Codex Skills Collection 🚀

让 AI 成为你的学术写作助手，而不是冷冰冰的代码机器 ✨

这个仓库有什么用？ 🤔

这个仓库源于我使用 Codex 的日常需求。写论文不是单点任务，而是一条从构思、实验、写作、审稿到 rebuttal 的长链路；每一步都需要 AI 有边界、有证据、懂学术表达。因此这个仓库把 AI Agent 工作协议 + 学术写作 Skills 组织成当前 7 个模块、27 个可触发 Skills：

• ✍️ 论文写作主链路：从材料、claim 和实验结果生成论文计划、Markdown 草稿、LaTeX 分章节成稿、编译检查和完整写作流程。
• 📊 图表与实验表达：围绕实验图、表格、caption、架构参考图和结果分析，帮助把 evidence 表达清楚。
• 🧪 实验验证与 Claim 管理：规划实验、判断结果是否支撑 claim、设计 ablation，并核对论文数字和证据一致性。
• 🔄 翻译与润色：处理中英翻译、段落润色、全文级精修和交互式 polish，让表达更稳、更准。
• 🔍 审稿与投稿检查：从 reviewer、期刊/会议格式和引用真实性角度检查投稿前硬伤。
• ∑ 理论与证明：梳理公式推导、撰写证明、检查 theorem/lemma/proof 的逻辑闭合性。
• 💌 Rebuttal：拆解评审意见、制定回应策略、生成和审查正式 rebuttal。

一句话：让 AI 干活，不让 AI 乱干活。 🎯

---

仓库内容一览 📦

1. AGENTS.md — AI 工作协议 🤖

整个项目的"总规矩"，基于 oh-my-codex 定义了 Codex Agent 的工作姿态：

• 核心姿态：有证据才说话，不确定就问，不瞎猜不硬编
• Agent 规范：双角色分工执行，内置通用任务和两个专用场景
• 决策纪律：多个理解方向时先问用户，不偷偷选一个
• 简洁原则：最小改动解决问题，不多加功能不多写代码
• 手术式修改：只改需要的，不改旁边的
• 验证闭环：改完要验证，不能嘴上说"好了"

执行任务时默认在三种场景中选择，每种场景都有 架构师 + 执行者 双角色分工，避免一个Agent既规划又干活容易翻车。论文相关任务遵循 paper architect/reviewer + paper executor 范式：前者负责审阅、诊断和计划，后者负责执行、验证和汇报，同时可调用对应的 skills 完成任务。

---

2. paper_skills 文件夹 — 论文相关的 Skills 📚

当前包含 7 个论文写作模块、30 个可触发 Skills，每个模块对应论文生产中的一段具体流程。迁入的论文工作流共享 paper_skills/shared-references/ 下的写作、引用、审计和输出协议，并统一使用相对路径引用这些协议。

✍️ 模块一：论文写作主链路（5 个）

把已有研究叙事、实验结果和大纲组织成可编译的论文初稿。

• paper-grill-me：在算法设计、实验规划和论文写作之前，通过逐问逐答形成或否定创新点，并把成功、失败或中止的思考过程记录到 paper/PAPER_IDEA_GRILL.md。
• paper-plan：从研究叙事、实验结果或现有材料生成论文大纲，锁定 2-3 个核心问题，明确 claims、evidence、Introduction Blueprint、章节结构、figure plan 和 citation plan。
• paper-write：根据 paper/PAPER_PLAN.md 或 PAPER_PLAN.md 先逐节生成完整 Markdown 草稿，再把最终内容写入一章一个 .tex 文件。
• paper-compile：编译 LaTeX、定位常见错误、循环修复，并检查 PDF、引用、页数和 stale section 文件。
• paper-writing：完整写作编排入口，串联 paper-plan → paper-figure → Markdown draft → LaTeX section files → paper-compile → paper-review → formal polish → optional human polish → audits。

📊 模块二：图表与实验表达（4 个）

把实验结果、算法结构和图表需求变成论文中能读懂的 visual evidence。

• paper-analysis：把实验数据转成 grounded 的 LaTeX 分析段落，或给出论文写作/模型选择建议。
• paper-figures-advise：做图表设计建议，负责实验图类型推荐、figure/table caption 和图表表达建议。
• paper-figure-archi：从代码或方法描述抽取算法框架，先展示 image-gen prompt，再直接用同一个 prompt 调用 imagegen 生成架构图参考图；深度学习默认 Transformer 风格。
• paper-figure：从实验结果生成 publication-quality plots、tables 和 LaTeX include 片段。

🧪 模块三：实验验证与 Claim 管理（5 个）

让实验、结论和论文表述之间形成闭环，避免“结果不支撑 claim”。

• experiment-plan：把方法或 idea 转成 claim-driven 的实验路线图，规划 baseline、ablation、指标、预算和 run order。
• experiment-result-to-claim：实验完成后判断结果支持哪些 claim、哪些 claim 证据不足，并路由到 confirm、supplement 或 pivot。
• experiment-ablation-planner：在主结果通过后，从审稿人视角设计必要、可执行、不过度堆叠的 ablation。
• experiment-claim-audit：核对论文中的数字、比较和 scope claim 是否严格匹配原始结果文件。
• paper-grill-with-docs：在实验完成且论文成稿后，以 Conclusion 为中心逐条调和 claim、科学支持、原始证据匹配和作者处理决定，不替代正式零上下文审计。

🔄 模块四：翻译与润色（6 个）

处理段落、章节和全文级表达，让论文语言更稳、更准、更像学术写作。

• paper-translate：中英双向翻译，支持中文到英文 LaTeX、英文 LaTeX 到中文，以及中文 Word 风格学术重写。
• paper-refine：段落级润色、缩短、扩写和去 AI 感重写，适合小范围文本修改。
• paper-refine-special-en：英文论文高强度全局润色，按结构、逻辑、表达和 reviewer-style pass 分阶段推进。
• paper-refine-special-zh：中文论文高强度全局润色，面向中文 Word 或中文 LaTeX，强调段落角色和章节推进。
• paper-polish-workflow：交互式润色流程，结构→逻辑→表达→一致性，分步确认后再改文字。
• paper-style-calibration：基于外部样本（用户已有论文、参考论文、风格描述）进行风格校准。支持 PDF、TeX、Markdown、Word 输入（优先使用可编辑格式），提取风格特征并安全应用到目标论文，同时保护所有事实内容不被迁移。推荐流程：paper-refine-special-en → paper-style-calibration → paper-polish-human。
• paper-polish-human：受控的人类风格后润色，在 Introduction、Related Work 和 Results 中增加克制性的自然表达，支持显式开启的微量语法瑕疵模式；需在正式润色（paper-polish-workflow / paper-refine-special-en / paper-refine-special-zh）之后使用。

🔍 模块五：审稿与投稿检查（3 个）

站在审稿人和投稿规范视角，检查论文是否有明显硬伤。

• paper-review：做致命逻辑问题扫描或 reviewer-style 拒稿风险报告，适合投稿前 final check。
• paper-journal-style：检查目标期刊/会议的 abstract、highlights、title、keywords、跨章节一致性和格式要求。
• citation-audit：检查 BibTeX 条目真实性、元数据准确性，以及引用上下文是否真的支持论文表述。

∑ 模块六：理论与证明（3 个）

面向理论线、公式推导和证明完整性，避免“看起来像证明但其实没闭合”。

• proof-formula-derivation：把零散公式、假设和推导目标整理成 paper-ready 的理论推导线。
• proof-writer：撰写或补全 theorem、lemma、proposition、corollary 的证明，并诚实标注不可证或需弱化的命题。
• proof-checker：审阅证明漏洞、缺失假设、逻辑断点和反例风险，并生成 proof audit。

💌 模块七：Rebuttal（3 个）

处理评审意见、回复策略和正式 rebuttal 文本，既要有力，也不能乱承诺。

• rebuttal-review：检查和改进已有 rebuttal 草稿，关注覆盖率、语气、证据和可提交性。
• rebuttal-writer：基于原文、review、问题合并和 rebuttal idea/to-do list，生成正式回复。
• rebuttal-pipeline：完整 rebuttal 流程，解析评审意见、拆分 concerns、制定策略、起草回复、做安全检查和 follow-up 管理。

---

怎么用？ 💡

方法一：直接引用

在 .codex 的项目目录下放置 AGENTS.md，AI 就会自动遵循这套协议。

方法二：按需调用 Skills

在对话中提到相关关键词，AI 就会触发对应的 Skill：

• “我还没有稳定 idea，请通过追问帮我形成或否定论文创新点” → 触发 paper-grill-me
• “基于 NARRATIVE_REPORT 写完整论文” → 触发 paper-writing
• “帮我翻译这段论文” → 触发 paper-translate
• “润色这个段落” → 触发 paper-refine
• “评审这篇论文” → 触发 paper-review
• “基于代码生成论文框架图参考” → 触发 paper-figure-archi
• “核对论文里的实验数字” → 触发 experiment-claim-audit
• “这是完整论文和实验材料，请逐条调和 Conclusion claim 与 evidence” → 触发 paper-grill-with-docs
• “帮我写 Rebuttal” → 触发 rebuttal-writer

方法三：分阶段确认

如果你比较谨慎，可以要求"分阶段润色"，AI 会先确认结构、再确认逻辑、最后改文字，每步都让你点头再继续。

---

参考与致谢 🙏

本项目参考了以下优秀仓库：

感谢这些项目作者的辛勤工作！🌟

---

最后说两句 💬

这套东西不是要替代你写论文，而是帮你 少走弯路、少翻车。AI 懂规矩了，你就能更放心地让它干活。

欢迎 Star ⭐、Fork 🍴、提 Issue 💬！

---

让 AI 成为你的好搭档，而不是你的新麻烦 🤝