毕论预处理

要解决的具体问题

毕业季最常见的翻车路径是这样的：论文拖到截止前一晚，往知网一传，红色重复率飙升，导师在邮件里问「这部分引用来源是哪里」。问题往往不是抄袭，而是引用标注缺失、长句原样复述、目录和参考文献编号没对齐这类机械性硬伤——提交前花十分钟扫一遍就能发现。

这个技能就是为这个环节设计的：在原文还只是 .txt / .md 的时候跑一轮静态检查，把明显雷区提前暴露出来。

核心能力与执行流程

它不联网、不调第三方查重库，纯标准库脚本，跑的是本地启发式规则：

• 查重风险：匹配 UNCITED_PHRASES 未引述词库，标出疑似没给出处的长短语；同时检测高重复句，给出改写方向。
• 格式校验：核对目录项缺失、参考文献编号不连续 / 缺年份、图表编号跳号。
• 逻辑断层：用 TRANSITION_WORDS 过渡词库找章节之间缺失的衔接词。
• 改写建议：每条问题都附可执行的补引用、补目录、加衔接建议，不是只报个行号。

配置文件里三个核心变量——UNCIRED_PHRASES、TRANSITION_WORDS、CITATION_MARKERS（引用标记正则）——都是普通变量，增删词条即可扩展规则，不用改逻辑。

输出报告字段

报告按 概览、查重风险、格式、逻辑断层 分组，其中查重风险会拆成「疑似未引述」和「高重复短语」两栏，分别给出行号 / 触发词 / 改写建议。概览顶部会明确标注非最终查重结果。

适用边界

• 只是启发式提示：基于关键词和重复句匹配，不是专业查重库。正式查重必须走知网 / 维普 / 万方，以它们的报告为准。
• 只读文本：程序不解析二进制，.docx 需先另存为文本；扫描件要先 OCR。
• 会误报也会漏报：过渡词缺失、重复句判定都需要人工复核，别盲信自动结论。