academic-writing-refiner

核心用法

Academic Writing Refiner 是一款专为计算机科学顶会论文设计的学术写作优化技能。用户只需提供论文草稿（支持LaTeX或纯文本），即可针对摘要、引言、相关工作、方法、实验、结论等不同章节获得精准的润色建议。技能内置NeurIPS、ICML、ICLR、ACL、CVPR等十余个顶级会议的写作风格指南，能够自动识别用户目标 venue 并调整优化策略。

使用流程简洁直观：首先分析文本所属章节和投稿会议，然后应用该章节特定的写作规范（如摘要需自包含、引言需在前一页阐明贡献），最后进行句子级精修——包括去除冗余表达、强化逻辑衔接、修正悬垂修饰语等常见问题。对于LaTeX文档，技能会完整保留所有引用、标签、公式环境和格式命令，仅优化正文 prose。

显著优点

该技能的核心优势在于其专业性和针对性。不同于通用写作工具，它深度理解CS顶会的评审期待：ML会议偏好简洁公式化表达，NLP会议强调语言学术语精确性，IR/Web会议注重问题动机与实际影响。这种 venue-aware 的优化能显著提升论文与目标读者群的契合度。

其次，技能遵循"清晰优于华丽"的学术写作哲学，系统性地将"utilize"改为"use"、将"a plethora of"改为"many"，帮助非英语母语研究者避免过度复杂的词汇陷阱。内置的词汇选择参考表和章节写作指南提供了可复用的写作框架，长期使用可培养用户的学术写作能力。

此外，技能支持迭代精修模式，用户可针对特定段落提出"保留原结构""增强动机"等反馈，实现 surgical editing 而非全盘重写，充分尊重作者的声音和意图。

潜在缺点与局限性

首要局限在于内容边界：技能仅优化表达形式，不补充缺失的实验对比、不添加引用、不发明结果。若用户稿件存在结构性缺陷（如缺乏相关工作对比），技能只能标记建议而无法自动修复。

其次，venue 风格建议存在过度简化风险。虽然技能区分了ML/NLP/CV/IR等大类，但同一会议不同年份、不同 track 的偏好可能存在差异，技能提供的"倾向性"描述不应被视为 rigid rules。

对于高度数学化的理论论文，技能在保持符号一致性方面能力有限——虽能标记 $\mathbf{x}$ 与 $\boldsymbol{x}$ 的不一致，但无法验证证明的正确性或建议更优雅的表述方式。此外，技能对非标准LaTeX宏包的支持未明确说明，复杂自定义命令可能存在解析风险。

适合的目标群体

该技能最适合以下用户：

• 非英语母语的CS研究生和青年研究者，需要将技术内容准确转化为符合国际顶会标准的学术英语
• 首次投稿顶会的学生作者，需要快速掌握NeurIPS/ACL等会议的写作惯例和隐性规范
• 处于 revision 阶段的作者，需要根据审稿意见优化特定章节的表达清晰度
• 需要撰写 rebuttal 的研究者，技能内置的审稿回复指南可帮助构建有说服力的回应

对于已发表多篇顶会论文的资深研究者，该技能的边际价值较低，但其词汇精简建议仍可作为最终 polish 的参考。

使用风险

学术诚信风险：用户需明确区分"润色建议"与"原创内容"，直接将优化后的文本作为自己作品提交可能违反部分机构的学术规范。建议将技能输出作为修改参考，经人工审核后再纳入稿件。

过度依赖风险：长期依赖自动化润色可能削弱用户自身的学术写作能力，建议结合技能提供的写作原则进行主动学习，而非被动接受所有修改。

格式兼容性风险：虽然技能承诺保留LaTeX结构，但复杂文档（含大量自定义宏、条件编译、或特殊环境）建议先在测试片段上验证，再应用于完整论文。

评审期望变化风险：顶会评审标准逐年演变，技能基于历史最佳实践的建议可能与最新趋势存在偏差，用户应结合当年会议的官方指南和近期录用论文进行交叉验证。