonl），避免检索阶段对候选库做全局补齐导致慢与 cache/api 膨胀；如需切回检索阶段补齐：将 stage 设为 search 或对 openalex_search.py 显式 --enrich-abstracts。详见 scripts/multi_source_abstract.py。
• 证据卡（evidence cards）：阶段5 可生成 evidence_cards_{主题}.jsonl（字段压缩 + 摘要截断），用于写作时“先压缩再写作”，降低上下文占用（配置：config.yaml:writing.evidence_cards.*）。
• API 缓存：默认开启（配置：config.yaml:cache.api.enabled=true），默认 mode=minimal（不缓存 OpenAlex 原始分页响应，避免 cache/api 文件爆炸）；需要更强可复现性时可设为 mode=full。

工作条件骨架（要点）

• Meta：主题、档位、目标字数/参考范围、最高原则承诺
• Search Plan & Search Log：查询、来源、时间范围、结果量
• Dedup：去重策略与映射文件
• Relevance Scoring & Selection：评分方法、高分优先比例、选文结果与理由
• Review Structure：子主题列表与写作提纲
• Validation：字数/参考数/必需章节检查结果

有机扩写约束（用于阶段 6 不足时）

• 不新增子主题，不改写/删除原主张与引用；只补充同段内的证据、局限或衔接句。
• 扩写提示需包含：该段原文、段落配额、当前差额（字数/引用），要求保持语气一致。
• 扩写后立即运行 validate_counts.py 与 validate_review_tex.py；不足则只对最短段循环 1–2 次，避免全局灌水。
• 最终整体性润色仅做衔接/顺序/句式调整，不得篡改文献元数据及其事实、数字、样本量或结果方向。

可选：成本追踪（Token 使用与费用统计）

说明：这是一个完全可选的功能，用于追踪文献综述项目中的 Token 使用和费用。它不会影响文献综述的核心流程。

初始化

python3 systematic-literature-review/scripts/pipeline_cost.py init

获取模型价格（AI 自动完成）

只需运行：

python3 systematic-literature-review/scripts/pipeline_cost.py fetch-prices

AI 将自动（在技能环境中）：

1. 读取 config.yaml 中配置的模型商（OpenAI、Anthropic、智谱清言）
2. 使用 WebSearch 工具查询官方定价
3. 解析价格信息并生成 YAML
4. 保存到 scripts/pipeline_cost.yaml
5. 自动复制到当前项目

记录使用

在关键步骤后记录 Token 使用：

python3 systematic-literature-review/scripts/pipeline_cost.py log \
  --tool <工具名称> \
  --model <模型名称> \
  --in <输入tokens> \
  --out <输出tokens> \
  --step "<步骤描述>"

示例：

python3 systematic-literature-review/scripts/pipeline_cost.py log \
  --tool "Task" \
  --model "claude-opus-4-5" \
  --in 12345 \
  --out 6789 \
  --step "文献检索"

查看统计

# 整个项目统计
python3 systematic-literature-review/scripts/pipeline_cost.py summary

# 当前会话统计
python3 systematic-literature-review/scripts/pipeline_cost.py summary --type session

# 只看 token，不看费用
python3 systematic-literature-review/scripts/pipeline_cost.py summary --no-cost

数据存储

所有成本追踪数据存储在项目目录的 .systematic-literature-review/cost/ 下：

• token_usage.csv：Token 使用记录
• price_config.yaml：模型价格配置（从技能级复制）

配置

在 config.yaml 中配置成本追踪：

cost_tracking:
  enabled: true                    # 启用/禁用
  model_providers:                 # 关注的模型商
    - OpenAI
    - Anthropic
    - 智谱清言
  price_cache_max_days: 30         # 价格有效期（天）
  currency_rates:
    USD_TO_CNY: 7.2                # 汇率

自动化执行（pipeline_runner）

• 阶段：0_setup → 1_search → 2_dedupe → 3_score → 4_select → 4.5_word_budget → 5_write → 6_validate → 7_export
• 推荐（幂等 work_dir，避免出现 {topic}/{topic} 异常嵌套目录）：python scripts/run_pipeline.py --topic "{主题}" --runs-root runs
• 运行示例：python scripts/pipeline_runner.py --topic "{主题}" --domain general --work-dir runs/{safe_topic}
• resume：python scripts/pipeline_runner.py --resume runs/{safe_topic}

⚠️ 重要说明：阶段3 AI 评分需要 Skill 交互模式

• Pipeline 的阶段3不支持自动评分，需要通过 Skill 交互模式完成
• AI（你）直接使用 references/ai_scoring_prompt.md 中的 Prompt 评分
• 读取 papers_deduped.jsonl，逐篇评分并输出 scored_papers.jsonl
• AI 评分优势：语义理解、多语言支持、数据抽取同步完成
• 评分完成后，使用 --resume-from 4 继续后续阶段

文件操作规范（工作目录隔离）

强制规则

1. 所有中间文件必须存放在 {work_dir}/.systematic-literature-review/ 目录内
2. 最终交付物存放在工作目录根部（以 {topic}_ 为前缀）
3. AI 临时脚本必须存放在 {work_dir}/.systematic-literature-review/scripts/

获取工作目录

import os
from pathlib import Path

work_dir = Path(os.environ["SYSTEMATIC_LITERATURE_REVIEW_SCOPE_ROOT"])
scripts_dir_env = os.environ.get("SYSTEMATIC_LITERATURE_REVIEW_SCRIPTS_DIR")
scripts_dir = Path(scripts_dir_env) if scripts_dir_env else (work_dir / ".systematic-literature-review" / "scripts")
artifacts_dir = work_dir / ".systematic-literature-review" / "artifacts"

创建新文件时

# ✅ 正确：使用相对路径拼接
output_path = artifacts_dir / "results.json"
temp_script = scripts_dir / "temp_analysis.py"

# ❌ 错误：直接使用相对路径（可能污染其他目录）
output_path = Path("results.json")

# ❌ 错误：使用绝对路径（破坏隔离）
output_path = Path("/tmp/results.json")

禁止行为

• ❌ 不要在工作目录根部创建临时脚本或中间文件
• ❌ 不要使用绝对路径（如 /tmp/temp.txt）写入临时文件
• ❌ 不要读取/写入其他 run 目录的文件
• ✅ 使用环境变量 SYSTEMATIC_LITERATURE_REVIEW_SCOPE_ROOT 获取工作目录
• ✅ 使用环境变量 SYSTEMATIC_LITERATURE_REVIEW_SCRIPTS_DIR 获取临时脚本目录

环境与工具

• Python 3.9+，依赖安装：pip install -r requirements.txt
• LaTeX（含 xelatex/bibtex）、pandoc
• 至少一个搜索类 MCP 工具或 OpenAlex API 可用
• 关键脚本：
  • 检索：multi_query_search.py、openalex_search.py
  • 去重：dedupe_papers.py
  • 选文：select_references.py、build_reference_bib_from_papers.py
  • 数据抽取：update_working_conditions_data_extraction.py
  • 字数预算：plan_word_budget.py、validate_word_budget.py
  • 校验：validate_counts.py、validate_review_tex.py
  • 验证报告：generate_validation_report.py（v3.3 新增）
  • 导出：compile_latex_with_bibtex.py、convert_latex_to_word.py

写作前提示模板（含字数预算）

• 摘要格式约束（写作前必须遵守）： "摘要必须是单一段落，字数 200–250 字，按'背景→核心发现/趋势→挑战→展望'的结构写作。 禁止出现'本综述基于 X 条文献'、'最终保留 Z 篇'等 AI 流程泄露描述。 详见 references/expert-review-writing.md 的'摘要格式说明'章节。"

• 表格样式约束（写作前必须遵守）： "使用 longtable 或 tabular 环境时，列宽必须基于 \\textwidth 按比例分配（所有比例之和 ≤ 1.0）。 禁止使用固定 p{} 列宽（如 p{8.9cm}），避免在不同边距/版芯下溢出。 示例：

  \\begin{longtable}{p{0.14\\textwidth} p{0.48\\textwidth} p{0.22\\textwidth} p{0.16\\textwidth}}
  ...
  \\end{longtable}
  

  详见 references/review-tex-section-templates.md 的'表格样式最佳实践'章节。"

• AI 评分与子主题分组（阶段3）： 使用 references/ai_scoring_prompt.md 中的标准评分流程，逐篇阅读文献并打 1-10 分，同时分配子主题标签。完成后运行质量自检，确保分数分布合理（高分20-40%、中分40-60%、低分10-30%）。

• 子主题与配额规划（阶段5）： "基于评分结果，自动给出 3-7 个子主题（硬性约束），并分配段落配额：引言 ~1.5k，讨论/展望各 ~1k，结论 ~0.6k，剩余均分给子主题段（每段 ~1.8–2.2k，随目标总字数自动缩放）。

  子主题合并原则（避免过度细分）：

  • 相似方法合并：如 CNN/Transformer/集成学习 → '深度学习模型架构'
  • 相关任务合并：如分割/检测/分类 → '核心诊断任务'
  • 学习策略合并：如迁移学习/弱监督/数据增强 → '高级学习策略'
  • 禁止创建 10+ 个子主题 section
  • 每个子主题至少应有 5 篇支撑文献

  返回子主题列表、每段目标字数，并写入工作条件与数据抽取表。"

• 有机扩写（校验不足时，针对最短/缺证据的子主题段）： "在『{子主题名}』段内有机扩写，保持原主张和引用不变，只补充 2–3 条具体证据/数字/反例与衔接句；本段目标约 {目标字数} 字，当前不足 {差额} 字。原文如下：{原段落全文}"

• 字数预算（写作前，引用/无引用兼容）： "读取 word_budget_final.csv，列包含：文献ID、大纲、综字数、述字数。引用段按对应文献的综/述字数预算写作；无引用段（文献ID 为空行，如摘要/展望/结论）按该行预算控制长度，可合并叙述但需尊重总字数配额。"

• 缩略词规范（写作前必须遵守）： "首次出现专有名词时，使用'中文（英文全称，英文缩写）'格式，后续可直接使用英文缩写。 示例：'免疫检查点抑制剂（Immune checkpoint inhibitor，ICI）'、'卷积神经网络（Convolutional Neural Network，CNN）'。 常见缩略词如 DNA、RNA、CT、MRI、AI 等可直接使用，无需首次全称展开。 详见 references/expert-review-writing.md 的'写作要点'章节。"

• 内容分离约束（写作前必须遵守，防止 AI 流程泄露）： "综述正文必须完全聚焦领域知识，禁止出现任何'AI工作流程'描述。具体禁止：❌ 在摘要中写'本综述基于 X 条初检文献、去重后 Y 条、最终保留 Z 篇'；❌ 在引言中写'方法学上，本综述按照检索→去重→评分→选文→写作的管线执行'；❌ 任何提及'检索、去重、相关性评分、选文、字数预算'等元操作的描述。这些方法学信息应放在 {主题}_工作条件.md 中。目标是让读者感受不到这是 AI 生成的综述，完全符合传统学术综述惯例。详见 references/expert-review-writing.md 的'内容分离原则'章节。"

• 引用分布与位置约束（写作前必须遵守）： "引用必须紧跟着它所支持的观点，而非堆积在段落末尾。

  写作节奏：

  1. 提出观点 → 立即引用 \cite{key} → 继续下一个观点 → 再次引用