核心用法
Paper Writing Workflow 是一个系统化的学术论文生成框架，整合多个专业写作技能，将论文写作拆分为6个标准化阶段：选题假设→文献综述→大纲设计→初稿写作→图表生成→润色检查。用户可通过命令行指定期刊模板（Scientific Data、Nature Communications、IEEE Conference、PNAS），一键生成符合格式要求的完整论文。
核心功能包括：
- 模板驱动写作：内置4种顶级期刊的严格格式规范，自动匹配字数、图表数量要求
- 模块化执行：支持单独执行任意阶段，灵活应对不同写作需求
- IMRAD结构化：强制遵循国际通用的引言-方法-结果-讨论结构，确保学术规范性
- 图表优先策略：强调先规划可视化内容，再以图表驱动正文写作
显著优点
流程标准化程度高：将主观性强的学术写作转化为可复现的工程流程，显著降低新手门槛，老手可借此建立系统化写作习惯。
期刊适配精准：直接对接Scientific Data、Nature Communications等顶刊的投稿要求，内置字数分配、图表规范、引用格式等细节，减少返工。
工具链整合完善：与文献搜索、论文解析、引用管理、科学可视化等技能无缝衔接，形成从研究到发表的一站式工作流。
质量控制体系健全：每个阶段配备明确的检查清单（Checklist），涵盖结构完整性、内容准确性、格式规范性三重维度。
潜在缺点与局限性
内容深度依赖底层技能：作为编排层工作流，实际写作质量取决于所调用的hypothesis-generation、scientific-writing等子技能能力，若子技能输出薄弱，最终论文质量受限。
学科覆盖偏向STEM：IMRAD结构起源于实证研究，对人文社科、理论数学等不遵循此结构的领域适配性较差。
创新性约束：标准化流程可能抑制非常规但高价值的论文结构创新，适合"循规蹈矩"的常规研究，突破性成果可能需要突破模板。
语言风格局限：主要面向英文国际期刊，对中文核心期刊、小语种期刊的支持未明确体现。
真实性问题：AI生成内容需人工核验数据真实性、引用准确性，存在"幻觉"风险。
适合人群
- 研究生/博士生：需系统性学习规范学术写作的研究新人
- 青年科研人员：追求发表效率、需要快速产出符合期刊格式初稿的研究者
- 跨学科研究者：不熟悉目标领域写作惯例，需要模板引导的学者
- 英文非母语者：依赖结构化指导降低语言组织成本的非英语国家研究者
常规风险
学术诚信风险：直接使用生成内容投稿可能构成学术不端，必须明确标注AI辅助并彻底人工改写；引用格式错误可能导致 unintentional plagiarism。
质量幻觉风险：流程完整≠质量合格，用户可能因"生成完毕"的错觉而放松审校，忽视事实核查。
期刊政策风险：部分期刊（如Nature部分子刊）已限制AI生成内容投稿比例，需提前确认目标期刊政策。
技术依赖风险：工作流涉及多技能联动，任一环节故障可能导致输出中断或质量波动。
时间估算偏差：标注的各阶段时长（如初稿60-120分钟）为理想情况，实际复杂研究可能远超预期，造成进度误判。