thu-thesis

name

thu-thesis

description

清华大学毕业论文 Word → PDF 一键格式规范化工具。输入任意 Word (.docx) 格式的清华毕业论文，自动转换为符合清华 thuthesis 官方 LaTeX 模板规范的高质量 PDF。适用于所有清华学位论文（MBA/学硕/专硕），一条命令搞定。功能：自动提取章节结构、中英文摘要、参考文献（自动生成 BibTeX）、图片（含 caption）、表格（含表头和标题）、致谢、个人简历；自动生成符号和缩略语说明（含孤儿缩略语检测与正文首次出现处自动补写）；自动生成插图清单和附表清单；输出完整 thuthesis LaTeX 项目并编译为 PDF，最终 PDF 复制到 Word 原文件同目录。运行时依赖：python-docx、jinja2、xelatex/bibtex（TeX Live）；setup.sh 会从 GitHub 克隆 thuthesis 到 /tmp/thuthesis-latest；脚本仅读写技能 workspace 及临时目录，不访问无关系统配置或网络端点（仅访问 thuthesis GitHub 仓库）；macOS 下自动用 open 打开生成的 PDF；外部命令：xelatex、bibtex、git。Use when: 用户需要把 Word 格式的清华毕业论文转为规范 PDF，或需要对毕业论文做格式规范化处理。

清华 MBA 论文 Word → PDF 一键转换

⚠️ 核心操作原则（不得违反）

只从 Word 中提取信息，不修改 thuthesis 模板格式。

• thuthesis 的封面、页眉、目录、参考文献、图表样式等，全部由 thuthesis.cls 自动生成
• 脚本只负责把 Word 里的内容（标题、摘要、章节、图表、参考文献等）提取出来填入 .tex 文件
• 若 Word 中某字段缺失，对应 LaTeX 字段留空，不删除、不跳过、不用占位符替代
• 任何格式上的"改进"都必须以 assets/databk/ 中的官方示例为准，不得自行发挥

格式参考：assets/databk/

assets/databk/ 是从官方 thuthesis 项目备份的原始示例 data 文件，是本工具一切格式决策的黄金标准：

文件	参考内容
chap01.tex ~ chap04.tex	正文章节、三线表、图片、公式格式
abstract.tex	中英文摘要格式
denotation.tex	缩略语/符号说明格式
acknowledgements.tex	致谢格式
resume.tex	个人简历格式
committee.tex	答辩委员会名单格式
comments.tex	导师评语格式
resolution.tex	答辩决议书格式

遇到任何格式问题，先查 databk/ 里的对应文件，再动代码。

初次使用：拉取 thuthesis 格式参考

首次使用前必须运行一次：

SKILL_DIR="${WORKSPACE}/skills/thu-thesis"
bash "$SKILL_DIR/scripts/setup.sh" "$SKILL_DIR"

这会从 GitHub 拉取最新 thuthesis 源码，将 data/ 目录复制到 assets/databk/ 作为格式参考基准，并将 thuthesis.cls 等类文件缓存到 /tmp/thuthesis-latest/。databk/ 不打包进 skill，每次按需拉取最新版。

依赖

pip3 install python-docx jinja2
# 需要已安装 TeX Live，xelatex 通常位于 /Library/TeX/texbin（macOS）或 /usr/bin（Linux）

一键转换

SKILL_DIR="${WORKSPACE}/skills/thu-thesis"
python3 "$SKILL_DIR/scripts/convert.py" <输入.docx> [输出目录]

# 示例：
python3 "$SKILL_DIR/scripts/convert.py" "论文.docx" /tmp/my-thesis

完成后自动打开 PDF。

四步流程（含评测与自动修复）

input.docx
  ↓ Step1  parse_docx.py    → output/parsed_*.json + output/figures/（图片）
  ↓ Step2  render.py        → <output_dir>/thesis.tex + data/*.tex + ref/refs.bib + figures/
  ↓ Step2.5 _auto_cite_missing()  → 关键词匹配补 \cite；无匹配用 \nocite 兜底（100%覆盖）
  ↓ Step3  xelatex→bibtex→xelatex×2~3  → <output_dir>/thesis.pdf ✅
  ↓ Step4  evaluate.py      → evaluation_report.md（33项 Rubric 评测）
  ↓ Step5  自动修复          → 发现可修复问题，立即重新执行受影响步骤，不询问用户

转换完成后 PDF 自动复制到 Word 原文件同目录（同名 .pdf）。

Step 5：评测后自动修复（不询问用户）

评测结果出来后，立即判断哪些问题可以工具修复，直接修复，无需等待确认。

可自动修复的问题（立即修复）

问题	修复方式
封面 title 被误识别（如答辩委员会名单被当成标题）	修 parse_docx.py → 重跑 convert
BibTeX author/title 字段为空	修 render.py 解析逻辑 → 重跑 render + compile
B4 节级标题检测失败（数据结构问题）	修 evaluate.py 检测逻辑
C4 BibTeX 条目数不匹配（解析漏条目）	检查 refs.bib，修 render.py → 重跑
C7 author-year 引用未转 \cite（有 bib key 可匹配）	修正则 → 重跑 render + compile
LaTeX 编译报错（& 转义、特殊字符等）	修 render.py 转义逻辑 → 重跑 compile

不可自动修复的问题（保留 WARN，报告说明）

问题	原因
表格/图片无 caption	Word 原文本来就没有，工具无中生有
孤儿缩略语无解释	Word 原文未定义，只能标注待补充
C5 文献未被正文引用	Word 正文本来就没引用，已用 \nocite 兜底
C7 author-year 匹配失败（无 bib key）	姓名简称/别名无法映射，原文限制
committee/comments/resolution 占位	答辩后才有内容，无法提前填写

修复循环规则

1. 发现可修复问题 → 修复脚本 → 重跑受影响步骤 → 重新评测
2. 循环最多 3 次，防止无限循环
3. 每次修复后报告「修复了什么」和「新评分」
4. 最终仍有 WARN 的不可修复项，报告中注明「原始 Word 内容限制，无法自动修复」

Rubric 评测（evaluate.py）

每次 convert 完成后自动运行，也可单独调用：

SKILL_DIR="${WORKSPACE}/skills/thu-thesis"
python3 "$SKILL_DIR/scripts/evaluate.py" <parsed.json> <latex_dir>

评测报告保存到 <latex_dir>/evaluation_report.md。

评分制度

• 必要项（满分3分）：PASS=3分，WARN=1.5分，FAIL=0分；有必要项FAIL时整体不通过
• 重要项（满分2分）：PASS=2分，WARN=1分，FAIL=0分
• 亮点项（满分1分）：PASS=1分，WARN=0.5分，FAIL=0分
• 失误扣分项（满分0）：错误1处扣1分，最多扣10分（如C6 cite内容关联性）
• NA项：无图/无表等不适用场景，跳过不计入分母
• 最终给出：总分 / 满分（百分比）+ 优秀≥90% / 良好≥75% / 合格≥60% / 不合格

报告要求（重要！）

所有扣分项必须在报告中写明扣分原因备注，包括：

• ❌ FAIL项：说明具体缺失或错误内容（不能只写"缺失"）
• ⚠️ WARN项：说明半分原因和建议修复方法
• ➖ DEDUCT项：说明每处扣分的具体位置和内容
• 明细表说明列不截断，完整输出原因

评测维度（33项）

维度	项数	检查内容
A. 内容-元信息	7项	中英文标题、作者、导师、培养单位、日期
A. 内容-摘要	4项	中英文摘要内容量、关键词数量
B. 内容-正文	4项	章节结构、.tex文件、文字总量、节级标题
C. 参考文献	6项	列表完整、BibTeX生成、author/title字段、PDF条目数、引用覆盖率、C6 cite内容关联性抽检（失误扣分）、C7 author-year行文引用规范（关键失误）
D. 图片	3项	提取数量、caption、LaTeX渲染
E. 表格	3项	提取数量、三线表格式、caption
F. 缩略语	2项	缩略语表生成、孤儿缩略语标注
G. 附件	2项	致谢、个人简历
H. 编译	3项	PDF已生成、无LaTeX Error、thusetup格式

C6 cite内容关联性抽检说明

• 机器代理：bib字段（author+title均为空）→ 不可追溯，扣1分/处，最多扣10分
• 抽检报告：每次评测随机抽10个cite，输出「上下文 + 文献信息 + 人工核查勾选框」
• 人工核查后如发现错误关联，额外在备注中记录并手动扣分

SKILL_DIR="${WORKSPACE}/skills/thu-thesis"
python3 "$SKILL_DIR/scripts/parse_docx.py" <input.docx> [output_dir]

提取内容到 JSON：封面元数据、中英文摘要+关键词、章节结构（Heading1/2/3）、图片（提取到 output/figures/）、表格（表头+行数据+caption）、参考文献、致谢、个人简历。

封面字段提取规则（表格格式封面）：

• 合并单元格每行去重，只取第一次出现的值
• 字段名和值在同一单元格（"培养单位：经济管理学院"）或相邻列（"指导教师" | "肖勇波教授"）均支持
• 导师格式化为"姓名, 职称"（thuthesis 要求）
• 字段缺失时留空，不强制填充
• 中文日期支持：二○二五年、二〇二五年、2025年 等多种写法

图片 caption 提取规则（优先级）：

1. 段落自身文本以"图"开头（图文在同一段落）
2. 后面紧跟 Caption1 样式段落
3. 后面2段内有 Normal/"图"开头的段落
4. 前面4段内有 Caption1 或 Normal/"图"开头的段落

表格 caption 提取规则：

• 先向前查3个 body element，找 Normal/"表"开头或 Caption1
• 再向后查3个 body element（表格后才有 caption 的情况）

正文样式兼容列表： Body Text、Normal、List Paragraph、段落（不同 Word 模板会用不同样式名）

Step 2: render.py — 按模板填充，不改格式

SKILL_DIR="${WORKSPACE}/skills/thu-thesis"
python3 "$SKILL_DIR/scripts/render.py" <parsed.json> <output_dir>

渲染顺序（严格按此顺序，不能乱）：

1. 复制 thuthesis.cls 等类文件 + 图片
2. thusetup.tex（封面元数据）
3. abstract.tex
4. fix_orphan_abbrevs(data)：孤儿缩略语补写（必须在章节渲染前！）
5. generate_bibtex(refs, output_dir)：Word 参考文献列表 → ref/refs.bib（BibTeX 格式）
6. 各章节 chap0N.tex（正文中 [N] / [N,M] / [N-M] 自动转换为 \cite{key}）
7. acknowledgements.tex、resume.tex
8. denotation.tex（缩略语表）
9. 占位文件：committee.tex、comments.tex、resolution.tex

表格格式（严格遵循 databk/chap02.tex 的三线表标准）：

\begin{table}[htbp]
  \centering
  \caption{表题}
  \begin{tabularx}{\textwidth}{*{N}{X}}
    \toprule
    表头1 & 表头2 \\
    \midrule
    内容1 & 内容2 \\
    \bottomrule
  \end{tabularx}
\end{table}

• 无竖线，三线（toprule/midrule/bottomrule）
• tabularx + *{N}{X} 自动分配列宽，防止超出页面
• caption 在表格上方

Step 3: 编译 PDF（xelatex → bibtex → xelatex × 2）

convert.py 自动运行完整 BibTeX 编译流程：

1. xelatex（生成 .aux，含 \citation 记录）
2. bibtex（根据 .aux 从 refs.bib 生成 .bbl）
3. xelatex（把参考文献 .bbl 写入 PDF）
4. xelatex（稳定目录/交叉引用）
5. 若 toc 仍变化，自动补第5次

参考文献处理

Word 原文格式 → BibTeX 自动转换：

• render.py 内置规则 based 解析器，自动识别 @article / @book / @misc
• BibTeX key 格式：作者姓拼音 + 年份 + 关键词（全 ASCII，无中文）
• 正文中 [10] → \cite{venkatraman1994venkatraman}，支持 [1,2,3] 和 [1-3] 范围
• 文献综述等章节的 author-year 行文引用自动识别并补 \cite：
  • 曹玉（2025）分析了... → 曹玉（2025）\cite{cao2025aigc}分析了...
  • BiyuTang（2023）指出... → BiyuTang（2023）\cite{tang2023aigcfilm}指出...
  • 葛文婕和任海全（2025） → 多作者取第一作者姓匹配
  • 支持：中文全角括号 （年）、英文半角括号 (年)、CamelCase 拼音名
  • 匹配失败（文献库无对应条目）时保留原文，rubric C6 会警告
• 输出文件：<output_dir>/ref/refs.bib，包含编号→key 映射注释表

已知限制：

• 网络资源（[EB/OL]）title/author 字段依赖原文是否规范
• 原文引用编号超出参考文献总数时（如 [44] 但只有 43 条），bibtex 会警告 undefined

缩略语处理

已知缩略语提取（三种正则，词典优先覆盖）：

1. XXX（中文解释）
2. 中文名称（XXX）
3. Full English Name (XXX)（校验首字母匹配）

内置 MBA 词典 40+ 词条，词典结果覆盖正则结果。

孤儿缩略语（出现≥2次但无解释）：

• 正文第一次出现处插入 XXX（待补充全称）
• denotation.tex 中标注 % ← 请人工填写完整解释

已知限制

• SVG 图片跳过（xelatex 不原生支持）
• committee.tex / comments.tex / resolution.tex 为占位，需手工填写
• .doc 格式需先用 textutil -convert docx 转换（macOS 自带），但转换后段落样式会丢失，标题层级靠字体大小推断（实验性）

文件说明

路径	说明
scripts/convert.py	一键入口
scripts/parse_docx.py	Word 解析 → JSON（只提取，不格式化）
scripts/render.py	JSON → LaTeX 项目（填充模板，生成 BibTeX）
assets/templates/*.j2	Jinja2 模板（6个）
assets/databk/	thuthesis 官方格式示例，格式决策唯一参考

thuthesis 配置（MBA 专业硕士）

\thusetup{
  degree = {master},
  degree-type = {professional},
  degree-category = {工商管理硕士},
  degree-category* = {Master of Business Administration},
  department = {经济管理学院},
}