academic-craft

name	academic-craft
description	学术写作诊断与修订。对已完成的文献综述或论文草稿进行6维度质量诊断，输出具体修订方案。适用于任何学术写作的质量把关。

Academic Craft — 学术写作工匠

定位

写作之后的质量把关层。已有 skill 管"怎么写"，这个管"写完了好不好"。

适用范围：

• 文献综述草稿
• 期刊论文各章节
• 博士论文章节
• 研究者档案/综述笔记

---

Phase 1: 六维度诊断

对任何草稿，逐一检查以下6个维度。每个维度评分 A/B/C，输出具体问题定位。

维度1: 主题综合 vs 编年罗列

检查方法：扫描每个章节/段落的开头。如果连续3+段以"论文X做了Y"开头 → 编年罗列。

等级	特征
A	每节有明确主题句（非论文标题），论文作为论据嵌入主题
B	有主题但论文描述独立，未交织对比
C	纯按时间/论文顺序排列，无主题线索

诊断问题：

1. 读者能否在不看引用的情况下理解"这一节在讨论什么问题"？
2. 同一主题的多篇论文是否被放在一起对比？
3. 是否存在"横切线索"（同一概念在不同论文间的演进）？

维度2: 批判性评价

检查方法：搜索"局限"、"争议"、"问题"、"不足"类关键词。如果只在文末统一写 → 评价不够。

等级	特征
A	每篇核心论文有独立评价（方法优劣、适用边界、与同类工作的量化对比）
B	有评价但泛泛（"这种方法有局限"但不说具体是什么）
C	只有正面描述，无任何评价

诊断问题：

1. 引用数差异是否被解释？（高引 vs 低引的原因分析）
2. 方法对比是否有量化指标？（计算复杂度、精度、适用范围）
3. 是否讨论了"为什么A方法在X问题上优于B方法"？

维度3: 实验证据锚定

检查方法：统计理论论文与实验验证的比例。

等级	特征
A	每个理论预测标注验证状态（已验证/部分验证/未验证）+ 具体实验
B	提到部分实验但未系统梳理
C	纯理论推导，实验证据缺失

诊断问题：

1. 哪些理论预测已被实验证实？哪些还没有？
2. 实验验证的精度如何？（定性确认 vs 定量吻合）
3. 是否存在理论与实验的矛盾/偏差？

维度4: Gap 具体性

检查方法：找到所有声称的 Gap/开放问题，检查是否回答了"怎么做"。

等级	特征
A	每个 Gap 有：具体缺失 → 所需工具/方法 → 预期结果 → 难度评估
B	Gap 有文献依据但缺少"怎么做"
C	"未来研究应该..." 式空话

Gap 具体化模板：

Gap: [具体缺失的知识/方法]
证据: [哪篇论文在哪一页/哪一步留下了空白]
所需工具: [需要什么理论/实验/计算资源]
预期结果: [填补后能回答什么新问题]
难度: [预计时间/技术障碍]

维度5: 焦点控制（综述 vs 教科书）

检查方法：统计完整推导的长度。>20行的推导块 → 焦点偏移。

等级	特征
A	推导只保留关键步骤+物理含义，细节引用原文
B	部分推导过长但整体可控
C	大量教科书式推导，综述变成教材

规则：

• 综述：每步推导用1-2行，重点说"为什么这么变"而非"怎么变"
• 论文：Method 部分可详细，但引言/讨论不需要推导
• 笔记：可以有完整推导，但用 <details> 折叠

维度6: 用户研究连接

检查方法：找到所有提到用户研究方向的地方，检查是否有具体参数对接。

等级	特征
A	连接带具体参数（波长、功率、空间分辨率等），可直接指导实验设计
B	提到研究方向但无参数（"与THz相关"→ 怎么相关？）
C	无任何与用户研究的连接

连接具体化模板：

用户参数: [实验条件：波长、功率、分辨率等]
理论预测: [哪篇论文的哪个公式/结论适用]
参数对接: [用户参数代入理论后的具体数值]
指导意义: [对实验设计的具体建议]

---

Phase 2: 修订策略

对每个 C 级维度，执行以下修订策略。

策略1: 主题重织（编年→主题）

操作：

1. 从草稿中提取所有论文的核心贡献（每个一句话）
2. 按贡献的问题类型分组（而非时间顺序）
3. 每组内按"方法对比→性能对比→共识→争议→Gap"组织
4. 保留时间线图作为参考，但正文按主题走

主题识别信号词：

• 多篇论文解决同一个子问题 → 一个主题
• "但X的方法不能处理Y" → 新主题的起点
• 引用链（A→B→C解决同一个难题）→ 一个主题内的递进

策略2: 批判注入

操作：对每篇核心论文（引用>50 或被多次引用），添加评价块：

**评价**：
- 强项: [在什么条件下/对什么问题特别有效]
- 弱项: [在什么条件下失效/精度下降/计算成本高]
- 引用数分析: [为什么高引/低引 — 是开创性、实用性、还是被后续工作超越]
- 与同类对比: [相比同期的B方法，在X维度好Y维度差]

策略3: 实验证据挂载

操作：

1. 对每个理论结果，标注验证状态：
   • ✅ 已验证（附具体实验）
   • ⚠️ 部分验证（定性确认但定量有偏差）
   • ❌ 未验证
2. 对未验证的理论，分析原因（技术限制？实验难度？理论本身有问题？）
3. 用 callout 块集中展示验证状态

策略4: Gap 药方

操作：将每个泛泛的"未来方向"重写为具体药方：

**Gap**: [具体缺失]
**为什么没人在做**: [技术障碍 / 理论困难 / 实验设备限制]
**需要什么**: [具体方法/工具/数据]
**如果做出来**: [能回答什么新问题 / 达到什么新性能]
**第一步**: [最简单的起始实验/计算]

策略5: 推导瘦身

操作：

1. 找到所有 >20 行的推导块
2. 保留：关键步骤（1-2行/步）+ 物理含义（每步后一句话）
3. 删除：中间代数运算、变量替换的细节
4. 添加：引用原文的具体位置（"详细推导见 [X] Appendix B"）

策略6: 连接硬化

操作：找到所有模糊连接（"与X相关"、"对Y有启示"），替换为：

**对接**: [用户实验] ↔ [论文X的理论/方法]
- 用户参数: [具体数值]
- 理论适用条件: [论文X的公式在什么范围内成立]
- 代入结果: [用户参数代入后的具体预测]
- 可操作性: [用户下一步应该做什么实验/计算来验证]

---

Phase 3: 反AI写作模式检查

结合 anti_ai_patterns skill，额外检查以下综述特有模式：

AI模式	在综述中的表现	修正
均匀篇幅	每篇论文花相同篇幅	重要论文多写，次要论文一句话带过
零争议	只报告一致结论	主动找分歧："A说X，B说Y，原因可能是Z"
无价值判断	"A做了X，B做了Y"	"A的X方法在Z条件下优于B的Y"
过度类比	每节都有生活类比	只在非直观概念处用类比，专业概念直接解释
公式堆砌	连续3+个无叙事的公式	公式之间用文字串联物理逻辑
填充性图表	Mermaid图只显示关系	图必须传递文字难以表达的信息

---

诊断输出格式

## 学术写作质量诊断报告

### 总评: [A/B/C]

### 各维度评分
| 维度 | 评分 | 关键问题 |
|------|------|---------|
| 主题综合 | [A/B/C] | [1-2句] |
| 批判评价 | [A/B/C] | [1-2句] |
| 实验证据 | [A/B/C] | [1-2句] |
| Gap具体性 | [A/B/C] | [1-2句] |
| 焦点控制 | [A/B/C] | [1-2句] |
| 研究连接 | [A/B/C] | [1-2句] |

### 优先修订（按影响力排序）
1. [最高优先级修订项] → 预期效果
2. [次高优先级修订项] → 预期效果
3. ...

### 修订方案
[具体的段落级修订指令]

---

调用方式

/academic-craft                    # 对当前讨论的草稿进行诊断
"诊断这篇综述的质量"               # 同上
"用academic-craft检查这篇草稿"     # 同上
"修订策略：[维度名]"               # 只对特定维度执行修订

---

与其他 Skill 的关系

literature-review  → 怎么写综述（写作层）
paper-writing      → 怎么写论文（写作层）
anti_ai_patterns   → 消除AI痕迹（语言层）
academic-craft     → 写完后的诊断+修订（质量层）← 本skill
humanizer          → 人类化改写（语言层）

调用顺序：先写（literature-review / paper-writing）→ 再诊断（academic-craft）→ 再修（humanizer + academic-craft 策略）。

---

统计审稿 Checklist（源自 K-Dense peer-review）

对含实验/数值结果的论文，额外逐项检查：

检查项	要求	常见问题
Effect sizes	报告 Cohen's d / η² / R²，不能只给 p-value	只写"显著"不给效应量
Confidence intervals	关键参数必须有 95% CI	只给 mean±SD，缺 CI
Multiple comparisons	≥3 组比较时必须校正（Bonferroni/FDR）	多次 t 检验不做校正
Power analysis	样本量需用先验 power 计算支撑	"n=3 生物重复"无统计依据
Parametric vs non-parametric	正态性检验（Shapiro-Wilk）→ 选择合适检验	全用 t-test，不检查正态假设
Missing data	报告缺失比例及处理方式（imputation/listwise deletion）	缺失数据不交代
Exploratory vs confirmatory	区分探索性分析与验证性假设检验	事后分析伪装成先验假设

统计报告规范：

• 每个统计检验需报告：检验名、统计量值、自由度、精确 p 值、效应量、CI
• 格式示例：t(58) = 2.34, p = .022, d = 0.61, 95% CI [0.12, 1.10]
• 图表误差棒必须标注类型（SD / SEM / 95% CI）

红线（发现即判 C 级）：

1. p-value 操纵（选择性报告、取消 outlier 后重测）
2. 样本量事后调整至显著（optional stopping）
3. 效应量极小但声称"显著"（p < .05 但 d < 0.2）

文件结构

academic-craft/
└── SKILL.md    # 本文件