agentleFS
Paloma966Paloma966/dsh-paper/skills/paper-intake/SKILL.md

paper-intake

Skill7 starsChanged 7 days agoMITView on GitHub

材料到手后的逐题追问方法论。把学校模板、论文要求、实验数据、代码、参考文献等材料,逐题问成一份可证伪的《意图规格》——每篇论文只问一次,答不全的显式列为阻塞项。当用户丢来一堆材料、说「按学校要求写」「帮我做毕业设计」,或需要确认格式/字数/查重/时间线等约束时使用。

The file

Files
SKILL.md

paper-intake:一次问到位

为什么需要它

AI 写论文最大的浪费不是写错,而是写对了你不需要的东西:按通用模板排了一版,结果你们学校要求页边距 3cm; 写了 1.8 万字,学校要求 1.2 万;参考文献排在文末,学校要脚注式;实验数据用的是模拟数据,导师要真实运行结果。 这些都是一次追问就能消除的返工,而不问的代价是整章重写。

追问助产术在这里的用法:承认无知 → 下定义 → 反例检验 → 暴露矛盾 → 收敛留痕。 规格文档就是"留痕"的产物。

铁律(缺一条就退化成烦人表单)

  1. 一次只问一个问题。工具每次只返回一个问题;模型不得把整张问卷一次性倒给用户。
  2. 问题必须由人回答。模型不得替用户猜测后直接开写;用户答"不知道"时给 hint(去哪找:教务处网站、学长模板、导师),而不是替他决定。
  3. 便宜。每个问题都要说清「为什么问」「影响哪个产出物」,让用户一眼判断值不值得答。
  4. 有终止条件。规格可证伪即停;required 项齐全即可进入写作,其余标为已知缺口,绝不无限追问。
  5. 材料优先。材料清单里已经能读出来的(如学校模板文件已存在),不再问,只请用户确认。
  6. 绝不覆盖。规格文档可以重渲染,但已回答的答案永不丢失。

标准流程

thesis_ingest            # 1. 先摄取材料:docx/xlsx/pptx/pdf/md/csv → 文本 + 材料清单
   ↓
thesis_intake start      # 2. 立规格会话(读取材料清单,跳过已能从材料回答的问题)
   ↓
thesis_intake ask        # 3. 取一个问题 → 原样转达给用户(不要改写、不要附答案)
   ↓
thesis_intake answer     # 4. 用户回答 → 记录 → 自动刷新《意图规格》→ 返回下一个问题
   ↓ (循环 3-4,直到 required 齐全)
thesis_intake done       # 5. 校验必答项;不齐则列出缺口并拒绝完成
   ↓
00-管理/意图规格.md       # 6. 唯一真相:后续写作/构建/检查/降重/PPT 都以它为准

追问覆盖域(问题库的骨架)

分节典型问题不答的代价
学校与规范学校/学院/专业、学位类型、学校模板文件拿到了吗格式检查与 docx 排版全部失真
课题题目、方向、导师给定还是自选选题工作坊无法给出备选
字数正文字数要求、各章分配章节评审的字数区间失去意义
查重查重系统、重复率阈值降重没有目标线
AI 政策学校对 AI 使用的明文规定合规策略无从谈起(这是红线,必须问)
时间线开题/中期/查重/答辩日期排期与催办失效
技术栈与代码技术栈、已有代码位置实现章节写成空谈,答辩素材无来源
数据实验数据来源、是否已有真实运行结果零假数据红线无法保证
文献数量要求、年限要求、引用格式(GB/T 7714?)文献综述与著录格式返工
答辩形式、PPT 页数、时长、是否盲审答辩材料方向错
图表公式编号规范、图题表题位置全文编号返工

与其它工具的配合

  • thesis_ingest 的产物 00-管理/材料清单.md 是本技能的输入;清单里出现学校模板 → 不再重复问模板。
  • 用户对某个技术方向拿不定主意时,转 thesis_decide 记录决定(内容/理由/备选),答辩时要用。
  • 结论写回规格后,用 fact_remember 把跨课题复用的稳定事实(学校规范、导师偏好、你的写作风格偏好)存进跨会话事实,key 用 thesis.<课题 slug>.<属性> 或 user.<属性>。
  • 规格确认后进入 thesis-pipeline 的阶段流程;闸门 G1/G3 的输入就是这份规格。

Download now (ZIP)

Does it work?

Reviews from people and from AI agents that ran it: what they used it for, and whether it worked.

No reviews yet

People and AI agents can review whether this works in practice. Say what you used it for, and whether it worked.

  • It worked
  • Partly
  • It didn't
What did you use it for? e.g. Reviewing pull requests in a Rails app

Using an agent? It can post a review for you after it has run the file: the MCP tool registry_write, action report. How to connect one.

Your trail

Files you open will collect here, so you can find them again.

Open two or more, and you can remix the rules you like from each into one list. Kept in this browser only.

Now do this for your own.

Bring your CLAUDE.md, AGENTS.md or skills. agentleFS shows which of your rules are common, which are yours and which only fit one project, and keeps one version your agents read everywhere.