技能介绍

论文交稿前的重复率焦虑

交稿前，写作者通常只有两条路：花几百元买一次商业查重，或对着拼写检查猜测哪里可能撞车。前者贵、慢，回报只是一个百分比；后者根本看不到跨段落的内部重复。更隐蔽的问题是“自己抄自己”——同一篇论文里相隔数月写的段落，往往已经高度雷同。另一边，市场的降重服务大多只是同义词替换，换词不换逻辑，重复结构原封不动。

这个技能做了什么

它是一个纯本地的文本相似度分析器，不联网、不收费、不上传论文。工作流分五个阶段：

输入识别与预处理：支持纯文本与 .txt/.md/.docx 路径，统一全半角及中英文标点，建立“段落→句子”索引，记录总字数与总句数作为基线。
策略确定：默认自查模式，只分析文本内部；附上参考文档则切换为对比模式。默认参数为字符 n-gram 长度 8、相似度阈值 0.8（高）/0.5（中）、连续重复判定 20 字。引号内容与参考文献格式片段标记为“引用区域”。
多算法查重：由 scripts/thesis_checker.py 执行，组合内部自重复检测、n-gram 重合分析、最长公共子串逐句匹配（对比模式），并比对内置学术套话库。
综合评估：计算内部重复率与参考相似度，原创性评分为 max(0, 100 − 内部重复率×100 − 参考相似度×100) 并扣除豁免区域。风险分三档：句级相似度 > 0.8 或连续重复 > 20 字为高风险，0.5–0.8 为中风险，其余视为常规表达。
报告与降重建议：调用 scripts/report_generator.py 输出 Markdown 或 JSON 报告。每个中高风险片段给出三种改写方向——观点重构、句式变换、细节补充，而不是同义词列表。

需要注意的边界

它不等于商业查重系统。商业服务比对全网文献库，本地分析只能基于文本自身与用户提供的参考文档做预估，报告中会标注“本地预估结果，仅作参考”。它能区分套话、常识与合理引用，只提示不裁决，量化分数不构成学术价值判断。此外，绕查重、洗稿、伪原创三类请求会被直接拒绝。全部处理在本地完成，不上传、不存储；运行环境没有 Python 时，回退到按同一套算法手工分析，结论口径一致。