Stars-OC/thesis-creator

최근 기록된 소스 활동: 2026년 6월 2일 07:18

SkillsMP 카탈로그 업데이트: 2026년 11월 2일 18:02

수집된 skills: 1

GitHub 스타: 236
GitHub 포크: 9

AI 어시스턴트로 설치

이 프롬프트를 복사해 사용 중인 AI 어시스턴트에 입력하세요.

Follow https://skillsmp.com/skill-install/prompt.md to install Agent Skills from https://github.com/Stars-OC/thesis-creator.

저장소 README

README 원본 파일: README.md

README 원본 보기

README 전체 펼치기

<div align="center"> # 论文创作 Agent 系统 **面向中国本科生的毕业论文全流程写作辅助系统** 从选题到交稿，一句话搞定 [![License](https://img.shields.io/badge/License-MIT-blue.svg)](LICENSE) [![Python](https://img.shields.io/badge/Python-3.9+-3776AB.svg?logo=python&logoColor=white)](https://www.python.org/) [![Claude](https://img.shields.io/badge/Claude-Code-Compatible.svg)](https://claude.ai/) [![Version](https://img.shields.io/badge/Version-1.2.0-green.svg)](docs/CHANGELOG.md) [功能特性](#功能特性) • [快速开始](#快速开始) • [使用文档](docs/usage_guide.md) • [贡献指南](CONTRIBUTING.md) </div> --- ## 简介论文创作 Agent 系统是一个基于 Claude Code 的毕业论文写作辅助工具。通过智能化的 10 步工作流，帮助本科生高效完成毕业论文创作，同时提供降重优化、AIGC 检测和文献真实性验证功能。 > [!IMPORTANT] > **v2.0 多学科 Beta 预告**：`main` 当前默认支持 CS / SE 学科。 > 已在 [`multi-discipline-beta`](https://github.com/Stars-OC/thesis-creator/tree/multi-discipline-beta) 分支提供 **9 个学科模板包**（计算机/经管/法学/教育/人文/医护/工科/理科/艺术设计）+ **状态机产物对账** + **图片管线双格式**。 > 教育学测试用例已端到端跑通（Step 0→9 全部 completed，AIGC 6.1%）。 > 完整路线请见 [docs/ROADMAP.md](docs/ROADMAP.md#v200-beta开发中分支-multi-discipline-beta)。 ## 功能特性 | 特性 | 说明 | | :---------------- | :----------------------------------- | | 🔄 **全流程覆盖** | 从选题到交稿的端到端工作流 | | 📉 **降重优化** | 句式重构、同义替换、段落重组 | | 🤖 **AIGC 降低** | 场景化重写、自然承接、轻冗余控制和高密度句拆解，降低模板化与机械表达特征 | | 🔗 **自然承接语** | 压缩模板化连接词，允许“具体来说、换句话说、放到实际使用里看”等解释型转场 | | 🪶 **轻冗余控制** | 删除机械废话，保留少量“通常、往往、也会、在一定程度上”等缓冲词 | | 🧩 **高密度句拆解** | 将职责、流程、目标塞在一句内的内容拆成主干、动作和解释层 | | 📚 **成语适度使用** | 仅在非技术性总结或维护效果说明处少量使用，避免技术细节附近堆砌 | | 🔍 **本地检测** | 轻量级 AIGC 检测工具，快速预估检测率 | | 📝 **格式检查** | 自动检查论文结构规范性 | | 💬 **智能讨论** | 三轮深入讨论充分理解论文需求 | | 🖼️ **图片生成** | 从图片需求清单生成 Mermaid、Graphviz、PlantUML 图表；系统架构图和截图按用户图片占位处理 | | 📄 **图片插入** | Word 文档自动插入图片和图注 | | 📚 **文献验证** | 三源学术搜索 + DOI 验证 + 虚构文献自动替换 ⭐ NEW | | ⚙️ **配置化** | YAML 配置文件，API Key / 日志 / 导出格式可配置 ⭐ NEW | | 📝 **摘要生成** | 自动生成中英文摘要与关键词 ⭐ NEW | | 📊 **文档导出** | 支持 Word/PDF 格式一键导出 | --- ## AIGC 降低效果展示 ### 改写示例 <details> <summary> 原文（检测率100%）： </summary> 检索增强生成（Retrieval-Augmented Generation，RAG）技术的出现，为解决上述问题提供了有效方案。RAG通过将检索系统与大模型结合，使模型能够基于特定知识库生成回答，显著提升了回答的准确性和可靠性。从实践角度看，中小企业在部署AI知识库时面临诸多挑战。商业化的企业级知识管理产品往往价格昂贵、部署复杂，难以满足中小企业的实际需求。开源方案虽然成本较低，但技术门槛高、集成难度大。因此，设计一个技术成熟、部署灵活、成本可控的AI知识库系统，对推动中小企业数字化转型具有重要的实践意义。国内外研究现状知识管理领域的研究始于20世纪90年代。Nonaka于1995年提出的SECI知识创造模型，系统阐述了隐性知识与显性知识的转化过程，为后续研究奠定了理论基础[3]。进入21世纪后，随着互联网技术的发展，知识管理系统的研究重心逐渐从理论框架转向技术实现。在知识表示与存储方面，知识图谱（Knowledge Graph）技术成为研究热点。2012年，Google正式发布知识图谱项目，将其应用于搜索引擎优化。此后，Facebook、Amazon、Microsoft等科技公司相继推出类似产品。知识图谱通过结构化的方式表示实体及其关系，使机器能够"理解"知识语义，为智能问答提供了有力支撑[4]。学者们围绕知识图谱的构建方法、存储优化、推理机制等展开了深入研究。Bo rdes等人提出的TransE模型开创了知识图谱嵌入学习的先河，后续的TransH、TransR等模型进一步提升了表示学习的效果[5]。在智能问答方面，早期的研究主要基于关键词匹配和模板填充。随着深度学习技术的发展，基于神经网络的问答系统逐渐成为主流。2017年，Vaswani等人提出的Transformer架构引发了自然语言处理领域的范式变革[6]。基于Transformer的预训练模型，如BERT、GPT系列，在问答任务上取得了突破性进展。2022年，ChatGPT的发布更是将智能问答推向了新的高度。 RAG技术的提出解决了大模型在专业领域应用中的知识局限性问题。Lewis等人于2020年首次系统阐述了RAG框架，通过引入外部知识库增强模型的生成能力[7]。此后，众多学者对RAG进行了改进和优化。 Karpukhin等人提出的DPR（Dense Passage Retrieval）方法，利用双塔编码器实现高效的语义检索[8]。Gao等人探索了RAG在医疗、法律等专业领域的应用，验证了其在垂直场景的有效性[9]。纵观国内外研究现状，知识库系统的发展呈现出以下特点：其一，技术架构从单一存储向多元融合演进。现代知识库系统不仅支持结构化数据和非结构化文档的统一管理，还融合了向量检索、图数据库等新技术，实现了多模态知识的高效组织。其二，智能化程度不断提升。从早期的关键词搜索到语义检索，从简单的问答对匹配到大模型驱动的智能对话，知识库系统的交互方式日益智能化。其三，部署模式趋于灵活。云原生架构、微服务设计的普及，使得知识库系统能够根据企业规模和需求灵活部署，降低了中小企业的使用门槛。然而，现有研究和产品仍存在一定不足：部分商业产品价格高昂，中小企业难以承受；开源项目技术门槛较高，需要较强的研发能力；现有系统在知识图谱自动化构建、多源知识融合等方面的能力有待提升。本研究将在现有技术基础上，设计一个适合中小企业部署的轻量级AI知识库系统研究内容本文围绕AI知识库系统的设计与实现展开研究，主要内容包括：（1）系统架构设计。研究适合中小企业部署的系统架构，采用前后端分离、微服务设计思想，确保系统的可扩展性和可维护性。（2）核心技术实现。深入研究RAG架构、向量检索、知识图谱等核心技术，设计合理的实现方案。（3）功能模块开发。实现用户管理、知识库管理、智能问答、知识图谱、系统配置等功能模块，满足企业的实际业务需求。（4）系统测试与优化。对系统进行功能测试和性能测试，验证系统的正确性和稳定性。 </details> <details> <summary> 改写后（人性化处理，检测率约 65.39%疑似）： </summary> 检索增强生成（Retrieval-Augmented Generation，RAG）技术应运而生，为上述难题打开了突破口。RAG的核心思路是将检索系统与大模型"联姻"——模型生成回答前，先从特定知识库中检索相关信息。回答的准确性和可靠性因此有了比较大的改善。但实践层面，中小企业部署AI知识库并非一帆风顺。商业化产品动辄数十万，部署也颇为复杂；开源方案虽然免费，技术门槛却高不可攀，集成起来困难重重。这便是本研究的出发点：设计一个技术成熟、部署灵活、成本可控的AI知识库系统，为中小企业数字化转型提供切实可行的路径。国内外研究现状知识管理研究起点可以追溯到20世纪90年代。Nonaka在1995年提出SECI模型，系统揭示了隐性知识与显性知识转化机制，后来者多有沿袭[3]。进入21世纪，互联网技术突飞猛进，研究重心也随之从理论框架转向技术落地。知识图谱的兴起是一个重要节点。2012年Google正式发布知识图谱项目后，Facebook、Amazon、Microsoft等科技巨头紧随其后。知识图谱用结构化方式表示实体及其关系，机器因此能够"理解"知识语义，智能问答有了坚实根基[4]。围绕知识图谱的构建方法、存储优化、推理机制等，学者们展开了较为深入的研究。Bordes等人提出的TransE模型开创了知识图谱嵌入学习先河，后续的TransH、TransR等模型又将表示学习效果推上新台阶[5]——这几篇论文在当时被引用得相当多。智能问答的演进同样耐人寻味。早期方案依赖关键词匹配和模板填充，粗糙而僵化。深度学习入场后，基于神经网络问答系统逐渐成为主流。2017年是转折点——Vaswani等人提出的Transformer架构颠覆了自然语言处理既有范式[6]。BERT、GPT等预训练模型相继涌现，问答任务取得长足进步。2022年ChatGPT发布，更是将智能问答推向公众视野中心。 RAG技术则在另一个维度上发力：它解决的是大模型在专业领域的知识短板。根据Lewis等人（2020）的阐述，RAG框架通过引入外部知识库来增强模型生成能力[7]。此后改进方案层出不穷：Karpukhin等人提出DPR方法，用双塔编码器实现高效语义检索[8]；Gao等人则在医疗、法律等领域验证了RAG实战价值[9]。纵观研究现状，知识库系统演进呈现出几条清晰脉络。技术架构层面，从单一存储走向多元融合——现代知识库系统既能管理结构化数据，也能处理非结构化文档，向量检索、图数据库等技术引入让多模态知识组织更加高效。智能化程度持续深化，交互方式也从关键词搜索升级为语义检索，从问答对匹配进化为大模型驱动智能对话。部署模式日趋灵活，云原生架构和微服务设计逐渐普及，中小企业可以根据自身规模和需求灵活部署。当然，现有研究和产品仍有短板。商业产品价格令人望而却步；开源项目对研发能力要求较高；知识图谱自动化构建、多源知识融合等能力也还有提升空间。本研究将在现有技术基础上，设计一个适合中小企业部署的轻量级AI知识库系统。研究内容本文围绕AI知识库系统设计与实现展开研究，主要工作包括：（1）系统架构设计。针对中小企业部署场景，采用前后端分离、微服务设计思想，兼顾可扩展性与可维护性。（2）核心技术实现。围绕RAG架构、向量检索、知识图谱等关键技术，设计切实可行的实现方案。（3）功能模块开发。完成用户管理、知识库管理、智能问答、知识图谱、系统配置等模块开发工作。（4）系统测试与优化。开展功能测试和性能测试，验证系统正确性与稳定性。 </details> ### 策略应用说明 | 策略 | 应用前后对比 | |------|------------| | 场景化重写 | 先判断段落功能，从真实使用场景切入，而不是只替换词语 | | 自然承接语 | 压缩「此外、综上所述」等模板连接，保留“具体来说、换句话说”等解释型转场 | | 轻冗余控制 | 保留少量“通常、往往、也会”等缓冲词，避免文本被压缩得过于生硬 | | 高密度句拆解 | 将职责、动作、目标集中的长句拆成主干句、动作说明和解释层 | | 条款结构保护 | 保留（1）（2）（3）等编号、标题和顺序，只改条款内部表达 | | 学术边界 | 不新增虚构接口、表结构、实验指标或参考文献，避免口语化和宣传化 | > 📌 **AIGC检测率对比** > > ![AIGC检测率对比](docs/images/diff.png) > --- ## ⚠️ 重要提示 > [!WARNING] > **关于 AIGC 降低的客观认知** > > 降低检测率的同时，文本可能会**失去部分学术严谨性**。 > > - 成语替换可能让学术表达显得稍显文学化 > - 「的」字删除需谨慎处理，过长定语保留可读性 > - 微瑕疵模拟不应影响核心论点的逻辑清晰 > - 不同学科对成语接受度不同，请参考学科适配表 > > **建议**：将降重视为辅助工具，最终内容需人工审核确保学术质量。 --- ## 工作流程 ``` ┌─────────────────────────────────────────────────────────────┐ │ 论文创作工作流 │ ├─────────────────────────────────────────────────────────────┤ │ Step 0: 初始化工作区 │ │ ↓ │ │ Step 1: 环境准备 → Step 1.5: 背景信息讨论 │ │ ↓ │ │ Step 2: 读取参考资料 → Step 3: 生成论文大纲 │ │ ↓ │ │ Step 4: 分章节撰写（含摘要生成）→ Step 5: 降重处理 │ │ ↓ │ │ Step 6: AIGC 人性化 → Step 7: 合并检测 │ │ ↓ │ │ Step 8: 图片生成与渲染 🖼️ │ │ ↓ │ │ Step 9: 文档导出（Word/PDF + 图片插入） │ └─────────────────────────────────────────────────────────────┘ ``` ## 各平台查重及 AIGC 检测结果 ### 朱雀全文检测 ![朱雀全文检测展示](docs/images/全文朱雀检测.png) --- ### PaperPass检测 ![PaperPass检测展示](docs/images/PaperPass.png) --- ### paperYY检测 ![paperYY检测展示](docs/images/paperYY.png) --- ## 快速开始 ### 前置要求 - Python 3.9+ - Claude Code 已安装 - Windows 10/11 ### 安装 #### 方式一：Claude Skill 安装 ```powershell # 自然语言安装帮我安装下 skill，项目地址是：https://github.com/Stars-OC/thesis-creator.git # 从 GitHub 安装 git clone https://github.com/Stars-OC/thesis-creator.git 将文件放入./claude-skills/skills/ 下 # 市场安装 (待进行) ``` #### 方式二：OpenSkills 安装使用 OpenSkills 包管理器安装： ```powershell # 安装 OpenSkills CLI（如未安装） pip install openskills # 或从 GitHub 安装 openskills install https://github.com/Stars-OC/thesis-creator.git openskills sync ``` #### 方式三：完整安装（推荐）包含 Python 工具和依赖： ```powershell # 克隆仓库 git clone https://github.com/Stars-OC/thesis-creator.git cd thesis-creator # 安装 Python 依赖 .\scripts\install.ps1 ``` <details> <summary>手动安装 Python 依赖</summary> ```powershell # 创建虚拟环境 python -m venv .venv # 激活虚拟环境 .\.venv\Scripts\Activate.ps1 # 安装依赖 pip install -r scripts\requirements.txt ``` </details> ### 使用 **1. 准备参考资料** ``` references/ ├── templates/ # 学校论文格式模板 ├── examples/ # 优秀范文 ├── guidelines/ # 写作规范 ├── prompt/ │ └── background.md # 论文背景信息（必填） └── reference/ ├── code/ # 参考代码 └── doc/ # 参考文献 ``` **2. 触发 Skill** 在 Claude Code 中输入： ``` 帮我写论文，主题是《大数据在精准营销中的应用研究》 ``` 系统将自动执行完整工作流。 ### 单功能模式 | 触发语 | 功能 | 说明 | | :----------------------- | :--------- | :--- | | `帮我降重这段文字：…` | 降重优化 | 同义替换、句式重构 | | `降低这段的 AIGC 率：…` | 人性化改写 | 输出处理前计划、改写文本和清单自检，按场景化重写、自然承接、轻冗余和高密度句拆解处理 | | `用成语降重这段文字：…` | 成语替换改写 | 侧重成语替换策略 | | `检测这段文字的 AIGC 率` | AIGC 检测 | 调用 `scripts/aigc/detect.py` 本地快速预估 | | `帮我生成论文大纲` | 大纲生成 | 根据背景信息生成 | | `生成摘要` | 摘要生成 ⭐ | 中英文摘要 + 关键词 | | `生成图片` / `生成图表` / `生成架构图` | 图片生成 | AI 图按 Mermaid、Graphviz、PlantUML 生成；架构图生成 `source=user` 占位并提示用户补图 | | `为第X章配图` | 图片生成 | 为指定章节生成图表 | | `导出 Word` / `导出文档` | 文档导出 | Word + 图片插入 | | `导出 PDF` | 文档导出 | PDF 格式 | | `一键导出` | 图片+文档 | 自动生成图片并导出 Word | | `验证文献` / `搜索文献` | 文献验证 ⭐ | 三源搜索 + DOI 验证 | ### AIGC 降低策略一览 | 策略层级 | 策略名称 | 说明 | 优先级 | | :------ | :------- | :--- | :----- | | P0 | 场景化重写 | 先判断段落功能，从真实使用场景切入，避免只做词语替换 | 必做 | | P0 | 自然承接语 | 压缩“因此、此外、综上所述”等模板连接，允许“具体来说、换句话说、放到实际使用里看”等解释型转场 | 必做 | | P0 | 轻冗余控制 | 删除机械废话，保留少量“通常、往往、也会、在一定程度上”等缓冲词 | 必做 | | P0 | 高密度句拆解 | 对职责、流程、目标集中在一句内的内容按“抽主干 → 拆动作 → 补解释层”处理 | 必做 | | P0 | 条款结构保护 | 保留（1）（2）（3）等编号、标题和顺序，只改条款内部表达 | 必做 | | P1 | 句长波动 | 形成短句点题、长句解释、中句收束的节奏，避免句长过度均匀 | 建议 | | P1 | 原句骨架重组 | 语义接近前提下调整句序和段内组织，避免机械同义替换 | 建议 | | P2 | 成语适度使用 | 仅在非技术性总结或维护效果说明处少量使用，技术细节附近不堆砌 | 可选 | | P2 | 学术边界复核 | 检查是否未新增虚构接口、表结构、实验指标、参考文献或系统能力 | 必做 | ## 目录结构 ``` thesis-creator/ ├── SKILL.md # 主 Skill 定义 ├── README.md # 项目说明 ├── LICENSE # MIT 许可证 ├── CONTRIBUTING.md # 贡献指南 ├── .openskills.json # OpenSkills 包配置 ├── docs/ # 文档 │ ├── usage_guide.md # 使用指南 │ ├── ROADMAP.md # 开发路线图 │ └── CHANGELOG.md # 更新日志 ├── prompts/ # 提示词模板 │ ├── reference_citation_prompt.md # 文献引用提示词 ⭐ │ └── image_generation.md # 图片生成提示词 ⭐ ├── scripts/ # Python 工具 │ ├── INDEX.md # scripts 总索引 │ ├── core/ # 生命周期、状态、日志与任务分发 │ │ ├── INDEX.md │ │ ├── lifecycle.py │ │ ├── status_manager.py │ │ ├── logger.py │ │ └── task_dispatcher.py │ ├── content/ # 正文读取、格式检查、关键词抽取与终稿合并 │ │ ├── INDEX.md │ │ ├── merge_drafts.py │ │ ├── document_reader.py │ │ ├── format_checker.py │ │ └── keyword_extractor.py │ ├── aigc/ # AIGC 检测与降 AIGC 子模块 │ │ ├── INDEX.md │ │ ├── detect.py │ │ ├── technical_detect.py │ │ ├── reduce_workflow.py │ │ └── term_whitelist.txt │ ├── charts/ # 图表生成渲染子系统 │ │ ├── INDEX.md │ │ ├── manifest_builder.py │ │ ├── source_writer.py │ │ ├── render.py │ │ ├── markdown_updater.py │ │ └── validate.py │ ├── references/ # 参考文献流程子模块 │ │ ├── INDEX.md │ │ ├── reference_engine.py │ │ ├── reference_validator.py │ │ ├── reference_searcher.py │ │ └── verified_reference_pool.py │ └── document_exporter/ # Word/PDF 导出与图片插入 ├── scripts/templates/ # 图表模板 │ ├── chart_themes.yaml # 图表主题配置 ⭐ │ └── charts/ # 图表模板目录 ⭐ ├── config/ # Skill 配置模板 │ └── .thesis-config.yaml # 项目配置文件 ⭐ ├── references/ # 参考资料 ├── workflows/ # 工作流文档 ⭐ │ ├── step_0_init.md # Step 0 初始化 │ ├── step_3_outline.md # Step 3 大纲生成 │ ├── step_4_writing.md # Step 4 撰写（含摘要） │ ├── step_7_merge_detect.md # Step 7 合并检测 │ ├── step_8_image.md # Step 8 图片生成 │ ├── step_9_export.md # Step 9 文档导出 │ └── reference_workflow.md # 文献搜索工作流 └── workspace/ # 论文产出 ├── outline.md # 论文大纲 ├── drafts/ # 初稿 ├── reduced/ # 降重版 ├── history/ # 历史版本 ├── final/ # 终稿 │ ├── images/ # 论文图片 │ ├── 论文终稿.md # Markdown 终稿 │ ├── 论文终稿.docx # Word 终稿（含图片） │ └── 论文终稿.pdf # PDF 终稿 ``` ## 目标指标 | 指标 | 目标值 | | :----------- | :---------------- | | 论文产出速度 | 3000 字 / 30 分钟 | | 查重率 | ≤ 30% | | AIGC 检测率 | ≤ 15% | | 排版合规率 | 符合学校模板 | ## 文档 | 文档 | 说明 | | :------------------------------ | :----------------------- | | [使用指南](docs/usage_guide.md) | 详细安装、配置和使用说明 | | [开发路线图](docs/ROADMAP.md) | 项目功能规划 | | [更新日志](docs/CHANGELOG.md) | 版本更新记录 | | [贡献指南](CONTRIBUTING.md) | 如何参与项目开发 | ## 注意事项 > [!WARNING] > 本地 AIGC 检测为近似估计，正式提交前建议使用知网/维普进行官方检测。 > 建议使用智谱模型的 GLM(GLM-5/GLM-5.1) 系列其他模型可能生成的效果不太好(用 **gpt-5.4** 尝试过) - **版本控制**：每次改写前自动备份到 `workspace/history/` - **术语保护**：专业术语不会被降重工具打乱 - **断点续传**：支持任意步骤中断后恢复 ### 测试指南目前只用于论文 **初稿** 的创建中，功能尚未完善需要自己调整 **排版**！ ## 贡献欢迎贡献代码、报告问题或提出建议！请阅读 [贡献指南](CONTRIBUTING.md) 了解如何参与项目。 ## 许可证本项目基于 [MIT License](LICENSE) 开源。 ## 致谢 - [Claude Code](https://claude.ai/) - AI 编程助手 - [Anthropic](https://www.anthropic.com/) - Claude 模型提供方 --- <div align="center"> **[⬆ 回到顶部](#论文创作-agent-系统)** 如果这个项目对你有帮助，请给一个 ⭐ Star 支持一下！ </div>

저장소 README를 불러오는 중…

이 저장소의 skills

기타 중등 후 교사

직업 카테고리 1개 · 100% 분류됨

skill

직업 분류

설명

업데이트

thesis-creator

기타 중등 후 교사

面向中国本科生的毕业论文全流程写作辅助系统。支持从选题到交稿的端到端工作流，包含降重优化、AIGC 降低和本地检测功能。用户说「帮我写论文」或「帮我降重」等时触发。

원문 언어: 중국어

2026-06-02

수집된 skill 1개 중 1개를 표시합니다.