Typst 学术论文助手

核心原则

绝不修改 @cite、@ref、@label、数学环境内的内容
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
Typst 编译速度快（毫秒级），适合实时预览

参数约定（$ARGUMENTS）

$ARGUMENTS 用于接收主 .typ 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 .typ 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。
涉及清理或覆盖输出文件的操作前先确认。

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
Typst 未安装：建议通过 cargo install typst-cli 或包管理器安装
字体缺失：使用 typst fonts 查看可用字体
文件不存在：请用户提供正确 .typ 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）

模块：编译

触发词: compile, 编译, build, typst compile, typst watch

Typst 编译命令:

命令	用途	说明
`typst compile main.typ`	单次编译	生成 PDF 文件
`typst watch main.typ`	监视模式	文件变化时自动重新编译
`typst compile main.typ output.pdf`	指定输出	自定义输出文件名
`typst compile --format png main.typ`	其他格式	支持 PNG、SVG 等格式
`typst fonts`	字体列表	查看系统可用字体

使用示例:

# 基础编译（推荐）
typst compile main.typ

# 监视模式（实时预览）
typst watch main.typ

# 指定输出目录
typst compile main.typ --output build/paper.pdf

# 导出为 PNG（用于预览）
typst compile --format png main.typ

# 查看可用字体
typst fonts

# 使用自定义字体路径
typst compile --font-path ./fonts main.typ

编译速度优势:

Typst 编译速度通常在毫秒级（vs LaTeX 的秒级）
增量编译：只重新编译修改的部分
适合实时预览和快速迭代

中文支持:

// 中文字体配置示例
#set text(
  font: ("Source Han Serif", "Noto Serif CJK SC"),
  lang: "zh",
  region: "cn"
)

模块：格式检查

触发词: format, 格式检查, lint, style check

检查项目:

类别	检查内容	标准
页边距	上下左右边距	通常 1 英寸（2.54cm）
行间距	单倍/双倍行距	根据期刊要求
字体	正文字体与大小	Times New Roman 10-12pt
标题	各级标题格式	层次清晰，编号正确
图表	标题位置与格式	图下表上，编号连续
引用	引用格式一致性	数字/作者-年份格式

Typst 格式检查要点:

// 页面设置
#set page(
  paper: "a4",  // 或 "us-letter"
  margin: (x: 2.5cm, y: 2.5cm)
)

// 文本设置
#set text(
  font: "Times New Roman",
  size: 11pt,
  lang: "en"
)

// 段落设置
#set par(
  justify: true,
  leading: 0.65em,
  first-line-indent: 1.5em
)

// 标题设置
#set heading(numbering: "1.1")

常见格式问题:

❌ 页边距不一致
❌ 字体混用（中英文字体未分离）
❌ 图表编号不连续
❌ 引用格式不统一

模块：语法分析（英文）

触发词: grammar, 语法, proofread, 润色, article usage

重点检查领域:

主谓一致
冠词使用（a/an/the）
时态一致性（方法用过去时，结果用现在时）
Chinglish 检测

输出格式:

// GRAMMAR（第23行）[Severity: Major] [Priority: P1]: 冠词缺失
// 原文：We propose method for...
// 修改后：We propose a method for...
// 理由：单数可数名词前缺少不定冠词

常见语法错误:

错误类型	示例	修正
冠词缺失	propose method	propose a method
主谓不一致	The data shows	The data show
时态混乱	We proposed... The results shows	We proposed... The results show
Chinglish	more and more	increasingly

模块：长难句分析

触发词: long sentence, 长句, simplify, decompose, 拆解

触发条件:

英文：句子 >50 词或 >3 个从句
中文：句子 >60 字或 >3 个分句

输出格式:

// 长难句检测（第45行，共67词）[Severity: Minor] [Priority: P2]
// 主干：[主语 + 谓语 + 宾语]
// 修饰成分：
//   - [关系从句] which...
//   - [目的状语] to...
// 建议改写：[简化版本]

拆分策略:

识别主干结构
提取修饰成分
拆分为多个短句
保持逻辑连贯性

模块：学术表达

触发词: academic tone, 学术表达, improve writing, weak verbs

英文学术表达:

❌ 弱动词	✅ 学术替代
use	employ, utilize, leverage
get	obtain, achieve, acquire
make	construct, develop, generate
show	demonstrate, illustrate, indicate

中文学术表达:

❌ 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

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）:

| Original / 原文 | Revised / 改进版本 | Issue Type / 问题类型 | Rationale / 优化理由 |
|-----------------|---------------------|----------------------|---------------------|
| We use machine learning to get better results. | We employ machine learning to achieve superior performance. | Weak verbs | Replace "use" → "employ", "get" → "achieve" for academic tone |
| 我们使用了深度学习方法。 | 本文采用深度学习方法进行特征提取。 | 口语化表达 | "我们使用" → "本文采用"（学术规范）；补充方法用途 |

备选格式（源码内注释）:

// EXPRESSION（第23行）[Severity: Minor] [Priority: P2]: 提升学术语气
// 原文：We use machine learning to get better results.
// 修改后：We employ machine learning to achieve superior performance.
// 理由：用学术替代词替换弱动词

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
Abstract	目的→方法→结果→结论的流畅衔接	突出核心贡献
Introduction	问题→空白→贡献的流畅衔接	论证研究意义
Related Work	按主题分组，显式对比	定位与前人工作的关系
Methods	步骤间逻辑递进	论证每个设计选择
Experiments	设置→结果→分析的流程	解释评估指标选择
Discussion	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：翻译（中译英）

触发词: translate, 翻译, 中译英, Chinese to English

翻译流程:

步骤 1：领域识别 确定专业领域术语：

深度学习：neural networks, attention, loss functions
时间序列：forecasting, ARIMA, temporal patterns
工业控制：PID, fault detection, SCADA

步骤 2：术语确认

| 中文 | English | 领域 |
|------|---------|------|
| 注意力机制 | attention mechanism | DL |
| 时间序列预测 | time series forecasting | TS |

步骤 3：翻译并注释

// 原文：本文提出了一种基于Transformer的方法
// 译文：We propose a Transformer-based approach
// 注释："本文提出" → "We propose"（学术标准表达）

步骤 4：Chinglish 检查

中式英语	地道表达
more and more	increasingly
in recent years	recently
play an important role	is crucial for

常用学术句式:

中文	English
本文提出...	We propose... / This paper presents...
实验结果表明...	Experimental results demonstrate that...
与...相比	Compared with... / In comparison to...
综上所述	In summary / In conclusion

模块：参考文献

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

Typst 参考文献管理:

方法 1：使用 BibTeX 文件

#bibliography("references.bib", style: "ieee")

方法 2：使用 Hayagriva 格式

#bibliography("references.yml", style: "apa")

支持的引用样式:

ieee - IEEE 数字引用
apa - APA 作者-年份
chicago-author-date - 芝加哥作者-年份
mla - MLA 人文学科
gb-7714-2015 - 中国国标

引用示例:

// 文中引用
According to @smith2020, the method...
Recent studies @smith2020 @jones2021 show...

// 参考文献列表
#bibliography("references.bib", style: "ieee")

检查项目:

必填字段完整性
重复条目检测
未使用条目
引用格式一致性

模块：去AI化编辑

触发词: deai, 去AI化, humanize, reduce AI traces, 降低AI痕迹

目标：在保持 Typst 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）：Typst
章节（必填）：Abstract / Introduction / Related Work / Methods / Experiments / Results / Discussion / Conclusion
源码片段（必填）：直接粘贴（保留原缩进与换行）

工作流程：

1. 语法结构识别 检测 Typst 语法，完整保留：

函数调用：#set, #show, #let
引用：@cite, @ref, @label
数学： $...$ , $ ... $ （块级）
标记：*bold*, _italic_, `code`
自定义函数（默认不改）

2. AI 痕迹检测:

类型	示例	问题
空话口号	significant, comprehensive, effective	缺乏具体性
过度确定	obviously, necessarily, completely	过于绝对
机械排比	无实质内容的三段式	缺乏深度
模板表达	in recent years, more and more	陈词滥调

3. 文本改写（仅改可见文本）：

拆分长句（英文 >50 词，中文 >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）

4. 输出生成：

// ============================================================
// 去AI化编辑（第23行 - Introduction）
// ============================================================
// 原文：This method achieves significant performance improvement.
// 修改后：The proposed method improves performance in the experiments.
//
// 改动说明：
// 1. 删除空话："significant" → 删除
// 2. 保留原有主张，避免新增具体指标
//
// ⚠️ 【待补证：需要实验数据支撑，补充具体指标】
// ============================================================

= Introduction
The proposed method improves performance in the experiments...

硬性约束：

绝不修改：@cite, @ref, @label, 数学环境
绝不新增：事实、数据、结论、指标、实验设置、引用编号
仅修改：普通段落文字、标题文本

分章节准则：

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

模块：标题优化

触发词: title, 标题, title optimization, create title, improve title

目标：根据 IEEE/ACM/Springer/NeurIPS 最佳实践，生成和优化学术论文标题。

使用示例：

根据内容生成标题：

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

标题质量标准（基于 IEEE Author Center 及顶级会议/期刊）：

标准	权重	说明
简洁性	25%	删除 "A Study of", "Research on", "Novel", "New"
可搜索性	30%	核心术语（方法+问题）在前 65 字符内
长度	15%	最佳：10-15 词（英文）/ 15-25 字（中文）
具体性	20%	具体方法/问题名称，避免泛泛而谈
规范性	10%	避免生僻缩写（除 AI, LSTM, DNA 等通识缩写）

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", "Graph Neural Network", "Reinforcement Learning"
问题关键词："Time Series Forecasting", "Fault Detection", "Image Segmentation"
领域关键词："Industrial Control", "Medical Imaging", "Autonomous Driving"

步骤 3：标题模板选择 顶级会议/期刊常用模式：

模式	示例（英文）	示例（中文）	适用场景
Method for Problem	"Transformer for Time Series Forecasting"	"时间序列预测的Transformer方法"	通用研究
Method: Problem in Domain	"Graph Neural Networks: Fault Detection in Industrial Systems"	"图神经网络：工业系统故障检测"	领域专项
Problem via Method	"Time Series Forecasting via Attention Mechanisms"	"基于注意力机制的时间序列预测"	方法聚焦
Method + Key Feature	"Lightweight Transformer for Real-Time Detection"	"轻量级Transformer实时检测方法"	性能聚焦

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：

英文：

避免使用	原因
A Study of	Redundant (all papers are studies)
Research on	Redundant (all papers are research)
Novel / New	Implied by publication
Improved / Enhanced	Vague without specifics
Based on	Often unnecessary
Using / Utilizing	Can be replaced with prepositions

中文：

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：

英文示例：

Good: "Transformer for Time Series Forecasting in Industrial Control"
Bad:  "A Novel Study on Improved Time Series Forecasting Using Transformers"

Good: "Graph Neural Networks for Fault Detection"
Bad:  "Research on Novel Fault Detection Based on GNNs"

Good: "Attention-Based LSTM for Multivariate Time Series Prediction"
Bad:  "An Improved LSTM Model Using Attention Mechanism for Prediction"

中文示例：

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 65 字符（英文）/ 前 20 字（中文）：最重要的关键词（方法+问题）
避免开头：Articles (A, An, The) / "关于"、"对于"
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, ML, DL	Obscure domain-specific acronyms
LSTM, GRU, CNN	Chemical formulas (unless very common)
IoT, 5G, GPS	Lab-specific abbreviations
DNA, RNA, MRI	Non-standard method names

会议/期刊特殊要求：

IEEE Transactions：

避免带下标的公式（除非很简单，如 "Nd–Fe–B"）
使用 Title Case（主要词首字母大写）
典型长度：10-15 词
示例："Deep Learning for Predictive Maintenance in Smart Manufacturing"

ACM Conferences：

可使用更有创意的标题
可使用冒号添加副标题
典型长度：8-12 词
示例："AttentionFlow: Visualizing Attention Mechanisms in Neural Networks"

Springer Journals：

偏好描述性而非创意性
可稍长（最多 20 词）
示例："A Comprehensive Framework for Real-Time Anomaly Detection in Industrial IoT Systems"

NeurIPS/ICML：

简洁有力（8-12 词）
方法名通常突出
示例："Transformers Learn In-Context by Gradient Descent"

输出格式：

英文论文：

// ============================================================
// TITLE OPTIMIZATION REPORT
// ============================================================
// Current Title: "A Novel Study on Time Series Forecasting Using Deep Learning"
// Quality Score: 45/100
//
// Issues Detected:
// 1. [Critical] Contains "Novel Study" (remove ineffective words)
// 2. [Major] Vague method description ("Deep Learning" too broad)
// 3. [Minor] Length acceptable (9 words) but could be more specific
//
// Recommended Titles (Ranked):
//
// 1. "Transformer-Based Time Series Forecasting for Industrial Control" [Score: 92/100]
//    - Concise: ✅ (8 words)
//    - Searchable: ✅ (Method + Problem in first 50 chars)
//    - Specific: ✅ (Transformer, not just "Deep Learning")
//    - Domain: ✅ (Industrial Control)
//
// 2. "Attention Mechanisms for Multivariate Time Series Prediction" [Score: 88/100]
//    - Concise: ✅ (7 words)
//    - Searchable: ✅ (Key terms upfront)
//    - Specific: ✅ (Attention, Multivariate)
//    - Note: Consider adding domain if space allows
//
// 3. "Deep Learning Approach to Time Series Forecasting in Smart Manufacturing" [Score: 78/100]
//    - Concise: ⚠️ (10 words, acceptable)
//    - Searchable: ✅
//    - Specific: ⚠️ ("Deep Learning" still broad)
//    - Domain: ✅ (Smart Manufacturing)
//
// Keyword Analysis:
// - Primary: Transformer, Time Series, Forecasting
// - Secondary: Industrial Control, Attention, LSTM
// - Searchability: "Transformer Time Series" appears in 1,234 papers (good balance)
//
// Suggested Typst Update:
// #align(center)[
//   #text(size: 18pt, weight: "bold")[
//     Transformer-Based Time Series Forecasting for Industrial Control
//   ]
// ]
// ============================================================

中文论文：

// ============================================================
// 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)
//
// 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
//
// Suggested Typst Update:
// #align(center)[
//   #text(size: 18pt, weight: "bold")[
//     工业控制系统时间序列预测的Transformer方法
//   ]
// ]
// ============================================================

交互式模式（推荐）：

python scripts/optimize_title.py main.typ --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 papers/*.typ --batch --output title_report.txt

标题对比测试（可选）：

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

最佳实践总结：

英文论文：

关键词前置：Method + Problem 放在前 10 词
具体明确："Transformer" > "Deep Learning" > "Machine Learning"
删除冗余：去掉 "Novel", "Study", "Research", "Based on"
控制长度：目标 10-15 词
测试可搜索性：用这些关键词能找到你的论文吗？
避免生僻：除非是广泛认可的缩写（AI, LSTM, CNN）
匹配会议风格：IEEE（描述性）、ACM（创意性）、NeurIPS（简洁性）

中文论文：

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
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）
中英对照：确保英文标题与中文标题对应

Typst 标题设置示例：

英文论文：

#align(center)[
  #text(size: 18pt, weight: "bold")[
    Transformer-Based Time Series Forecasting for Industrial Control
  ]
]

中文论文：

#align(center)[
  #text(size: 18pt, weight: "bold", font: "Source Han Serif")[
    工业控制系统时间序列预测的Transformer方法
  ]
  
  #v(0.5em)
  
  #text(size: 14pt, font: "Times New Roman")[
    Transformer-Based Time Series Forecasting for Industrial Control Systems
  ]
]

参考资源：

模块：模板配置

触发词: template, 模板, IEEE, ACM, Springer, NeurIPS

模板配置示例与用法已移至参考文档：

TEMPLATES.md

参考与扩展

为保持 SKILL 精简且易维护，详细示例与扩展内容移至参考文档：

期刊/会议规则：references/VENUES.md
Typst 语法与排版：references/TYPST_SYNTAX.md
写作风格与常见错误：references/STYLE_GUIDE.md、references/COMMON_ERRORS.md
去AI化策略：references/DEAI_GUIDE.md
模板示例与配置：references/TEMPLATES.md

最佳实践

本技能遵循 Claude Code Skills 最佳实践：

技能设计原则 / Skill Design Principles

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

使用指南 / Usage Guidelines

先检查编译 / Start with Compilation：在进行其他检查前，确保文档能正常编译
迭代优化 / Iterative Refinement：每次只应用一个模块，便于控制修改范围
保护关键元素 / Preserve Protected Elements：绝不修改 @cite、@ref、@label、数学环境
提交前验证 / Verify Before Commit：接受修改前仔细审查所有建议

与其他工具集成 / Integration with Other Tools

配合版本控制（git）跟踪修改历史
使用 typst watch 实现实时预览（毫秒级编译）
导出建议与合作者共同审阅

Typst 特有优势 / Typst-Specific Advantages

编译速度：毫秒级编译，适合实时预览和快速迭代
现代语法：比 LaTeX 更简洁直观的标记语言
增量编译：只重新编译修改的部分，提高效率

注意事项

字体问题：确保系统安装所需字体（中文建议 Source Han Serif 或 Noto Serif CJK）
模板兼容性：部分期刊可能仍要求 LaTeX 模板
数学公式：Typst 数学语法与 LaTeX 略有差异，需要适应

typst-paper

Typst 学术论文助手

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：格式检查

模块：语法分析（英文）

模块：长难句分析

模块：学术表达

模块：逻辑衔接与方法论深度

模块：翻译（中译英）

模块：参考文献

模块：去AI化编辑

模块：标题优化

模块：模板配置

参考与扩展

最佳实践

技能设计原则 / Skill Design Principles

使用指南 / Usage Guidelines

与其他工具集成 / Integration with Other Tools

Typst 特有优势 / Typst-Specific Advantages

注意事项