nature-writing

Nature 风格的科学写作

当用户需要帮助撰写或重构论文正文，而不仅仅是润色现有句子时，使用此技能。

核心立场

• 作者提供的证据优先。不要编造结果、机制、参考文献、方法、新颖性、样本量、统计数据或局限性。
• 先构建论证，再撰写句子。
• 让论文易于评判：相关性、新颖性、可信度、可复用性和意义。
• 提出有抱负但有边界的主张。
• 如果缺少关键证据，请使用占位符或询问缺失的信息，而不是填补空白。

挖掘的写作经验

在起草或重构学术正文之前，请检查当前客户端技能目录下已安装的 skills/ml-paper-writing/references/knowledge/paper-miner-writing-memory.md。 只阅读与本文的章节、文章类型和投稿期刊相关的条目。借鉴挖掘出的结构和措辞思路，同时确保每项主张都有作者提供的证据和目标期刊要求作为依据。不要照搬来源中的措辞。如果该经验文件不存在或没有相关条目，请继续使用此技能的参考资料。

何时打开其他文件

文件	何时打开
references/article-architecture.md	需要了解章节结构、论证顺序或已发表论文的写作模式时
references/abstract.md	起草或修改摘要时，尤其是采用挑战—贡献或挑战—洞见—贡献结构时
references/introduction.md	起草或修改 Introduction、任务框定、技术挑战、贡献框定或预告图／流程逻辑时
references/related-work.md	将 Related Work 重构为主题综合，而非逐篇论文罗列时
references/method.md	撰写 Method 章节、流程模块、模块动机、技术优势或实现细节时
references/experiments.md	围绕基线、消融实验、指标、表格、图示和主张支撑来规划或撰写 Experiments/Results 时
references/conclusion.md	撰写结论时，确保对贡献、证据、影响、局限性和未来方向的表述有边界
references/paragraph-flow.md	用户询问段落是否连贯、合理或清晰时；使用逆向提纲和段落主旨检查
references/paper-review.md	最终稿自查、拒稿风险审查、主张与证据的对齐检查或面向审稿人的评析
references/chinese-author-workflow.md	用户的笔记为中文、中英混合，或采用实验室笔记而非论文正文的组织方式时
references/examples/index.md	选定相关指南后，需要具体的摘要、引言或方法示例时

信息收集

起草前，请确定：

• 论文部分：标题、摘要、引言、结果、讨论、结论、意义段落或完整提纲
• 论文类型：机制、方法、资源、设备、模型、临床、材料、计算或跨学科
• 核心主张：论文实际证明了什么
• 证据：图示、测量、比较、数据集、统计数据或示例
• 边界：主张的适用范围
• 目标期刊或字数限制（如已提供）

如果缺少核心主张、证据或边界中的任一项，请先指出缺失之处，再进行起草。仍可使用明确的占位符搭建框架。

写作工作流

1. 构建一句话论点：在 [系统/问题] 中，我们通过 [方法] 展示了 [进展]，并以 [证据] 支持，同时说明 [边界]。
2. 根据 references/article-architecture.md 选择章节架构。
3. 为每个段落分配一个任务：背景、差距、方法、结果、比较、机制、启示或局限。
4. 从证据出发起草。让论断靠近支持它们的数据。
5. 校准动词：show、demonstrate、suggest、indicate、enable、may、could。
6. 删除缺乏依据的新颖性和普适性论断。
7. 检查段落衔接：一个段落传达一个信息，首句清晰，句与句之间的关系明确。
8. 返回正文，并附上关于假设和缺失输入的简要说明。

各章节的默认结构

摘要

Nature 的默认模式：

背景/问题 -> 差距 -> 方法 -> 关键结果 -> 启示 -> 边界

对于技术类 AI、ML、CV 或方法密集型稿件，打开 references/abstract.md 并从以下模式中选择一种：

• 挑战 -> 贡献
• 挑战 -> 洞见 -> 贡献
• 多项贡献

保持精炼。若用户提供了定量或比较细节，请将其纳入。结尾应说明这项工作能实现什么，而不是泛泛强调其重要性。

引言

采用：

领域规模 -> 瓶颈 -> 既有尝试 -> 尚未解决的差距 -> 本研究

对于方法密集型论文，打开 references/introduction.md，先从技术挑战和贡献反向推理，再向前起草。

不要概述所有结果。最后一段应说明本文的工作以及它如何弥补这一差距。

结果叙述

采用证据阶梯：

系统/工作流 -> 验证 -> 主要结果 -> 基线比较 -> 机制/诊断分析 -> 应用或泛化

每个小节都应以论断开篇，再提供数据支持。

对于 ML/会议论文风格的实验章节，打开 references/experiments.md，确保每项主要论断都有比较、消融或压力测试证据支持。

相关工作

采用：

主题范围 -> 代表性方法 -> 与本文相关的局限 -> 差异

按技术主题和机制归类既有工作，而不是按发表年份归类。

讨论

采用：

核心进展 -> 证据的含义 -> 与既有工作的关系 -> 限制 -> 未来用途

此处应阐释结果并讨论局限。不要逐图重复结果章节的内容。

结论

采用：

贡献 -> 决定性证据 -> 启示 -> 边界

不引入新数据，不作缺乏依据的承诺。

标题

优先采用具体标题，将以下内容结合起来：

系统/对象 + 行动/能力 + 应用或影响

避免口号式标题、项目申请式目标和过于宽泛的领域论断。

输出格式

默认输出：

1. Draft:，包含所需正文。
2. Section outline:，若任务涉及完整章节，则列出 3-7 条简洁要点。
3. Assumptions or missing inputs:，仅列出重要问题。
4. Claim-evidence map:，列出主要论断，格式为 Claim: ... | Evidence: ... | Status: supported/needs evidence。
5. Why this structure:，列出 2-4 条简短要点。

对于中文作者备注，先提供润色后的英文，再简要用中文说明主要的结构安排。