thu-thesis

核心功能

thu-thesis 是一款专为清华大学学位论文设计的格式转换与规范化工具，解决 Word 文档向符合 thuthesis 官方 LaTeX 模板标准 PDF 转换的痛点。

核心用法：通过三层 AI-native 流程实现全自动转换——机械提取层（python-docx 解析文档骨架）→ AI 理解层（识别章节结构、摘要范围、参考文献位置）→ Python 组装层（生成 parsed JSON 并渲染 LaTeX）。用户仅需执行 extract 和 build 两条命令，即可获得完整编译的 PDF 及 LaTeX 工程。

显著优点：

• 权威性保障：严格遵循 thuthesis.cls 官方模板，所有格式决策以 assets/databk/ 中的官方示例为黄金标准，不擅自"改进"格式
• 智能参考文献处理：自动生成 BibTeX，支持数字引用转 \cite，首创 author-year 行文引用自动补全（如"张三（2024）"自动关联 \cite{zhang2024}）
• 图表完整提取：普通图片、Office 图表对象（matplotlib 重绘）、三线表格式自动转换，生成插图/附表清单
• 缩略语智能管理：自动生成符号说明表，检测"孤儿缩略语"并自动在正文首次出现处补写全称
• 评测驱动修复：38 项 Rubric 评测体系，编译后自动识别可修复问题并循环优化（最多 3 次）

潜在局限：

• SVG 图片暂不支持直接转换
• committee/comments/resolution 等答辩后内容需手工填写占位
• 旧版 .doc 格式需预先转换为 .docx
• Author-year 引用匹配依赖姓名简称规则，复杂情况可能匹配失败
• 表格/图片无 caption 时无法无中生有（Word 原文限制）

适合人群：清华大学 MBA、学术硕士、专业硕士等所有学位论文撰写者，尤其适用于需快速规范化格式、已有 Word 草稿需转为官方 PDF 模板的场景。

常规风险：依赖 TeX Live 环境，首次使用需从 GitHub 克隆 thuthesis；Python 脚本不调用 LLM，AI 仅在"阅读理解"步骤介入，降低了 API 成本与延迟，但要求用户环境具备完整 LaTeX 编译链。

核心用法

thu-thesis 采用三层 AI-native 架构实现 Word 到 LaTeX/PDF 的自动化转换：第一层通过 extract_raw.py 纯机械提取文档段落、表格、图片等原始数据；第二层由 AI 阅读理解生成结构化骨架 struct.json，识别章节层级、摘要范围、参考文献位置等语义信息；第三层通过 build_parsed.py 和 render.py 纯 Python 组装渲染，填充 Jinja2 模板生成完整 LaTeX 项目，最终经 xelatex+bibtex 编译输出 PDF。整个流程中 Python 脚本不调用任何 LLM，AI 仅介入中间的结构理解环节，确保可控性与可复现性。

用户只需一条命令即可完成转换：先执行 extract 生成文档骨架供 AI 阅读，AI 输出 struct.json 后，再执行 build 自动完成组装、渲染、编译及 Rubric 评测。输出路径遵循与原 .docx 同目录的 <原文件名>-latex/ 规范，最终交付含 thesis.pdf 的完整工程目录。

显著优点

权威性保障：严格遵循清华大学官方 thuthesis LaTeX 模板，所有格式决策以 assets/databk/ 中的官方示例为黄金标准，封面、页眉、目录、参考文献样式等均由 thuthesis.cls 自动生成，杜绝人为格式漂移。

智能内容提取：自动识别并提取中英文摘要、章节结构、三线表、图片 caption、致谢、个人简历等完整论文要素；独创缩略语孤儿检测机制，自动在正文首次出现处补写说明，并生成符号清单。

参考文献自动化：Word 原文参考文献列表自动解析为 BibTeX 格式，支持数字编号 [1-3] 与 author-year 行文引用自动补全 ie，未被引用文献通过关键词匹配或 `
ocite` 兜底。

质量闭环评测：内置 38 项 Rubric 评测体系（满分 90 分），涵盖元信息、正文结构、参考文献、图表、缩略语、编译质量六大维度；评测后支持最多 3 轮自动修复循环，无需用户确认即可修复 BibTeX 字段缺失、转义错误等问题。

潜在缺点与局限性

格式依赖严格：仅支持 .docx 格式，旧版 .doc 需预先转换；SVG 图片因 LaTeX 原生支持限制被跳过；committee/comments/resolution 等答辩后内容仍为占位符，需手工填写。

AI 理解边界：章节结构识别依赖 AI 对文档骨架的语义理解，极端复杂的排版或非标准样式可能导致章节划分偏差；author-year 引用匹配失败时会保留原文，需人工核对。

环境依赖较重：需预装完整 TeX Live 环境（xelatex/bibtex），setup.sh 会从 GitHub 拉取 thuthesis 模板，离线环境或网络受限场景需提前准备。

修复能力有限：自动修复仅覆盖工具层问题（如转义、解析逻辑），Word 原文缺失的表格 caption、未引用文献等根源性问题无法无中生有。

适合的目标群体

主要面向清华大学 MBA、学术硕士、专业硕士等学位论文撰写者，尤其适合已用 Word 完成内容写作、需快速转换为规范 PDF 格式的毕业年级学生；同样适用于导师团队批量处理学生论文格式，或图书馆、教务部门进行论文格式预审。对 LaTeX 技术细节不熟悉但需输出符合官方模板标准的用户最为友好。

使用风险

性能风险：大体积 Word 文档（如含大量高清图片）解析时内存占用较高，建议添加文件大小限制或分批处理。

依赖项风险：TeX Live 版本差异可能导致编译行为不一致，建议使用最新稳定版；python-docx、jinja2 等依赖库需及时更新以规避潜在解析 bug。

数据安全：工具仅本地处理文档，不上传敏感内容至第三方；但 GitHub 模板拉取环节需确保网络可信，防止中间人攻击替换模板代码。

结果核验：尽管有 Rubric 评测，最终 PDF 仍需人工核对目录结构、页码连续性、特殊符号显示等细节，尤其关注 AI 可能误判的复杂表格跨页、长公式断行等问题。