企业官网建设流程全解析

• AI 技能
• AI 写作
• 人工智能
• 深度研究
• AI 应用

本文以 deep-imitation-protocol.md 为核心，系统讲解 PaperSpine 学术写作技能中"深度模仿"范文的完整方法论：六层学习模型、三表对比法、闭卷重写流程、最低重写标准、章节蓝图要求与 Results/Discussion 纪律，并结合 revision_audit.py 等脚本源码，说明这套协议如何被工具链落地与验证。读完本文，你可以在对论文做结构性修改时，把"模仿优秀论文"从模糊的"听起来像学术腔"落实为可定位、可审计的段落级写作决策。

协议定位：为什么需要一套"深度模仿"流程

deep-imitation-protocol.md的开头就明确了触发条件与目标：当用户要求"修改必须从优秀论文中学习或模仿"（the revision must learn from or imitate excellent papers）时使用本参考文档；它的设计目的是防止只往旧稿里加几句的浅层编辑（shallow edits that merely add a few sentences to the old draft）。

从源码结构看，该协议在技能体系中的位置可以从两处确认：

• style-learning-workflow.md 要求：当用户希望稿件模仿优秀论文、期刊或会议风格时，先完成语料选择与风格画像，"For deep imitation, also readdeep-imitation-protocol.mdafter this file."——即深度模仿是风格学习流程的深化阶段。
• current-method-routing.json 中为该文档注册了明确的路由条目：用途是"完整读六层学习、标杆/原稿 move、蓝图、闭卷重建条件、操作选择、Results/Discussion 纪律、patch writing 诊断"，覆盖research、draft、review三个阶段，并给出审查口径："学结构/claim calibration 而不挪事实；每节功能/证据/目标适配改善可定位；对照原稿防丢有效结果；不以换词率或文件数量验收"。

最后一点尤其关键：协议的验收标准是"可定位的推理与写作变化"，而不是生成了多少个文件。这一点在文档正文中同样被强调——学习记录应写进同一任务的 notes（可用 style profile 或 section blueprint 承载），"Judge deep imitation by the observed reasoning and writing changes, not by the existence of particular filenames."

什么才算"从论文中学习"：六层学习模型

文档首先澄清了一个核心概念：学习既不是复制短语，也不是松松散散地"听起来学术"，而是提取可复用的写作决策（reusable writing decisions）。原文给出了一个六层对照表，每层回答"学什么"并产出什么：

这六层中，第 5 层的"句子架构"与 style-learning-workflow.md 中的"Anti-Plagiarism Rules"直接呼应：逐字句只能出现在分析表里，不能进入用户稿件；必须先把原文措辞转成抽象骨架（skeleton）再复用，且不能沿用罕见的隐喻、特色短语或不寻常的句序。换言之，"模仿"的对象是结构决策，而不是字面文本。

配套的 exemplar-learning-dossier.md 则给出了把这些学习"写下来"的可选工作格式（corpus 表、各维度观察、段落功能模板、结果叙事模板），并明确：档案（dossier）只是可选载体，"learning is demonstrated by justified writing choices, not a sequence of new files"。

三表法（Three-Table Method）：对着一节做结构化对比

对需要结构性修改的章节，协议要求把三类对象摆到一起比较：范文的动作（exemplar moves）、当前稿件的动作（draft moves）、以及以证据为导向的目标大纲（evidence-led outline）。文档强调三张表是"可选的比较方式"，现有笔记同样可以承载这一比较——但比较本身不可省略。原文对这一点的表述是：无论用什么格式，科研工作始终是同一件事——读选定的原文章节，定位其段落功能与证据，与草稿对比，把一个合适模式实际应用到一个真正改写的章节里；然后再把两份文本都打开，判断"被诊断出的论证问题是否修好了，同时研究的事实与声明边界是否保住了"。仅仅列出一串论文标题或完成一份 profile，都不算完成这项工作。

表 1：Exemplar Move Table（范文动作表）

| Exemplar | Paragraph | Move | Evidence Type | Opening Function | Closing Function | Notes | |---|---|---|---|---|---|---|

要求使用已保存的范文计数与实际读过的章节来填表；逐字引文只允许出现在分析笔记中，并在改写前转成抽象模式。

表 2：User Draft Move Table（原稿动作表）

| Draft Paragraph | Current Move | Evidence Present | Problem | Keepable Content | |---|---|---|---|---|

问题必须如实标记，文档列出七类典型问题：

• wrong move（动作错误）
• move missing（动作缺失）
• multiple moves in one paragraph（一段塞多个动作）
• unsupported claim（无支撑声明）
• weak transition（过渡弱）
• wrong level of detail（详略层级不当）
• not aligned with target style（与目标风格不符）

表 3：Target Section Blueprint（目标章节蓝图）

| Target Paragraph | Move | Source Evidence | Exemplar Pattern | Target Length | Required Operation | |---|---|---|---|---|---|

每一行必须选定一个操作。协议定义了七种允许的操作（allowed operations）：

文档最后给出选择原则：选那个能修复实际弱点（repairs the actual weakness）的操作；已经有效的文字要保留，操作比例（operation ratio）不是学习程度的度量。这与 rewrite-matrix.md 中"对风格模仿优先REWRITE/SPLIT/MERGE/MOVE，连续出现KEEP或ADD行应视为修改过浅的警告"是同一枚硬币的两面：既反对无脑全改，也反对用KEEP应付。

闭卷章节重写（Closed-Book Section Rewrite）

这是对"模型常见失败模式"——只改一句、加一句、其余原封不动——的直接解药。协议为每个重要章节规定了六步流程：

1. 读原始章节，把事实、声明、引用、图引用、数字全部抽取到笔记里；
2. 读已定位来源的范文动作表与"证据导向的章节计划"（无论记在表里还是现有笔记中）;
3. 停止看原文的文字（Stop looking at the original prose）；
4. 只依据笔记与蓝图起草新章节；
5. 重新打开原文，仅用于核验声明、数字、引用与图引用是否被完整保留；
6. 把原文与改稿的论证和段落对照"被诊断出的弱点"进行比较；revision_audit.py可以帮助定位近乎相同的文本，但"其相似度比例不决定科学或写作质量"（its similarity ratio does not decide scientific or writing quality）。

rewrite-matrix.md 的 Step 4.5 进一步说明了使用条件：当某节被诊断出结构性弱点时"consider rewriting from its facts and a new outline"；而当用户抱怨"此前的修改只是加句子、太浅"时，闭卷重写是强制的（"mandatory when the user complains that prior revisions only added sentences or were too shallow"）。round1-literature-revision.md 的 Phase 1（Move-Guided Section Rewrite）则提供了更细的逐 move 操作：先映射原稿各段的修辞动作，再映射范文的必选动作序列，然后为每个必选 move 指定"我们哪个段落承担、哪篇范文执行得最好、内容来自原稿哪部分（禁止新数据）"，最后逐 move 改写并做覆盖性、顺序、动机对齐与数字溯源检查。

最低重写标准（Minimum Rewrite Standards）

对实质性修改（substantive revision），文档给出了一张度量表。注意其中"近似段落比例"被明确标注为仅诊断用——这与"不以换词率验收"的路由口径一致：

文档补了一句很清醒的定性："These are not universal quality metrics, but they catch shallow revision."——它们不是普适的质量指标，而是用来抓浅层修改的。

章节蓝图要求与"章节经济性"

每个蓝图必须回答七个问题：

1. 这个章节的传播职责（communicative job）是什么？
2. 哪篇范文提供最接近的章节结构？
3. 哪些 move 是必选的（obligatory）？
4. 这些 move 应按什么顺序出现？
5. 哪些旧内容该删除、合并、拆分或移动？
6. 用户材料中的哪些证据支撑每个目标段落？
7. 适用哪些风格约束：句长、引用密度、声明强度、开头/结尾方式？

关于章节数量，文档给了一条容易被误读成"硬性预算"的原则：章节经济性服从文章论证与目标要求。范文的章节功能与比例只是方向（orientation），结构要由当前证据需要决定；只有当短小或冗余章节的"智识职责"仍然清晰时，才合并它们；单独的 Discussion 或 Conclusion 可能是合适的。最后点名了配套工具的使用边界："Treatsection_economy_check.py's count warnings as diagnostics, never as a reason to remove required content."

这条原则在 section_economy_check.py 的实现中得到印证：脚本 docstring 说明"应用型期刊/会议论文大约 4–6 个顶层章节"，默认DEFAULT_MAX_SECTIONS = 6（见 section_economy_check.py#L26），但默认运行只输出advisory并"leave the architecture to the Agent"；只有显式--enforce时才把超章节数升级为 error 并以退出码 1 表示失败（见 section_economy_check.py#L6-L9）。工具形态与文档表述完全一致：计数警告是诊断，不是删内容的理由。

Results 与 Discussion 的纪律

深度模仿最危险的地方是"学范文学到事实"。协议为两个章节设了硬纪律。

Results 方面：

• 不得从范文论文中借用结果（Do not borrow results from exemplar papers）；
• 除非用户允许目视估算，不得从图中反推数值（Do not infer numerical values from figures unless the user permits visual estimation）；
• 优先使用表格/日志/原稿中的精确值；
• 若原始数组不可得，保留用户材料中明确报告的受支撑数值与发现，并把"报告的结果"与"独立复现"区分开；没有数值来源时只描述图本身能支撑的内容，标记具体的含糊点，而不是把用户提供的工作整体标成"未验证"。

Discussion 方面：

• 用用户自己的结果去解决 Introduction 提出的 gap；
• 只与"所引用论点确实被核对过"的相关前作比较——包括经过正当的公开文献检索；遵守明确的离线指令（materials_only排除的是新分析，不限制正常的公开引用核对）；
• 未来工作与局限只扩展到研究设计能支撑的声明范围。

这些纪律与 rewrite-matrix.md 的编辑规则形成闭环：优先删除弱泛化文字而不是追加无支撑声明；用户数据未确认前一字不改；缺失证据标[NEED DATA: ...]、缺失引文标[NEED CITATION: ...]；"Use the style corpus for structure and language patterns, not for scientific facts about the user's experiment." 风格语料教结构与语言，不教用户实验的科学事实。

失败模式：Patch Writing（补丁式写作）

文档把浅层修改的典型症状列成了可核对的清单——这正是前文所有标准的反面画像：

• "This paragraph is adequate; minor polish only" 在矩阵里反复出现；
• 大多数操作是ADD或KEEP；
• 新增了一个小节，但既有的弱章节原封不动；
• 范文论文出现在报告里，却没有进入实际的段落计划；
• 不存在任何章节蓝图；
• 没有任何审计去比较原文与改稿文本。

处理原则再次强调平衡：如果某个已识别的论证弱点仍然存在，就用三表比较去修复那一节，闭卷重写可能有帮助；同时保留有效的修改与未受影响的文字，不要为了满足操作比例而丢弃已有工作（Preserve effective changes and unaffected prose rather than discarding work to satisfy an operation ratio）。

源码级验证：revision_audit.py如何量化"浅层修改"

协议第 6 步提到的revision_audit.py是整条流水线中唯一的机器可执行环节。阅读 revision_audit.py 可以看到它的实现细节与文档口径的对应关系：

输入与规范化。脚本比较.txt/.md/.tex三种格式的原稿与改稿（normalize_text会按后缀调用normalize_tex或normalize_markdown`），先分段再做"规范化段落"级别的相似度比对，避免 LaTeX 命令与 Markdown 记号干扰判断（见 revision_audit.py#L54-L61）。

两个阈值与两类指标。命令行参数定义了判定边界（见 revision_audit.py#L173-L174）：

python scripts/revision_audit.py <original> <revised> --markdown # --unchanged-threshold 0.82 # 相似度 >= 0.82 视为"近似未变" # --new-threshold 0.25 # 相似度 < 0.25 视为"基本全新"

汇总结果（AuditSummary）包含：近似未变的改稿段落数/比例、基本全新的改稿段落数/比例、疑似被删除的原稿段落数/比例，以及两个派生标志：

• addition_heavy：mostly_new_ratio > 0.35 and deleted_ratio < 0.15（大量新增但几乎没删——典型"只加不改"模式，对应标准表中"主导操作不应是 ADD"）；
• shallow_warning：near_identical_ratio > 0.35（近似未变段落超过三分之一，见 revision_audit.py#L124-L125）。

退出码语义。main在shallow_warning为真时返回 1，否则 0（见 revision_audit.py#L200）。也就是说脚本可以被当作 CI/流程里的护栏，但它的自我定位与文档一致：docstring 写明"Use it as a guardrail, not as a literary judge"（当护栏用，不当文学裁判）。默认输出是 Markdown 报告，含"最高相似度段落"与"最低相似度段落"两张 Top-20 表，方便人工定位；--json则输出结构化结果。

测试佐证。tests/test_scripts.py 中的test_revision_audit_reports_similarity用仓库自带的最小夹具 tests/fixtures/mini_paper.tex 与 tests/fixtures/mini_paper_revised.tex 真实运行该脚本，断言输出包含# Revision Audit与Near-identical revised paragraphs——这意味着这套审计行为是回归测试锁定过的，而 tests/fixtures 目录可以直接作为理解输入形态的示例。

在改写流程中的位置。rewrite-matrix.md 的 Step 8（Shallow-Edit Audit）规定改写收尾时运行：

python scripts/revision_audit.py <original> <revised> --markdown > paper_rewriting_output/revision_audit.md

并给出三条解释规则：高"未变比例"是诊断信号，要回查被诊断的弱点是否仍在、保留并解释为何保留有效文字；高"新增比例"意味着改写主要是在追加内容；弱章节的高相似度意味着该节应依据蓝图重建。最后一句与本协议呼应："If the user asked for deep imitation, do not finalize until the audit is acceptable or the report explicitly explains why unchanged text was necessary."

配套工具与文档：延伸阅读路径

深度模仿不是孤立文档，它在技能引用网里有一圈配套件，可按"学什么 → 怎么学 → 怎么改 → 怎么验"理解：

小结：把"模仿"落到可审计的动作序列上

deep-imitation-protocol.md的核心主张可以浓缩为三句话：学习范文是提取六层可复用的写作决策（论证架构、章节节奏、声明校准、证据摆放、句子架构、读者契约），而不是抄句子；对每个弱章节用"范文动作表—原稿动作表—目标蓝图"三表法做出段落级操作决策（七种操作中选能修复实际弱点的那一个），并在闭卷条件下重写以杜绝"只加一句"的失败模式；验收看的是"被诊断的论证弱点是否修好、事实与声明边界是否保住"，revision_audit.py的相似度只是诊断信号，操作比例与文件数量都不是学习程度的度量。这套协议与 PaperSpine 的脚本护栏（revision_audit.py、section_economy_check.py）和矩阵/档案类参考文档配合，构成了从"读范文"到"可验证改写"的完整闭环。

• AI 技能
• AI 写作
• 人工智能
• 深度研究
• AI 应用