论文润色·智能降重|学术表达优化
论文润色与论文AI率检测一站式自查:概率+分层证据输出,独家中文大模型指纹归因(GLM/DeepSeek/Qwen/Kimi/MiniMax/GPT/Claude/Gemini)。句子级改写建议(定位哪几句像AI、各自怎么改——只指位与策略,不代改)、同概念异写一致性检查、不适用场景明示(PDF/文献翻译用 doc-holmes、查重用知网等机构系统、执行降AI改写用 paper-rewriter),随包单元测试套件与AST 结构化零网络自证(pp_verify.py)。术语保护(加载2,344条医学学术术语)、翻译腔检查、四层去AI化门禁、期刊口径预检(对标20-25%参考线,附不可互换声明)、AIGC合规标识检查(《标识办法》2025-09:元数据/C2PA/显式声明)、段落级人机归因、综合质量报告。100%本地运行零上传,留出集评测驱动:基础引擎 AUROC 0.9187(全量语料时代;随包抽样可复现 0.8985);可选本地监督层(v4.4.0 起指纹绑定评测,model_fp 入档)老代留出 AUROC 0.9998、当打代 0.9400、人类误报@med 2.3%。学术诚信:本工具供作者自查与改进写作质量,请按所在机构政策规范披露 AI 使用(标识合规可用 aigc_label_check 自查),不用于规避机构 AIGC 检测。家族与文档:论文工具箱全家桶含 paper-rewriter(论文降AI改写姊妹版)、cn-med-oa(中文医学文献OA下载)、pubmed-verifier(投稿前引用核验)、academic-figures(出版级科研配图),官网与在线文档 docsor.cn。四条铁律:只报可复现的数字、短文本不出判定、指纹只归因不进分、校准与评测分离。触发词:论文润色、降AI检测、查AI率、论文AI率、降低AI率、AIGC检测、AIGC率、GPT检测、查AI写作、论文润色、改写论文、去AI味、AI论文检测、学术写作助手、毕业论文润色、学位论文降重、SCI论文编辑、手稿润色、这篇文章像不像AI、改写建议。【论文工作流全家桶 · SkillHub 搜招牌名直达】润色降重之后、投稿之前:引用逐条自查→深度调研 × AI幻觉检测(arXiv 2026-05 起对幻觉引用禁投一年)|查文献验 PMID/DOI→PMID引用验证 × AI幻觉检测|学位论文降重与查AI率自查→本工具|出版级配图→论文配图一键生成(21+ 种图表,600dpi)。五件套全部纯本地运行,数据不出机。 Trigger on: 论文润色/智能降重/学术表达优化/语言润色/投稿预检/期刊预检/AIGC合规标识/学术英语;academic polishing/journal precheck。
skillhub install @indiv-sorsor/paper-polisher-pro
README 文档
10,914 字Paper Polisher Pro
发布形态说明:本文件是中文主文档。SkillHub 中文包中它以
SKILL.md名义发布(包内不再重复附带SKILL_ZH.md,此为平台打包约定,非文件缺失);英文版见 GitHub 仓库同目录SKILL.md。两种包形态共用同一套包内测试(全部形态自适应:pp.py test在任一形态下都应全绿)。
AI 痕迹检测(AI率)· 去AI化改写 · 术语标准化 · 翻译腔检查 · 质量报告 · AIGC 合规标识检查 · 段落级归因 · 期刊口径预检。 100% 本地运行,零上传,零凭证,纯标准库(可选 onnxruntime 增强层)。
⛔ 铁律
- 只报可复现的数字。所有指标必须来自
eval/run_eval.py的留出集(test split)评测;旧版文档中"100% 检出率 / F1 98.3%"等无数据支撑的宣称已删除。- 短文本不出判定。不足 100 字的文本输出
risk=unknown(学界教训:短文本误报失控)。- 指纹只归因、不进分数(2026-08-15 实测:指纹注入检测层使人类误报翻倍)。
- 校准与评测分离。频谱/权重/阈值只用 calib 半构建,test 半永远留作最终评测(v3 开发中曾出现 0.9972 的假 AUROC,切分后真实值 0.9187)。
TL;DR(30 秒上手)
- 是什么:100% 本地的中文学术文本 AI 率自查+润色工具箱(L1-L12 规则引擎;可选监督层获得最佳精度;英文走纯规则仅供参考)。
- 三条命令:
python3 scripts/pp.py quickstart(零模型零文件一键体验)|python3 scripts/pp.py detect draft.txt --format json| 逐句改写建议:python3 scripts/pp.py fix draft.txt| 投稿前自查包:python3 scripts/pp.py bundle thesis.docx --outdir ~/selfcheck| 全流程自查报告:python3 scripts/pp.py workflow draft.txt| 环境自检:python3 scripts/pp.py doctor(统一入口路由全部子命令) - 实测数字(留出集、绑定模型指纹 2631df3d388b):老代 AUROC 0.9998 / 当打代 0.9400;人类误报@medium 2.3%。
- 边界:<100 字按铁律
risk=unknown| 降级档医学语域会系统性高估 | 人机混写文档的文档级分数不可单独采信(段落归因才是可操作信号)| 仅供作者自查——不用于规避机构 AI 检测。 - 接下来看:场景级怎么用见
references/best-practices.md| 下方能力边界矩阵 | 快速开始里有端到端示例 | FAQ 分五组(判定边界→模式安装→输出解读→安全验证→工具工作流),按需跳转 | 完整历史在CHANGELOG.md。
30 秒任务路由
| 你想… | 跑 | 深文档 |
|---|---|---|
| 检查文稿 AI 率 | pp.py detect draft.txt --format json | 下方性能表+能力边界矩阵 |
| 看哪几句像 AI | pp.py fix draft.txt | ppfixsuggest.py --help |
| 对比改稿前后 | pp.py rewrite-check 原稿 改稿 | FAQ:改写建议 |
| 翻译 PDF 保持排版 | 非本工具——用 doc-holmes | 相关工具 |
| 查写作体例规范 | pp.py norm draft.txt | FAQ:规范自查 |
| 整个论文目录批量 | ai_detector.py --batch DIR --csv s.csv --report r.html | FAQ:批量 CSV |
| 验证零上传承诺 | pp.py verify + pp.py test | 安全与行为声明 |
| 期刊口径预检(分学科) | ai_detector.py draft.txt --profile journal | 期刊口径节 |
| 环境排障 | pp.py doctor / pp.py freshness --status | FAQ:模式与安装 |
| 一张可视化仪表盘看全部结果 | pp.py html-report draft.workflow.json -o report.html | 各脚本速查:ppreporthtml.py |
| 跨多轮改稿追踪同一文稿 | pp.py trend 轮次目录/ -o trend.html | 各脚本速查:pp_trend.py |
| 不知道该用哪个命令 | pp.py recommend "把这段的AI率降一降" | pp.py recommend --help |
三条最重要的限制(完整细节见下方矩阵)
- 降级档对医学语域系统性高估——纯规则 @medium 档人类误报:医学约 59% vs 普通文本约 2%;医学文本只采信 @high 判定,或安装监督层。
- 人机混写文档——文档级 AUROC 0.52-0.54(均值稀释的原理性局限);段落归因只作人工复核排序,绝不当自动判定用。
- 数据覆盖范围——术语库 2,344 条偏医学/学术(非医学文本标准率读低是覆盖面所致,非故障);文体层按学术语域校准(口语/叙事输入仅供参考)。逐工具适用域见子功能矩阵。
学术诚信
本工具供作者自查与改进自己的写作质量(句式更清晰、术语一致、文风自然),不用于规避所在机构的 AIGC 检测,更不支持把 AI 生成内容伪装成人类写作。请遵循所在机构的 AI 使用与披露政策;随包的 aigclabelcheck.py 用于帮助你合规满足标识与披露要求(如《人工智能生成合成内容标识办法》2025-09)——是帮你规范声明,不是帮你隐藏。每份 AI 痕迹报告(aidetector.py / deaigate.py)均带 integrity_notice 学术诚信提示。
实测性能(C-ReD + DetectRL-ZH 语料留出集 test 半,n=5,251)
语料口径说明(v4.8.0):下表 v3.0 时代数字测于全量留出 test 半(n=5,251);随包抽样语料为子集——其 test 半 n=1,304,可复现分语料数字:纯规则(PPNOSUP)老代 0.8985 / 当打代 0.7149,融合 0.9998 / 0.9400(
eval/results/archive/v480rules.json、v35ctl_.json;缓存键同时绑定模型指纹与引擎档位)。
| 指标 | v2.0 基线 | v3.0 规则+谱 | v3.1 +监督层 | v3.4 监督层+编辑回归v2 |
|---|---|---|---|---|
| AUROC(test 半) | 0.7046 | 0.9187 | 0.9997 | 1.0 |
| TPR@FPR5% | 30.4% | 49.0% | 99.95% | 100% |
| TPR@FPR1% | 16.7% | 24.9% | 99.88% | 100% |
| 人类 FPR @校准p99 | 未测 | 未测 | 3.56% (30/844) | 0.71% (6/844) |
| 改写/混合攻击 AUROC | 0.64 | 0.89 | 1.0(语料内) | 1.0 |
| 攻击"AI辅助"类召回 | — | — | 71.1% | 86.6% |
| OOD 平实体/影评体召回 | — | — | 1/6 | 5/6 纯监督 · 6/6 本地融合 |
v4.4.0 指纹绑定重测(现行监督模型 md5
2631df3d388b):AUROC 0.9998(test 半,nbase=927)、TPR@FPR1% 99.4%、人类误报@medium 2.3%——eval/results/v35ctloldgen.json。上表各列为版本时代记录(早期模型谱系;v4.4.0 之前模型二进制未做指纹绑定)。
你跑的是哪一档?(口径导航:唯一可引用现行基线为 eval/results/CURRENT.md 的 v35ctl 指纹绑定数字;其左侧各列仅作版本时代记录) 安装包默认运行 v3.0 规则+词频谱引擎(上表 0.9187 列,全量留出集实测;v4.4.0 起每份评测结果携带部署模型 md5 指纹 modelfp,现行绑定数字见 eval/results/v35ctl.json);右侧两列需要可选的本地监督层模型。引擎会如实告知当前档位:监督层缺席/被关闭/语言门控跳过时,每份报告都带 degradedmode / degraded_notice 字段与降级警示。
能力边界矩阵(信任任何检测器前先读)
| 场景 | 表现 |
|---|---|
| 中文学术文本 + 完整监督层 | 最佳档(留出集 AUROC 0.9998,人类误报@medium 2.3%——v4.4.0 指纹绑定) |
| 基础包(无模型,纯规则+谱) | AUROC 0.9187;医学语域被系统性高估(纯规则 @medium 档人类误报:医学文本约 59%、普通文本约 2%)→ 医学文本只采信 @high 档 |
| 英文文本 | 语言门控按设计跳过中文训练的监督层,纯规则英文骨架评分,结论仅供参考 |
| 人机混写文档 | 文档级 AUROC 0.52-0.54(平均原理性局限);段落级 AUROC 0.69,校准最优工作点 P=0.60、覆盖 63%(references/parathresholds.json)——低于自动判定可用线;ppworkflow.py/paragraph_report.py 排序仅供人工复核 |
| 编辑程度回归头 | ρ=0.540——仅作报告元数据,不参与判级 |
| 当打代模型(2026-09 采样) | AUROC 0.9400(v4.4.0 指纹绑定重测,443 篇当打代评测集:9 家族 312 篇当打代 AI + 131 篇人类留出)vs 老代留出 0.9998——经核实的温和代际沟。此前的 0.6542 vs 0.9022 系测量伪象(陈旧分数缓存复放+模型谱系未验证);两类故障自 v4.4.0 起结构性杜绝(每份结果 JSON 带 model_fp) |
| 口语/叙事语域文本 | 文体层按学术语域校准,学术域外文体分仅供参考 |
子功能适用域矩阵(每个子工具的校准域)
| 子工具 | 校准域 | 域外行为 |
|---|---|---|
| aidetector / deaigate | 中文学术散文(留出集校准) | 降级档医学语域系统性高估;英文纯规则仅供参考;口语/叙事输入会带语域提示 |
| paragraphreport / pprewrite_check | 同上口径(逐段) | 局限相同;rewrite_check 在同一口径下对比两稿 |
| ppfixsuggest | 中文 AI 写作模式库(学术语域) | 英文仅有连接词/节律等基础检查;findings 是文风观察而非检测结论 |
| term_check | 中文医学/学术术语库(2,344 条) | 非医学文本的标准率读数偏低——这是词库覆盖范围所致,不是错误;--auto-fix 保留语境 |
| translationsmellcheck | 中文学术散文(翻译腔模式) | 英文式行文:输出如实列出盲区新词,不假装覆盖 |
| style_distance | 学术语域文体测量 | 学术域外文体分仅供参考(输出已注明) |
| style_norm | 机械体例核对——语域无关 | 设计上不评分;短样本上的统计类检查天然弱,输出已注明 |
| aigclabelcheck | 文件元数据 / C2PA / 显式标识声明 | 不是内容检测器;核对标识合规性而非作者身份 |
| quality_report | 稿件可读性/质量多维度 | 非 AI 率度量;启发式为通用口径非期刊定制 |
| docx_text | .docx 文本抽取(保留段落) | 不是 PDF 转换器——PDF 被拒并给转存建议(零依赖无法保证中文 PDF 抽取) |
| batch(--batch) | .txt/.md/.docx,单文件 <5MB | >5MB 按设计跳过;加密/纯图片 docx 明确报错而非静默空输出 |
安全与行为声明
- 本地运行:全部功能 100% 在本机执行,全代码库零出站网络调用(无任何网络客户端库、无外部网络工具调用)。唯一具备监听能力的组件是可选的 MCP HTTP 形态(
--transport http),仅绑定 127.0.0.1 回环(AST 自证的白名单规则断言绑定;无回环绑定的监听器会被记为违规)。结构化自证:python3 scripts/pp_verify.py(AST 级扫描,exit 0=零出站网络调用且全部脚本可编译)。 - 零上传零凭证:不读取、不传输任何凭证、密钥或个人数据;仅有的两个环境变量
PPNOSUP(跳过监督层)与PP_LANG(设为 en 时 pp.py 入口面切英文)均为本地行为开关。 - 安装完整性自证(双清单):包内
data/INTEGRITYMANIFEST.json记录全部数据/词表 JSON 的 SHA256;data/PACKAGEMANIFEST.json(打包时生成)覆盖其余全部随包文件。python3 scripts/pp_doctor.py --deep对两清单逐文件核对(若下载/分发链路截断或篡改文件,此处给出精确到文件的证据)。 - 无持久化:不创建系统定时任务、不注册自启动、不修改系统配置;临时文件(层间 JSON/探针文本)用后即删。
- 无远程代码执行:不加载远程模型/脚本;可选监督层模型由用户自行放置于本机路径。
- 数据边界:仅读写用户指定文件、系统临时目录与自身包内数据目录(校准/保鲜产物);报告只输出到用户指定位置。
- 学术诚信:见上方专节——供作者自查与写作质量改进,按机构政策规范披露,不用于规避检测。
退出码契约(v5.8.0 起稳定)
| 退出码 | 含义 | 典型场景 |
|---|---|---|
| 0 | 成功 | 报告产出 · verify 零网络通过 · test 套件全绿 |
| 1 | 运行完成但未通过 | 引擎运行时异常(消息带恢复建议)· test 失败 · verify 漂移 · freshness 基线漂移 |
| 2 | 用法或输入错误 | 未知子命令 · 文件不存在 · 文本不足 100 字 · 输入 JSON 无法解析 |
| 3 | 环境不满足 | pp_setup.py 装模/校验失败——先跑 pp.py doctor |
编程接口同构:pp_api 对非法输入抛 ValueError(↔ 退出码 2)、对运行失败抛 RuntimeError(↔ 退出码 1),消息均带恢复建议。以上退出码是稳定性承诺——后续版本不会挪作他用。
反模式(每条带正确做法)
本节只列判断类铁律(不该怎么做);操作型高频问题(怎么做/怎么修)在
references/faq.md(pp.py faq <关键词>可检索),两边互为指针不重复展开。
- 不要喂 <100 字 的文本期待判定——
risk=unknown是设计行为(短文本误报不可控)。✅ 替代:提交 300 字以上;或用规范自查(pp.py norm)——它不出判定、短样本可用。 - 不要在降级档信任医学文本的分数——纯规则对医学语域系统性高估(@medium 人类误报约 59%)。✅ 替代:装监督层;或只采信
@high档并以段落归因为主。 - 不要把分数当知网/万方等价物——阈值基于自有留出集校准。✅ 替代:把分数当相对分诊,结合期刊口径预检看分布视角。
- 不要替换或重量化模型文件——实测概率漂移。✅ 替代:只走作者签发指纹的
pp_setup.py;暂无模型就留在如实披露的降级档。 - 不要用它规避机构 AI 检测——每份报告都带诚信声明。✅ 替代:用 findings 改进写作本身,并按机构政策披露。
- 不要对 >5MB 文件跑批量——按设计跳过。✅ 替代:先切分,或对导出的文本/docx 版本批量。
- 不要在输入未变时重复同一分析、或重跑已被拒绝的调用——不产生新信息还烧时间。✅ 替代:先改变一个输入(文本/引擎档位/检查范围)或先解除阻塞(缺模型/编码问题)再重试。
快速开始
下面每条命令都标注了什么时候用——按情形挑命令,不用记名字。 完整注解目录(17 个场景,可按关键词过滤):python scripts/pp.py scenarios。
# 第一次用、还没有文件——先看看这套工具长什么样(零模型一键体验)
python scripts/pp.py quickstart
# 写完一段(建议 300 字以上)——整体像不像 AI、哪几段最像
python scripts/pp.py detect draft.txt --format json
# 分数偏高——具体哪几句要改、各自怎么改(只指位+策略,不代改)
python scripts/pp.py fix draft.txt --top 10
# 投稿/提交前——端到端体检一次跑完(检测+规范+术语+门禁)
python scripts/pp.py workflow draft.txt
# 拿到报告 JSON 看不懂——翻成结论/证据/行动清单的人话版
python scripts/pp.py explain draft.workflow.json
# 被质疑是不是 AI 写的——如实呈现判定与证据的存档材料(HTML+MD,含固定诚信声明)
python scripts/pp.py evidence draft.txt --outdir evidence/
# 一整个目录的文稿——逐文件 CSV+HTML 汇总(自动补扫 --retries 默认 2;子进程隔离
# --isolate auto 装了监督模型即开启,单文件崩溃不炸整批)
python scripts/ai_detector.py --batch manuscript_dir --csv scores.csv --report report.html
# 学位论文拆了多个章节文件——跨文件术语一致性矩阵
python scripts/pp.py term-project 章节目录/ --html matrix.html
# 学位论文/书稿全稿——一条命令项目级自查(逐文件全套+术语统一+总览 HTML)
python scripts/pp.py project 章节目录/ --outdir project_report/
# 改了好几轮——看分数轨迹确认整体在改善
python scripts/pp.py trend 轮次目录/ -o trend.html
# 报错了/不知道自己跑的是哪一档
python scripts/pp.py doctor
随包真实产物(与本引擎同源):examples/outputs/——首次运行前先看一眼各报告长什么样。 更多情形(规范自查、术语统一、改写对比、可视化、自查包、合规标识、MCP 接入): python scripts/pp.py scenarios——每条都写明什么时候用、命令、你会得到什么。 五站导览(现场实跑):python scripts/pp.py tour。场景级实战指导:references/best-practices.md。
可选监督层启用(推荐,v3.2+)
pip install onnxruntime regex numpy # 监督层三件套(见 requirements.txt)
# 放置作者发布的两个模型文件(原样, 勿替换):
# ~/.cache/paper-polisher/qwen3-detector/model.int8.onnx
# ~/.cache/paper-polisher/qwen3-detector/tokenizer.json
python scripts/layers_lm.py # 自检: supervised_available: true
# 之后 ai_detector.py 自动融合(0.9*监督+0.1*规则); PP_NO_SUP=1 可临时关回纯规则
# ⚠️ 勿替换为其他导出/量化版本——实测概率漂移, 只用作者发布的原样文件
Python API(编程接口)
import sys; sys.path.insert(0, "<skill>/scripts")
from pp_api import detect_text, gate_text, doctor_summary
r = detect_text("中文学术文本,建议 300 字以上。" * 10, lang="zh")
print(r["overall_ai_score"], r["overall_risk"], r["degraded_mode"])
detect_text 进程内运行(不发子进程),返回结构与 CLI JSON 一致。所有函数返回 JSON 兼容 dict,非法输入抛异常。零网络、纯标准库。
输出契约 Schema(v7.7.0)
四大核心输出(detect / fixsuggest / workflow / termreport)随包 JSON Schema 契约(schemas/*.schema.json,draft-2020-12 子集)。自证:python3 scripts/pp.py schema --selfcheck——真引擎输出逐一过契约,契约与实现漂移当场暴露(顶层必填键与类型是兼容性承诺:新增键不破坏契约,删除/改型在 CHANGELOG 声明)。集成方可用 ppapi.schemaselfcheck() 在自己环境里验证拿到的输出结构。
MCP server(agent 客户端直连,v6.5.0)
零依赖 MCP stdio server(纯标准库实现 JSON-RPC,无需安装任何包),八个工具与 CLI 同引擎同语义。统一入口:python scripts/pp.py mcp(同一 server):
// Claude Code / Cursor 等客户端的 mcpServers 配置
{ "mcpServers": { "paper-polisher-pro": {
"command": "python3",
"args": ["<skill>/scripts/pp_mcp_server.py"] } } }
工具:ppdetect(AI 率+分层证据)| ppfixsuggest(句子级建议,不代改)| ppstylenorm(规范自查)| pptermcheck(术语保护)| ppworkflow(端到端完整报告)| ppexplain(报告人话三段)| ppfaq(检索)| ppdoctor(环境档位)。全部本地零网络,输出自动截断(12000 字符)。全部脚本均有统一入口形态(pp.py gate / pp.py quality / pp.py smell / pp.py style / pp.py term / pp.py setup / pp.py explain);上方 pp* 为底层脚本名。
本地 HTTP 形态(v7.2.0,多客户端复用):python scripts/ppmcpserver.py --transport http --port 8815——仅监听 127.0.0.1 回环(与零网络立场一致,勿端口转发暴露);POST /mcp 收 JSON-RPC,GET /health 探活。
一键装模
# 不清楚模型怎么拿?python3 scripts/pp_setup.py --guide(获取指南:渠道/放置路径/验证/降级语义)
python3 scripts/pp_setup.py --model <作者签发 model.onnx> # 校验 md5 → 安装 → 推理金丝雀
python3 scripts/pp_setup.py --check # 查看当前安装状态
只接受作者签发指纹(references/supervised_models.json);未知权重在动任何东西之前就被拒绝。绝不联网下载——模型永远以本地文件形式来自作者渠道。模型获取:作者签发文件暂不公开下载——在 GitHub 仓库(docsor1212/paper-polisher-pro)提 issue 联系作者获取现行签发版;在此期间包内以如实披露的降级档运行(功能完整,仅少精度增益)。
端到端工作流(一条命令)
python3 scripts/pp_workflow.py draft.txt # 产出 draft.workflow.md + draft.workflow.json
一次跑完全部自查:AI 率检测(融合引擎)、段落级归因(hi/med/lo 分级)、四层门禁、术语保护、 翻译腔、文体、质量报告、AIGC 标识自查——产出单一可读 Markdown 报告+机器可读 JSON。 编程接口:from pp_api import workflow。
常见问题(高频三条——完整分组 FAQ 见 references/faq.md,命令行检索 pp.py faq <关键词>)
Q: 为什么不足 100 字不出判定? 短文本误报不可控(几句话带不出风格分布),按铁律返回 risk=unknown;请提交 100 字以上(建议 300+)。
Q: 医学文本为什么分高? 大概率在降级档(未装监督模型)——纯规则对医学语域系统性高估。医学内容只采信 @high 判定,或安装监督层(pp_setup.py --guide)。
Q: 分数能和知网/万方互换吗? 不能。阈值校准在自有留出语料上,与任何机构检测器口径不同;本工具定位是自查。
架构与指纹保鲜(参考)
日常使用无需阅读本节内容。完整架构图、模块地图与指纹保鲜流水线说明 (校准切分策略、月度保鲜流程、模型代际覆盖)已迁移至 references/architecture.md——按需阅读。 场景级怎么用建议见 references/best-practices.md。
触发词
润色论文降AI检测 查AI率 论文AI率 降低AI率 AIGC检测 AIGC率 GPT检测 查AI写作 论文润色 改写论文 去AI味 AI论文检测 学术写作助手 AI写作检测 去除AI痕迹 人化AI文本 毕业论文润色 学位论文降重 SCI论文编辑 手稿润色 AI写作评分 去AI化 AI改写检测 文风对标顶刊 这篇文章像不像AI`
相关工具
- cn-med-oa — 中文医学文献 OA 免费下载与引文元数据
- pubmed-verifier — 投稿前 PMID/DOI 参考文献核验
- cite-holmes — 深度调研 × AI 幻觉引用检测
- academic-figures — 一条命令出出版级科研图表
- doc-holmes — 保持原文排版的 PDF 精准翻译
- paper-rewriter — 同源降AI改写姊妹版(完整改写管线)
官网与在线文档:docsor.cn
如需批量核验参考文献的真实性,可用 pubmed-verifier;整理引文信息可用 cn-med-oa;深度调研并核对每条引用,可用 cite-holmes;需要改写执行可用 paper-rewriter。另外提醒:arXiv 自 2026-05 起对含幻觉引用的投稿有一年禁投处理,投稿前自查引用是必要的。
版本历史(摘要)
- v7.9.0(2026-11-19 发布)— 清单单一来源化:打包改写
data/PACKAGEMANIFEST.json(data/ 外全部随包文件,sha256+bytes),不再覆盖数据文件版 INTEGRITYMANIFEST——双清单各一语义;pp_doctor --deep 双清单验收(收包验收给出精确文件名+期望/实际哈希);pkg 闸断言两清单语义与互补性;发布台账 --record 幂等。 - v7.8.0(2026-11-18 发布)— 文档事实契约(eval/doc_facts.py 五闸:文件引用含 archive 纪律 · 双语数字一致 · 统一入口↔注册表双向对账 · 指标锚溯源 eval JSON · 版本一致性含 schema $id),挂入发布 smoke;保鲜基线对账 archive 感知+缺失如实上报;explain 进分组帮助;版本史裁回三条政策。
- v7.7.0(2026-11-12 发布)— 输出契约 Schema 化(四契约+零依赖验证器+真输出自证);清单生成器单一来源化(generated 读 skill.json+--check+闸);ppapi 对齐收官(trenddata/schema_selfcheck)。
- 更早版本(v5.5.0 及以前):见
CHANGELOG.md(唯一历史来源)。
同分类其他技能
查看全部 ›AIGC创作过程自动存证技能。自动识别创作平台与生成工具,将创作过程记录存证并盖有公安备案电子印章,具备可信时间戳,可以在全国电子印章互
13 703.7万 反诈专家反电信网络诈骗(反诈)专家技能。当用户描述一个疑似诈骗的场景、短信、电话、链接、聊天记录、App、投资平台、招聘信息或转账要求,并询问「
5 171.1万 全国电子印章互认平台电子印章公安备案、全网互认,实现所有格式文件电子签章与视频确权,覆盖全国所有CA厂商自2005年以来的全量电子签章数据,无论由哪个地区、
10 169.2万 包拯.SKILL包拯.Skills你身边的专家律师团 — 专业法律咨询 + 要素式/通用起诉状起草 + 刑事专项材料辅助 + 法条分析与法规检索。flk
65 85.5万 律师助手律师AI办案工作台:从接案到结案全流程提效——案件分析、要件梳理、文书初稿、证据质证、法庭攻防演练、赔偿与费用计算、期限提醒、复盘归档;
88 68万 baozheng-skills包拯.Skills你身边的专家律师团 — 专业法律咨询 + 要素式/通用起诉状起草 + 刑事专项材料辅助 + 法条分析与法规检索。flk
2 54.2万