parse-cfp

解析 CFP

将实时征稿启事转换为机器可读的会议信息配置文件，供本仓库其余部分使用。输出文件为符合 venues/schema.yml 的 venues/conferences/<venue>-<year>.yml，以及一张便于阅读的要求卡片。 下游使用者：preflight-check、tailor-to-venue、write-rebuttal、prepare-camera-ready、select-venue。

适用场景

• 用户粘贴了征稿启事、作者指南或投稿说明的网址。
• “VENUE YEAR 有哪些要求／截止日期／页数限制？”
• venues/conferences/ 中缺少某个配置文件，或其中的年份已过期。

输入

• 征稿启事 URL。如果用户只提到会议信息，请先检查 venues/conferences/<venue>-<year>.yml 中的 cfp_url；较早年份的配置文件通常会链接到发布新征稿启事的会议网站。
• venues/schema.yml——编写配置文件前先阅读；它定义了所有字段以及必需的 verified: 来源信息块。
• 对应的 venues/families/<family>.yml，用于获取系列级默认值。
• CONTACT_EMAIL 环境变量（用于礼貌抓取时设置 User-Agent；若未设置，脚本会提示输入）。

流程

1. 限定一个会议和一个年份。 阅读 venues/schema.yml。如果该会议年份的档案已存在，将其视为需要重新核验的提示，绝不能视为事实依据。

2. 获取征稿页面。 运行：

   python3 scripts/fetch_cfp.py "<cfp-url>"
   

   此脚本每次调用只获取一个页面；对每个主机将请求频率限制为每秒 1 次；遇到 HTTP 429 时采用指数退避；将内容缓存到 .cache/（已加入 gitignore），缓存有效期为 24 小时；并输出易读文本，链接目标以 [url] 的形式显示。失败时会以非零状态码退出，并显示明确的错误消息。之后只获取你确实需要的少量后续页面——各分会场的投稿页面、截止日期页面、终稿／作者工具包页面——每个页面各调用一次，绝不抓取整个网站。

   • 退出码 3 = 非 HTML 内容（PDF 征稿启事、JSON API 响应）；正文会保存到 .cache/ 下，请直接读取该文件。
   • 出现“提取到的文本极少”警告 = 页面由 JavaScript 渲染；请让用户粘贴页面文本，并将档案标记为 needs-verification。绝不要凭记忆填补缺失内容。

3. 核实年份。 提取信息前，确认页面标题和日期与指定年份一致；过时的征稿启事常会保留在几乎相同的 URL 上。年份不符：告知用户并查找当前页面。

4. 按照 references/extraction-guide.md 提取每个架构字段。 以下要求不可妥协：

   • 数字（页数限制、字符数限制、日期）只能取自已获取的文本；缺失的信息 = null + 说明性备注。绝不推断，绝不凭记忆补充。
   • 页数限制必须注明哪些内容不计入（参考文献？附录？清单？），并在分会场的 notes 中逐字引用征稿启事的相关句子。
   • 截止日期：记录注明的时区——AoE 很常见，但并非通用（SIGSPATIAL 使用 Pacific Time）。在大多数会议中，摘要注册的截止日期是单独设定的，且更早。
   • llm_policy 和 dual_submission：必须逐字引用，绝不能改述。

5. 根据 references/templates-and-systems.md 规范化模板调用、投稿系统、rebuttal 格式和终稿要求。 根据系列会议表推导 \documentclass 选项（仅双盲／三盲会议添加 review,anonymous），并在调用方式是根据系列会议推导、而非征稿启事中明确列出时添加注释。

6. 将 YAML 写入 venues/conferences/<venue>-<year>.yml：

   • id 与文件名（不含扩展名）相同；family 引用现有的系列会议文件。
   • 填写必填的 verified: 块——使用今天的日期、列出所有已获取的 URL（并注释各 URL 提供了哪些信息），以及如实填写 confidence:（仅当所有关键信息均来自今天获取的实时页面时，才能标记为 verified-live）。

7. 验证。 在仓库根目录运行 python3 tools/validate_venues.py（需要 PyYAML；如果无法使用，请根据 venues/schema.yml 逐字段手动检查文件）。

8. 向用户展示要求摘要表：截止日期（含时区）、各分会场的页数限制及不计入的内容、盲审级别、模板调用、投稿 URL、rebuttal 格式和 LLM 政策。最后附上核验声明："档案提取自 <cfp_url>，日期为 。投稿前请对照实时征稿启事重新核实截止日期和页数限制——征稿启事可能在周期中途变更，过时的页数限制可能导致论文被直接拒稿。"

操作示例

用户粘贴 https://sigspatial2026.sigspatial.org/research-submission.html。 抓取后，Research 赛道部分写道：“论文限 10 页（不含参考文献），参考文献后最多可额外增加 2 页用于附录”，截止时间写明为 “太平洋时间晚上 11:59”，投稿链接指向 easychair.org/conferences/?conf=acmsigspatial2026。 提取结果如下：

id: sigspatial-2026
deadlines:
  abstract: 2026-05-29
  paper: 2026-06-05
  timezone: PT          # CFP says "Pacific Time", NOT AoE — recorded verbatim
tracks:
  - name: Research
    page_limit: 10
    page_limit_excludes: [references, appendix]
    notes: >
      CFP verbatim: "papers are limited to 10 pages (excluding references),
      with up to 2 additional pages after the references ... for appendices."
review:
  blind: single         # CFP lists author names — single, not double
  submission_system: easychair
verified:
  date: 2026-06-21
  source_urls:
    - https://sigspatial2026.sigspatial.org/research-submission.html  # limits, deadlines, blind
  confidence: verified-live

这个示例揭示了两个容易踩的坑，指南也会处理这两点：时区是太平洋时间， 而非默认的 AoE；页数限制不包括参考文献和附录——明确记录这一点，以便 preflight-check 强制检查。在提取任何信息之前，先确认页面标题中的年份为 2026。

输出

• venues/conferences/<venue>-<year>.yml — 符合架构、按年份版本化， 并附有来源信息。
• 行内要求卡摘要，并附上重新核验警告。

防护措施

• 绝不编造截止时间、页数限制或政策。宁可使用 null 并备注，也不要猜测。
• 逐字引用大模型使用和双重投稿政策；改写可能会颠倒合规含义。
• 仅允许 GET。绝不代表用户登录、注册或向任何投稿系统提交内容。
• 绝不编造引用。本技能仅生成会议信息；如果下游需要论文参考文献，应交由 verify-citations 处理。
• 每次脚本调用只处理一个页面；不得批量抓取。缓存位于 .cache/，且不纳入 git——不要将抓取的 CFP 文本提交到仓库。
• 最终答复中始终包含根据当前 CFP 重新核验的提示。

来源核验（强制）

本技能会生成会议信息，因此来源核验无一例外地必须执行：

• 会议信息由用户选择；按需构建其规则，绝不依赖记忆或往年信息。
• 搜索网络，找到当前的 CFP／作者须知页面并阅读一手来源——绝不陈述未打开查看的搜索摘要中的事实，也绝不在未通过官方网站确认前引用截止日期汇总网站的信息。
• 针对每项可能导致编辑部直接拒稿的事实（截止时间、页数限制及排除项、匿名级别、模板、投稿系统）与第二个来源进行核对；如果来源不一致，应明确指出冲突，不要自行选择其中一个。
• 在资料配置的 verified.source_urls 中，为每项事实记录可点击的参考链接和日期；只有在有来源支持时，才能将 confidence 设为 verified-live／corroborated，否则设为 needs-verification。没有链接的事实应标记为未经核验，绝不可作为确定信息陈述。

随附文件

• references/extraction-guide.md — 逐字段提取规则、提示短语和陷阱清单。
• references/templates-and-systems.md — 按类别整理的模板调用方式、投稿系统 URL 模式、答辩分类法和终稿规范。
• scripts/fetch_cfp.py — 礼貌抓取单页的工具（运行此脚本；不要手动重新实现抓取功能）。