peer-review

同行评审

为负责任的人类审稿人提供严谨、公平且可执行的评估支持。将每份未发表的投稿和评审意见都视为机密。

强制安全边界

在阅读或分析未发表内容之前：

1. 确认用户已获得出版方、编辑、作者或其他材料所有者的授权。
2. 查阅目标期刊或会议的评审、保密、共同评审、留存及 AI/工具政策。
3. 记录利益冲突、能力限制、用户要求的范围以及是否需要专家评审。
4. 默认仅在本地处理。

如果授权情况不明确，请勿查看或引用稿件。请先询问并确认，或仅使用随附的本地 CLI；这些 CLI 的报告不会复述稿件文本。

绝不可：

• 未经出版方或作者明确授权且未获得投稿场所许可，将未发表的稿件、补充材料、评审意见或编辑文本发送至外部服务
• 将机密内容上传至公共模型、搜索引擎、引文服务、语法工具、抄袭检测工具或图像服务
• 将内容用于训练、基准测试、产品改进或无关研究
• 读取大范围环境状态、.env 文件、API 密钥或凭据
• 从随附工具调用网络、LLM 或图像 API
• 自动调用其他技能或 PDF/图像处理流水线
• 冒充指定的审稿人、编辑、期刊、资助方或作者
• 编造稿件详情、评审发现、引文、分析、实验、复现情况或编辑决定
• 宣布本应由编辑或评审小组作出的决定

如政策要求，请删除本地副本及其衍生文件；否则，仅保留适用政策授权留存的内容。记录删除或留存情况时，不要将机密内容复制到记录中。

处理机密材料前，请阅读 references/ethical_review_practice.md。

人类责任

将生成的文本标注为工作草稿。负责任的人类审稿人必须：

• 阅读获准处理的完整投稿及相关补充材料
• 核实每一项事实陈述、计算、引文和稿件位置
• 解决利益冲突，并按要求披露所获协助
• 根据自己的专业判断重写评审意见
• 通过获授权的渠道提交

自动化覆盖度、一致性或 lint 检查结果不属于同行评审，也不能证明稿件的价值。

受理门槛

复制并填写 assets/review_intake_template.json，然后运行：

python3 scripts/validate_review_intake.py completed-intake.json

仅当状态为 READY_FOR_LOCAL_REVIEW 时继续。

验证器会拦截：

• 未记录的授权
• 缺少人类责任承诺
• 未评估或未解决的利益冲突
• 评审模式未知或未核对投稿场所政策
• 未获授权的 AI 协助
• 使用外部服务
• 数据再利用
• 缺少删除/留存计划

验证器只核验声明是否填写，不验证声明是否属实。

评审工作流

1. 明确范围及可用证据

记录：

• 投稿类型和阶段
• 评审问题及要求关注的重点
• 目标投稿场所及评审模式
• 实际可用材料：稿件、补充材料、方案、注册信息、分析计划、数据/代码声明、先前决定或回复信
• 专业能力范围及限制
• 阻碍评估的缺失材料

不要臆测缺失内容。请使用“未报告”或“无法用于评审”。

2. 梳理情况，但不作决定

创建一份简短、中立的概览：

• 研究问题
• 研究人群或系统
• 设计及分析单位
• 干预、暴露、测试或模型
• 对照/参照
• 结局及时间安排
• 主要主张

不要撰写接受/拒稿建议。指出评估每项主张所需的证据。

3. 选择报告指南

复制 assets/study_profile_template.json 并运行：

python3 scripts/select_reporting_guidelines.py local-profile.json

检查清单覆盖情况：

python3 scripts/select_reporting_guidelines.py \
  local-profile.json \
  --coverage local-coverage.csv

使用当前基础指南、解释/详述文件、适用的扩展指南以及目标期刊政策。参见 references/reporting_standards.md。

**关键区别：**报告完整性不等于设计质量、偏倚风险、有效性或价值。切勿将缺失条目转化为自动评分或发表判断。

4. 将主张对应到证据

优先关注核心、因果、机制、安全、诊断、预测和泛化相关的主张。

对每项主张，记录：

• 位置和主张 ID
• 支持该主张的结果、图、表、分析或引文 ID
• 方向、大小、研究人群、结局、时间点和不确定性是否一致
• 局限性或其他解释
• 范围明确的建议行动

运行：

python3 scripts/validate_claim_evidence.py local-claim-matrix.csv

从 assets/claim_evidence_matrix_template.csv 开始。报告会输出 ID 和计数，而非主张文本。

5. 审查方法与统计

按以下顺序评估：

1. 研究问题和目标量
2. 设计和推断单位
3. 抽样、分配、对照、盲法和时间安排
4. 样本量或精度依据
5. 纳入、排除、脱落和缺失数据
6. 分析与设计的匹配情况及假设
7. 多重性和预先设定
8. 效应估计、不确定性、分母和伤害
9. 解释、因果关系和普遍性

使用 references/common_issues.md 和 references/statistical_reproducibility.md。

如需进行结构化的本地审查：

python3 scripts/audit_statistics_reproducibility.py \
  local-statistics-reproducibility.json

从 assets/statistical_reproducibility_template.json 开始。当核心方法超出自身专业能力时，应请求专家审查；不要用笼统的批评掩盖不确定性。

6. 审查可复现性与透明度

视情况检查：

• 方案、注册、修订内容以及分析计划的一致性
• 数据来源、排除项、转换过程和存取 ID
• 软件、软件包、模型和参数版本
• 代码、环境、随机种子、运行说明和测试
• 数据、代码、材料和模型的可用性，或对限制访问的合理说明
• 领域元数据标准

除非确实使用获准的输入，按照有记录的命令和环境运行并获得输出，否则不要声称已复现。

7. 审查伦理与诚信

检查适用的审批、知情同意、福利、隐私、社区治理、经费、赞助方角色、利益冲突、作者身份/贡献、注册、生物安全和双重用途问题。

描述可观察到的证据和不确定性。不要指控作者或调查作者。根据期刊政策，通过编辑部保密渠道上报可信的疑虑。

8. 审查图、表和引文

对于图和表，评估：

• 与正文和补充材料的一致性
• 分母、单位、坐标轴、刻度、不确定性和图例
• 编码是否易于理解，以及上下文是否充分
• 图像采集/处理的披露情况和源数据政策

此技能不包含图像生成或 PDF 转换工作流。只能使用用户授权的本地材料和工具。

对于 [@ref-id] 等 Pandoc 风格的引文：

python3 scripts/audit_citations.py local-manuscript.md local-references.csv

从 assets/citation_references_template.csv 开始。此检查仅核对键的一致性和标识符格式；不会验证来源是否存在或是否支持某项主张。

9. 起草可执行的评论

只有在初步审查通过后，才生成私有框架：

python3 scripts/generate_review_scaffold.py \
  completed-intake.json \
  -o private-review.md

每条主要/次要评论都应包括：

• 位置
• 观察
• 证据或标准
• 重要性
• 请求采取的行动

优先关注：

• 主张与证据是否一致
• 方法和统计有效性
• 可复现性和透明度
• 伦理及对参与者/动物的保护
• 评估所需的报告内容
• 图、表、局限性和引文

只有在有必要支持核心主张且与工作范围相称时，才要求开展新工作。如果缩小范围、澄清、进行敏感性分析、更正或补充局限性说明即可解决问题，则应提出这些做法。

10. 分开处理不同渠道

给作者的评论包含科学审查、优点、主要/次要评论和局限性。

给编辑的保密评论仅包含符合政策规定的利益冲突、能力限制、协助披露、专家请求，或需要通过单独渠道处理且有依据的诚信/流程问题。

不要仅在保密备注中提出一般性批评。在匿名审查流程中，不要透露审稿人身份。

11. 检查并定稿

python3 scripts/lint_review.py private-review.md

检查器会检查渠道是否分开、是否存在未解决的占位符、有限范围内的辱骂性用语词表、角色/决定相关措辞，以及必需的可执行性字段。它会输出行号和规则 ID，而非审查文本。人工审查语气和科学内容仍不可或缺。

提交前：

• 核实所有位置和证据。
• 删除缺乏依据或推测性的批评。
• 确认措辞专业且不带攻击性。
• 说明审查局限和所需的专家支持。
• 披露允许披露的协助。
• 删除所有占位符。
• 确保没有虚构的引文、实验、重新分析或结果。
• 遵循有记录的删除/保留规则。

本地工具索引

• scripts/validate_review_intake.py — 范围、授权、利益冲突、政策、处理方式
• scripts/select_reporting_guidelines.py — 带日期的选择器和非评分式覆盖范围审查
• scripts/validate_claim_evidence.py — 主张/证据一致性矩阵
• scripts/audit_statistics_reproducibility.py — 方法/统计/可复现性检查清单
• scripts/audit_citations.py — 本地引文/参考文献一致性
• scripts/generate_review_scaffold.py — 分隔开的私有 Markdown 框架
• scripts/lint_review.py — 语气、渠道和可执行性检查

完整架构和退出代码：references/tool_reference.md。

参考资料和资源

• references/ethical_review_practice.md — COPE/ICMJE 职责、保密、AI、渠道
• references/reporting_standards.md — 当前主要指南和经过核实的领域标准
• references/statistical_reproducibility.md — 方法、统计和可复现性审查
• references/common_issues.md — 常见问题模式及建设性回应
• references/security_validation.md — 基线修复和本地扫描结果
• assets/source_ledger.csv — 已核实的权威来源，日期为 2026-07-23
• assets/reporting_guidelines.json — 本地选择器目录
• assets/review_scaffold_template.md — 私有结构化草稿

来源台账注明了日期。后续审查时，应重新核查实时一手来源和目标期刊的政策，且不得在搜索查询中暴露保密的稿件文本。

Agent 操作流程

1. 检查环境。 在开始写作前，收集用户的草稿、数据、图表和目标投稿平台。
2. 明确输入。 根据数据或用户确认格式、标识符和参数。任何会影响结果的值都应询问，而不是猜测。
3. 先完成小规模版本。 起草一个章节或段落，并与用户确认语气、结构和术语。
4. 使用上述说明和参考资料执行完整任务。
5. 验证结果。 每项陈述都应有用户数据或经核实来源的依据；数字应与表格和图表相符；引用应真实有效（citation-verification）。
6. 报告。 说明运行了什么（版本、命令、参数）、检查了什么，以及还有哪些不确定之处。

如果发生这种情况	请这样做
某项陈述没有数据或引用支持	在文本中标出（例如 [citation needed]），不要捏造依据。
这些说明中提到的函数、标志或端点在已安装版本中不存在	查阅已安装版本自带的文档（help()、--help、官方文档），进行调整，并告知用户。切勿捏造 API。
所需的输入、标识符或参数含糊不清	询问用户，或在运行前明确说明所作假设。

诚信规则

• 切勿捏造结果、参数、标识符、引用或统计数据。如果某项内容无法运行或验证，请直言说明。
• 用户是作者：切勿添加用户未提供或批准的结果、参考文献或论断。
• 将此处与版本相关的细节视为可能已过时：请根据已安装版本的官方文档进行确认。
• 涉及付费、占用共享 GPU 或云配额、接触个人或患者数据，或无法撤销的操作，须先征得用户同意。

相关技能

• scientific-writing：起草、修改和审查科学论文或报告，明确证据来源、报告指南覆盖情况、作者贡献……
• reproducibility-statement：撰写论文中有关可复现性、透明度和开放科学的部分，包括数据和代码可用性声明、可复现性……
• cell-press：为 Cell Press 旗下期刊（Cell、Molecular Cell、Neuron、Immunity、Cell Reports、Cell Systems、iScience、Cell Metabolism、……）准备稿件