技能介绍

解决什么问题

毕业论文的格式审查通常依赖人工对照 Word 批注逐条检查。人工审查不仅耗时，而且容易受主观因素影响，出现错漏或前后不一致的判定。更棘手的是，直接在原始 .docx 文件上进行修改或批注，存在误改正文内容的风险。对于需要严格遵循开发规范的计算机类论文，这种不可控的审查流程会导致反复修改和沟通成本的增加。

技能如何工作

这个技能不直接接触原始论文文件，而是采用基于“证据包”（evidence-bundle）的外科手术式审查方法。它要求调用方预先准备好包含哈希值、模板 ID 和只读预览的结构化数据。

双通道证据比对：技能同时检查视觉证据（全页预览、高分辨率裁剪）和结构证据（文档属性、标题层级）。只有当两个通道在同一位置和类别都发现问题，且置信度均高于 0.90 时，才会生成确认问题。
确定性输出：所有审查逻辑由 scripts/audit_evidence.py 脚本执行，确保同一证据包在任何时间、任何机器上生成的评价表都是字节级一致的。
分级标注策略：

- 精确批注：仅在双通道验证通过后，通过受保护的服务插入 Word 批注或 PDF 标注。
- 区块级提示：若问题定位到了章节但无法精确到具体句子，则在 report_only 模式中说明。
- 仅报告：对于无法精确定位的视觉疑点，仅在评价表中记录，不触碰原文档。

最终交付三个文件：经过安全批注的 Word 文档、PDF 标注版以及一份详细的 Markdown 格式审查评价表。

适用边界与注意点

原始文件安全：技能绝不打开、解析、保存或修改原始 .doc 或 .docx 文件。它完全依赖于证据包和受保护服务的只读数据。
冲突处理：如果视觉证据与结构证据出现冲突（例如视觉上看似溢出，但结构上属性正常），技能不会猜测，而是标记为 需复核，提醒人工介入。
确定性限制：由于流程是确定性的，它无法处理需要语义理解或主观判断的写作风格问题。它专注于格式、排版和规范性等可量化的规则。
规则依赖：审查的准确性完全取决于输入的证据包质量和规则包（如 software-development-thesis-template.json）的完整性。