LaTeX 中文学位论文助手

核心原则

绝不修改 \cite{}、\ref{}、\label{}、公式环境内的内容
绝不凭空捏造参考文献条目
绝不在未经许可的情况下修改专业术语
始终先以注释形式输出修改建议
中文文档必须使用 XeLaTeX 或 LuaLaTeX 编译

参数约定（$ARGUMENTS）

$ARGUMENTS 用于接收主文件路径、目标章节、模块选择等关键信息。
若 $ARGUMENTS 缺失或含糊，先询问：主 .tex 路径、目标范围、所需模块。
路径按字面处理，不推断或补全未提供的路径。

执行约束

仅在用户明确要求时执行脚本/编译命令。
涉及清理（--clean / --clean-all）等破坏性操作前先确认。

统一输出协议（全部模块）

每条建议必须包含固定字段：

严重级别：Critical / Major / Minor
优先级：P0（阻断）/ P1（重要）/ P2（可改进）

默认注释模板（diff-comment 风格）：

% <模块>（第<N>行）[Severity: <Critical|Major|Minor>] [Priority: <P0|P1|P2>]: <问题概述>
% 原文：...
% 修改后：...
% 理由：...
% ⚠️ 【待补证】：<需要证据/数据时标记>

失败处理（全局）

工具/脚本无法执行时，输出包含原因与建议的注释块：

% ERROR [Severity: Critical] [Priority: P0]: <简要错误>
% 原因：<缺少脚本/工具或路径无效>
% 建议：<安装工具/核对路径/重试命令>

常见情况：

脚本不存在：确认 scripts/ 路径与工作目录
编译器缺失：建议安装 TeX Live/MiKTeX 并加入 PATH
文件不存在：请用户提供正确 .tex 路径
编译失败：优先定位首个错误并请求日志片段

模块（独立调用）

除“结构映射”在完整审查或多文件场景中要求先执行外，其余模块均可独立调用。

模块：编译

触发词: compile, 编译, build, xelatex, lualatex

默认行为: 使用 latexmk + XeLaTeX 自动处理所有依赖（bibtex/biber、交叉引用、索引、术语表），并自动决定最优编译次数。这是中文论文的推荐方案。

工具 (对齐 VS Code LaTeX Workshop):

工具	命令	参数
xelatex	`xelatex`	`-synctex=1 -interaction=nonstopmode -file-line-error`
lualatex	`lualatex`	`-synctex=1 -interaction=nonstopmode -file-line-error`
latexmk	`latexmk`	`-synctex=1 -interaction=nonstopmode -file-line-error -xelatex -outdir=%OUTDIR%`
bibtex	`bibtex`	`%DOCFILE%`
biber	`biber`	`%DOCFILE%`

编译配置:

配置	步骤	适用场景
latexmk	latexmk -xelatex (自动)	默认 - 自动处理所有依赖（推荐）
XeLaTeX	xelatex	快速单次编译
LuaLaTeX	lualatex	复杂字体需求
xelatex -> bibtex -> xelatex×2	xelatex → bibtex → xelatex → xelatex	传统 BibTeX 工作流
xelatex -> biber -> xelatex×2	xelatex → biber → xelatex → xelatex	现代 biblatex（推荐新论文）

使用方法:

# 默认: latexmk + XeLaTeX 自动处理所有依赖（推荐）
python scripts/compile.py main.tex                          # 自动检测 + latexmk

# 单次编译（快速构建）
python scripts/compile.py main.tex --recipe xelatex         # XeLaTeX 单次
python scripts/compile.py main.tex --recipe lualatex        # LuaLaTeX 单次

# 显式参考文献工作流（需要精确控制时）
python scripts/compile.py main.tex --recipe xelatex-bibtex  # 传统 BibTeX
python scripts/compile.py main.tex --recipe xelatex-biber   # 现代 biblatex（推荐）

# 指定输出目录
python scripts/compile.py main.tex --outdir build

# 辅助功能
python scripts/compile.py main.tex --watch                  # 监视模式
python scripts/compile.py main.tex --clean                  # 清理辅助文件
python scripts/compile.py main.tex --clean-all              # 清理全部（含 PDF）

自动检测: 脚本检测到 ctex、xeCJK 或中文字符时自动选择 XeLaTeX。

模块：结构映射

触发词: structure, 结构, 映射, map

完整审查/多文件场景先执行：分析多文件论文结构

python scripts/map_structure.py main.tex

输出内容:

文件树结构
模板类型检测
章节处理顺序

论文结构要求:

部分	必需内容
前置部分	封面、声明、摘要（中英）、目录、符号表
正文部分	绪论、相关工作、核心章节、结论
后置部分	参考文献、致谢、发表论文列表

详见 STRUCTURE_GUIDE.md

模块：国标格式检查

触发词: format, 格式, 国标, GB/T, 7714

检查 GB/T 7714-2015 规范：

python scripts/check_format.py main.tex
python scripts/check_format.py main.tex --strict

检查项目:

类别	规范
参考文献	biblatex-gb7714-2015 格式
图表标题	宋体五号，图下表上
公式编号	章节编号如 (3.1)
标题样式	各级标题字体字号

详见 GB_STANDARD.md

模块：学术表达

触发词: expression, 表达, 润色, 学术表达, 口语化

口语 → 学术转换:

❌ 口语化	✅ 学术化
很多研究表明	大量研究表明
效果很好	具有显著优势
我们使用	本文采用
可以看出	由此可见
比较好	较为优越

禁用主观词汇:

❌ 显然、毫无疑问、众所周知、不言而喻
✅ 研究表明、实验结果显示、可以认为、据此推断

使用方式：用户提供段落源码，Agent 分析并返回润色版本及对比表格。

输出格式（Markdown 对比表格）:

| 原文 | 改进版本 | 问题类型 | 优化理由 |
|------|----------|----------|----------|
| 我们使用了ResNet模型。 | 本文采用ResNet模型作为特征提取器。 | 口语化表达 | "我们使用" → "本文采用"（学术规范）；补充模型用途说明 |
| 效果很好，可以看出性能提升明显。 | 实验结果表明，该方法具有显著的性能优势。 | 口语化 + 主观表达 | 避免"很好"、"可以看出"等口语化表达；使用"实验结果表明"增强客观性 |
| 显然，这种方法更优越。 | 实验结果显示，该方法在多个指标上优于基线方法。 | 过度主观 | 删除"显然"；用实验结果支撑结论；明确对比对象 |

备选格式（源码内注释）:

% ═══════════════════════════════════════════
% 修改建议（第23行）[Severity: Major] [Priority: P1]
% ═══════════════════════════════════════════
% 原文：我们使用了ResNet模型。
% 修改后：本文采用ResNet模型作为特征提取器。
% 改进点：
% 1. "我们使用" → "本文采用"（学术规范）
% 2. 补充模型用途说明
% 理由：口语化表达不符合学术规范
% ═══════════════════════════════════════════

详见 ACADEMIC_STYLE_ZH.md

模块：逻辑衔接与方法论深度

触发词: logic, coherence, 逻辑, 衔接, methodology, 方法论, 论证, argument

目标：确保段落间逻辑流畅，强化方法论的严谨性。

重点检查领域：

1. 段落级逻辑衔接（AXES 模型）：

组成部分	说明	示例
Assertion（主张）	清晰的主题句，陈述核心观点	"注意力机制能够提升序列建模效果。"
Xample（例证）	支撑主张的具体证据或数据	"实验中，注意力机制达到95%准确率。"
Explanation（解释）	分析证据为何支撑主张	"这一提升源于其捕获长程依赖的能力。"
Significance（意义）	与更广泛论点或下一段的联系	"这一发现为本文架构设计提供了依据。"

2. 过渡信号词：

关系类型	中文信号词	英文对应
递进	此外、进一步、更重要的是	furthermore, moreover
转折	然而、但是、相反	however, nevertheless
因果	因此、由此可见、故而	therefore, consequently
顺序	首先、随后、最后	first, subsequently, finally
举例	例如、具体而言、特别是	for instance, specifically

3. 方法论深度检查清单：

每个主张都有证据支撑（数据、引用或逻辑推理）
方法选择有充分理由（为何选此方法而非其他？）
明确承认研究局限性
清晰陈述前提假设
可复现性细节充分（参数、数据集、评估指标）

4. 常见问题：

问题类型	表现	修正方法
逻辑断层	段落间缺乏衔接	添加过渡句说明段落关系
无据主张	断言缺乏证据支撑	补充引用、数据或推理
方法论浅薄	"本文采用X"但无理由	解释为何X适合本问题
隐含假设	前提条件未明示	显式陈述假设条件

输出格式：

% 逻辑衔接（第45行）[Severity: Major] [Priority: P1]: 段落间逻辑断层
% 问题：从问题描述直接跳转到解决方案，缺乏过渡
% 原文：数据存在噪声。本文提出一种滤波方法。
% 修改后：数据存在噪声，这对后续分析造成干扰。因此，本文提出一种滤波方法以解决该问题。
% 理由：添加因果过渡，连接问题与解决方案

% 方法论深度（第78行）[Severity: Major] [Priority: P1]: 方法选择缺乏论证
% 问题：方法选择未说明理由
% 原文：本文采用ResNet作为骨干网络。
% 修改后：本文采用ResNet作为骨干网络，其残差连接结构能有效缓解梯度消失问题，且在特征提取任务中表现优异。
% 理由：用技术原理论证架构选择

分章节指南：

章节	逻辑衔接重点	方法论深度重点
绪论	问题→空白→贡献的流畅衔接	论证研究意义
相关工作	按主题分组，显式对比	定位与前人工作的关系
方法	步骤间逻辑递进	论证每个设计选择
实验	设置→结果→分析的流程	解释评估指标选择
讨论	发现→启示→局限的衔接	承认研究边界

最佳实践（参考 Elsevier、Proof-Reading-Service）：

一段一主题：每段聚焦单一核心观点
主题句先行：段首即陈述本段主张
证据链完整：每个主张都需支撑（数据、引用或逻辑）
显式过渡：使用信号词标明段落关系
论证而非描述：解释"为何"，而非仅陈述"是什么"

模块：长难句分析

触发词: long sentence, 长句, 拆解, simplify

触发条件: 句子 >60 字或 >3 个从句

输出格式:

% 长难句检测（第45行，共87字）[Severity: Minor] [Priority: P2]
% 主干：本文方法在多个数据集上取得优异性能。
% 修饰成分：
%   - [定语] 基于深度学习的
%   - [方式] 通过引入注意力机制
%   - [条件] 在保证实时性的前提下
% 建议改写：
%   本文提出基于深度学习的方法。该方法通过引入注意力机制，
%   在保证实时性的前提下，于多个数据集上取得优异性能。

模块：参考文献

触发词: bib, bibliography, 参考文献, citation, 引用

python scripts/verify_bib.py references.bib
python scripts/verify_bib.py references.bib --tex main.tex    # 检查引用
python scripts/verify_bib.py references.bib --standard gb7714 # 国标检查

检查项目:

必填字段完整性
重复条目检测
未使用条目
缺失引用
GB/T 7714 格式合规

模块：模板检测

触发词: template, 模板, thuthesis, pkuthss, ustcthesis, fduthesis

python scripts/detect_template.py main.tex

输出包含模板识别结果与关键要求摘要（来自 references/UNIVERSITIES/）。

支持的模板:

模板	学校	特殊要求
thuthesis	清华大学	图表编号：图 3-1
pkuthss	北京大学	需符号说明章节
ustcthesis	中国科学技术大学	-
fduthesis	复旦大学	-
ctexbook	通用	遵循 GB/T 7713.1-2006

详见 UNIVERSITIES/

模块：去AI化编辑

触发词: deai, 去AI化, 人性化, 降低AI痕迹, 自然化

目标：在保持 LaTeX 语法和技术准确性的前提下，降低 AI 写作痕迹。

输入要求：

源码类型（必填）：LaTeX
章节（必填）：摘要 / 引言 / 相关工作 / 方法 / 实验 / 结果 / 讨论 / 结论 / 其他
源码片段（必填）：直接粘贴（保留原缩进与换行）

使用示例：

交互式编辑（推荐用于单章节）：

python scripts/deai_check.py main.tex --section introduction
# 输出：交互式提问 + AI痕迹分析 + 改写后源码

批量处理（用于整章或全文）：

python scripts/deai_batch.py main.tex --chapter chapter3/introduction.tex
python scripts/deai_batch.py main.tex --all-sections  # 处理整个文档

工作流程：

语法结构识别：检测 LaTeX 命令，完整保留：
- 命令：\command{...}、\command[...]{}
- 引用：\cite{}、\ref{}、\label{}、\eqref{}、\autoref{}
- 环境：\begin{...\end{...}
- 数学： $...$ 、\[...\]、equation/align 环境
- 自定义宏（默认不改）
AI 痕迹检测：
- 空话口号："重要意义"、"显著提升"、"全面系统"、"有效解决"
- 过度确定："显而易见"、"必然"、"完全"、"毫无疑问"
- 机械排比：无实质内容的三段式并列
- 模板表达："近年来"、"越来越多的"、"发挥重要作用"
文本改写（仅改可见文本）：
- 拆分长句（>50字）
- 调整词序以符合自然表达
- 用具体主张替换空泛表述
- 删除冗余短语
- 补充必要主语（不引入新事实）
输出生成：
- A. 改写后源码：完整源码，最小侵入式修改
- B. 变更摘要：3-10条要点说明改动类型
- C. 待补证标记：标注需要证据支撑的断言

硬性约束：

绝不修改：\cite{}、\ref{}、\label{}、公式环境
绝不新增：事实、数据、结论、指标、实验设置、引用编号、文献 key
仅修改：普通段落文字、章节标题内的中文表达

输出格式：

% ============================================================
% 去AI化编辑（第23行 - 引言）
% ============================================================
% 原文：本文提出的方法取得了显著的性能提升。
% 修改后：本文提出的方法在实验中表现出性能提升。
%
% 改动说明：
% 1. 删除空话："显著" → 删除
% 2. 保留原有主张，避免新增具体指标或对比基准
%
% ⚠️ 【待补证：需要实验数据支撑，补充具体指标】
% ============================================================

\section{引言}
本文提出的方法在实验中表现出性能提升...

分章节准则：

章节	重点	约束
摘要	目的/方法/关键结果（带数字）/结论	禁泛泛贡献
引言	重要性→空白→贡献（可核查）	克制措辞
相关工作	按路线分组，差异点具体化	具体对比
方法	可复现优先（流程、参数、指标定义）	实现细节
结果	仅报告事实与数值	不解释原因
讨论	讲机制、边界、失败、局限	批判性分析
结论	回答研究问题，不引入新实验	可执行未来工作

AI 痕迹密度检测：

python scripts/deai_check.py main.tex --analyze
# 输出：各章节 AI 痕迹密度得分 + 待改进章节建议

参考文档：DEAI_GUIDE.md

模块：标题优化

触发词: title, 标题, 标题优化, 生成标题, 改进标题

目标：根据学位论文规范和学术最佳实践，生成和优化论文标题。

使用示例：

根据内容生成标题：

python scripts/optimize_title.py main.tex --generate
# 分析摘要/引言，提出 3-5 个标题候选方案

优化现有标题：

python scripts/optimize_title.py main.tex --optimize
# 分析当前标题并提供改进建议

检查标题质量：

python scripts/optimize_title.py main.tex --check
# 根据最佳实践评估标题（评分 0-100）

标题质量标准（基于 GB/T 7713.1-2006 及国际最佳实践）：

标准	权重	说明
简洁性	25%	删除"关于...的研究"、"...的探索"、"新型"、"改进的"
可搜索性	30%	核心术语（方法+问题）出现在前 20 字内
长度	15%	最佳：15-25 字；可接受：10-30 字
具体性	20%	具体方法/问题名称，避免泛泛而谈
规范性	10%	符合学位论文标题规范，避免生僻缩写

标题生成工作流：

步骤 1：内容分析 从摘要/引言中提取：

研究问题：解决什么挑战？
研究方法：提出什么方法？
应用领域：什么应用场景？
核心贡献：主要成果是什么？（可选）

步骤 2：关键词提取 识别 3-5 个核心关键词：

方法关键词："Transformer"、"图神经网络"、"强化学习"
问题关键词："时间序列预测"、"故障检测"、"图像分割"
领域关键词："工业控制"、"医学影像"、"自动驾驶"

步骤 3：标题模板选择 学位论文常用模式：

模式	示例	适用场景
基于方法的问题研究	"基于Transformer的时间序列预测方法研究"	方法创新型
领域中的问题与方法	"工业系统故障检测的图神经网络方法"	应用导向型
问题的方法及应用	"时间序列预测的注意力机制及其在工业控制中的应用"	理论+应用型
面向领域的方法研究	"面向智能制造的深度学习预测性维护方法"	领域专项型

步骤 4：生成标题候选 生成 3-5 个不同侧重的候选标题：

方法侧重型
问题侧重型
应用侧重型
平衡型（推荐）
简洁变体

步骤 5：质量评分 每个候选标题获得：

总体评分（0-100）
各标准细分评分
具体改进建议

标题优化规则：

❌ 删除无效词汇：

避免使用	原因
关于...的研究	冗余（所有论文都是研究）
...的探索	冗余且不具体
新型 / 新颖的	发表即意味着新颖
改进的 / 优化的	不具体，需说明如何改进
基于...的	可简化为直接表述

✅ 推荐结构：

好：工业控制系统时间序列预测的Transformer方法
差：关于基于Transformer的工业控制系统时间序列预测的研究

好：图神经网络故障检测方法及其工业应用
差：新型改进的基于图神经网络的故障检测方法研究

好：注意力机制的多变量时间序列预测方法
差：基于注意力机制的改进型多变量时间序列预测模型研究

关键词布局策略：

前 20 字：最重要的关键词（方法+问题）
避免开头："关于"、"对于"、"针对"（可放在中间）
优先使用：名词和技术术语，而非动词和形容词

缩写使用准则：

✅ 可接受	❌ 标题中避免
AI、机器学习、深度学习	实验室特定缩写
LSTM、GRU、CNN	化学分子式（除非极常见）
物联网、5G、GPS	非标准方法名缩写
DNA、RNA、MRI	生僻领域专用缩写

学校模板特殊要求：

清华大学（thuthesis）：

中文标题：不超过 36 个汉字
英文标题：对应中文标题翻译
避免使用缩写和公式
示例："深度学习在智能制造预测性维护中的应用研究"

北京大学（pkuthss）：

中文标题：简明扼要，一般不超过 25 字
可使用副标题（用破折号分隔）
示例："图神经网络故障检测方法——面向工业控制系统的研究"

通用要求（ctexbook）：

遵循 GB/T 7713.1-2006 规范
中文标题：15-25 字为宜
英文标题：对应翻译，注意冠词和介词
示例："基于Transformer的时间序列预测方法及应用"

输出格式：

% ============================================================
% 标题优化报告
% ============================================================
% 当前标题："关于基于深度学习的时间序列预测的研究"
% 质量评分：48/100
%
% 检测到的问题：
% 1. [严重] 包含"关于...的研究"（删除冗余词汇）
% 2. [重要] 方法描述过于宽泛（"深度学习"太笼统）
% 3. [次要] 长度可接受（18字）但可更具体
%
% 推荐标题（按评分排序）：
%
% 1. "工业控制系统时间序列预测的Transformer方法" [评分: 94/100]
%    - 简洁性：✅ (19字)
%    - 可搜索性：✅ (方法+问题在前15字)
%    - 具体性：✅ (Transformer，而非"深度学习")
%    - 领域性：✅ (工业控制系统)
%    - 规范性：✅ (符合学位论文规范)
%
% 2. "多变量时间序列预测的注意力机制研究" [评分: 89/100]
%    - 简洁性：✅ (17字)
%    - 可搜索性：✅ (核心术语靠前)
%    - 具体性：✅ (注意力机制、多变量)
%    - 建议：可考虑添加应用领域
%
% 3. "深度学习时间序列预测方法及其在智能制造中的应用" [评分: 81/100]
%    - 简洁性：⚠️ (24字，可接受)
%    - 可搜索性：✅
%    - 具体性：⚠️ ("深度学习"仍较宽泛)
%    - 领域性：✅ (智能制造)
%
% 关键词分析：
% - 主要：Transformer、时间序列、预测
% - 次要：工业控制、注意力、LSTM
% - 可搜索性："Transformer 时间序列"在知网出现 456 篇（平衡度好）
%
% 建议的 LaTeX 更新：
% \title{工业控制系统时间序列预测的Transformer方法}
% \englishtitle{Transformer-Based Time Series Forecasting for Industrial Control Systems}
% ============================================================

中英文标题对照：

标题翻译时需注意：

中文"基于X的Y"通常译为 "X-Based Y" 或 "Y via X"
避免逐字翻译，保持英文表达习惯
英文标题使用 Title Case（主要词首字母大写）

中文标题	英文标题
工业系统故障检测的图神经网络方法	Graph Neural Networks for Fault Detection in Industrial Systems
基于注意力机制的时间序列预测研究	Attention-Based Time Series Forecasting
深度学习在智能制造中的应用	Deep Learning Applications in Smart Manufacturing

交互式模式（推荐）：

python scripts/optimize_title.py main.tex --interactive
# 逐步引导式标题创建，包含用户输入

批量模式（多篇论文）：

python scripts/optimize_title.py chapters/*.tex --batch --output title_report.txt

标题对比测试（可选）：

python scripts/optimize_title.py main.tex --compare "标题A" "标题B" "标题C"
# 对比多个标题候选，提供详细评分

最佳实践总结：

关键词前置：方法+问题放在前 20 字
具体明确："Transformer" > "深度学习" > "机器学习"
删除冗余：去掉"关于"、"研究"、"新型"、"基于"
控制长度：目标 15-25 字（中文）
测试可搜索性：用这些关键词能找到你的论文吗？
避免生僻：除非是广泛认可的术语（AI、LSTM、CNN）
符合规范：遵循学校模板和 GB/T 7713.1-2006 标准

参考文档：GB_STANDARD.md、UNIVERSITIES/

完整工作流（可选）

如需完整审查，按顺序执行：

结构映射 → 分析论文结构
国标格式检查 → 修复格式问题
去AI化编辑 → 降低 AI 写作痕迹
学术表达 → 改进表达
长难句分析 → 简化复杂句
参考文献 → 验证引用

输出报告模板

# LaTeX 学位论文审查报告

## 总览
- 整体状态：✅ 符合要求 / ⚠️ 需要修订 / ❌ 重大问题
- 编译状态：[status]
- 模板类型：[detected template]

## 结构完整性（X/10 通过）
### ✅ 已完成项
### ⚠️ 待完善项

## 国标格式审查
### ✅ 符合项
### ❌ 不符合项

## 学术表达（N处建议）
[按优先级分组]

## 长难句拆解（M处）
[详细分析]

最佳实践

本技能遵循 Claude Code Skills 最佳实践：

技能设计原则

职责单一：每个模块处理一项特定任务（KISS 原则）
最小权限：仅请求必要的工具访问权限
明确触发：使用特定关键词调用模块
结构化输出：所有建议使用统一的 diff-comment 格式

使用指南

先检查编译：在进行其他检查前，确保文档能正常编译
迭代优化：每次只应用一个模块，便于控制修改范围
保护关键元素：绝不修改 \cite{}、\ref{}、\label{}、公式环境
提交前验证：接受修改前仔细审查所有建议

与其他工具集成

配合版本控制（git）跟踪修改历史
结合 LaTeX Workshop 实现实时预览
导出建议与导师或合作者共同审阅

参考文档

STRUCTURE_GUIDE.md: 论文结构要求
GB_STANDARD.md: GB/T 7714 格式规范
ACADEMIC_STYLE_ZH.md: 中文学术写作规范
FORBIDDEN_TERMS.md: 受保护术语
COMPILATION.md: XeLaTeX/LuaLaTeX 编译指南
UNIVERSITIES/: 学校模板指南
DEAI_GUIDE.md: 去AI化写作指南与常见模式

latex-thesis-zh

LaTeX 中文学位论文助手

核心原则

参数约定（$ARGUMENTS）

执行约束

统一输出协议（全部模块）

失败处理（全局）

模块（独立调用）

模块：编译

模块：结构映射

模块：国标格式检查

模块：学术表达

模块：逻辑衔接与方法论深度

模块：长难句分析

模块：参考文献

模块：模板检测

模块：去AI化编辑

模块：标题优化

完整工作流（可选）

输出报告模板

最佳实践

技能设计原则

使用指南

与其他工具集成

参考文档