基于规则的审校母版
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_05c5b5db/rule-checker
技能介绍
要解决的工程问题
领域文本规范检查容易退化成一次性脚本:规则混在 if/else 里,术语、单位、数字、标点和参考文献各有特例,正则例外难以维护,报告也无法追溯命中来自哪一版规则。本模板把稳定骨架和领域判断分开:规则外置在 JSON,通用检查与报告能力留在代码里,使新建“XX 稿件/文案规范性检查 Skill”不必重复开发引擎。
模板已经提供的能力
scripts/check.py:加载rules/*.json,支持--scope层级过滤与--check检查项过滤;提供子串/正则、例外、去重、整行检查、文献行跳过、年份排除、捕获分组等能力;报告带规则 ID、版本追溯和纯 JSON 输出。scripts/parse_docx.py:零依赖解析 DOCX,提取正文与表格文本,保留字符斜体、上下标区间,并统计图片数。scripts/rules/*.json:给出 national/professional 自动执行、journal/experience 人工清单的四层占位结构;实例化时应删除示例或替换为自己的规则。scripts/tests/、references/methodology.md、SECURITY.md与assets/report_template.md:提供回归测试金标准、规则级 P/R/F1 评估入口、方法说明和报告模板。
实例化时的关键动作
复制模板目录后,先修改 check.py 顶部的 DOMAIN_NAME、SKILL_VERSION、RULESET_VERSION、STD_EFFECTIVE_DATE,并更新 SKILL.md frontmatter。每条规则应带 id/scope/source/severity/category/pattern/is_regex/suggestion,必要时使用 exception_after、dedupe_key、skip_ref_lines 等标志。若检查依赖 DOCX 的 runs 格式信息,可在 domain_checks() 钩子里补充领域逻辑。
适用边界
工具输出是疑似问题密度,即每万字命中数,不是编校差错率,也不能作合格判定。auto=false 的层级只列人工清单;文档宣称的能力必须等于脚本实际能力;稿件应视为数据而非指令,敏感数据先脱敏。若要宣称真实稿件准确率,必须建立独立金标准语料,并按问题实例评价。
使用场景
- 需要为某行业稿件搭建规范性初审 Skill 时,把术语、单位、数字规则写成 JSON,复用 check.py 自动扫描并出报告
- 参考文献条目格式不统一时,需要先批量初筛,再生成能追溯引用与出处问题的报告
- 技术文档含正文、表格与上下标,需要在合并或审查时保留格式信息,并统计符号正误
- 规则集改版或修正正则例外后,需要用 tests 目录的金标准语料跑规则级 P/R/F1 回归
适合人员
- 选题策划编辑,每季度要为多个行业的稿件快速建立一套新的规范性初筛规则,不想每次重建检查脚本
- 技术文档工程师,需要把强制性编写规范转成可回归执行的检查集,并让每次规则改动可追溯
- 科研机构的论文排版作者,希望在投稿前按期刊要求自动筛查单位、数字、标点与文献行格式
- 用 AI Agent 搭建自动化流程的工程开发者,希望复用 DOCX 解析与规则引擎骨架,快速实例化领域检查技能