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

本篇指南面向需要在论文写作/修订阶段进行"期刊风格对齐"的 PaperSpine 使用者，系统讲解 journal-style-analysis.md 中定义的 JS-1～JS-7 七张分析模板与 Journal-Style FAT 三层次综合法。读完你将掌握：如何基于 3 篇目标期刊标杆论文，定量与定性结合地测出章节长度分布、开闭句惯例、主张力度、引用模式、技术深度、术语偏好与图表惯例，并把这些观测转化为可执行的稿件修改清单——同时学会借助 style_metrics.py 与 section_economy_check.py 两个脚本完成半自动诊断，理解其"默认建议、显式强制"的运行语义。

一、文档定位：期刊风格分析在 PaperSpine 方法链中的角色

journal-style-analysis.md是 PaperSpine 风格学习工作流的核心分析模板文件。在方法路由表 current-method-routing.json 中，它被注册为references/journal-style-analysis.md，作用范围覆盖research、draft、review三个阶段，用途描述为：

"全文 JS1–7 及 FAT；章节长度、开闭句、主张力度、引用密度/位置、技术深度、术语、图表惯例。"

它不是一个孤立的静态模板，而是与以下参考文档构成一条完整的风格学习链路：

在使用顺序上，PaperSpine 的默认语料配置为same_field_papers=3、target_venue_papers=3（即"同领域强论文 3 篇 + 目标期刊代表性论文 3 篇"）。本文档中的 JS-1～JS-7 模板正是针对这 3 篇目标期刊论文（文中以 J1、J2、J3 表示）逐项观测、最后求取共识的工作表。

二、JS-1：章节长度分布（Section Length Distribution）

2.1 模板与填写方法

对每篇标杆论文，统计其顶层章节的篇幅结构，填入下表：

填写要点：

• 记录观测，而非制定预算：文档明确强调，记录标杆论文的顶层章节数量并解释每个章节的功能，其用途是诊断碎片化（diagnose fragmentation），而不是为本稿自动设定篇幅预算。
• 百分比口径一致：路由表中的review_check特别提醒"不同文章类型/页面口径不混算"，即统计时需保持词数/页数口径一致，不能一篇按词、一篇按页混着算。

2.2 配套脚本：section_economy_check.py 的语义

JS-1 的观测结果应与 section_economy_check.py 配合解读。该脚本核心行为如下：

• 默认建议模式（advisory）：脚本默认不会因章节数超出某个值而失败（exit code 0）。它对章节数超标的稿件输出advisory级别提示，措辞为"超过取向值（orientation value）"，但架构是否碎片化交由 Agent 判断。
• 显式强制模式（--enforce）：只有显式传入--enforce时才把超标升级为error并返回 exit code 1。
• 两个关键常量：DEFAULT_MAX_SECTIONS = 6（顶层章节取向值上限，可用--max-sections覆盖）；STUB_UNITS = 120（约 1～2 段内容量，中文按 CJK 字符计、英文按单词计，作为"过短章节"的判定阈值）。
• 短章节处理规则：文档明确"一个短章节只有在它没有独立功能时才应该被合并"——脚本对非末节、内容量低于 120 的章节给出warning，建议并入相邻章节，但末节不参与该判定（见check()中is_last逻辑）。

命令行用法：

python src/scripts/section_economy_check.py main.tex --markdown # 建议模式 python src/scripts/section_economy_check.py main.tex --markdown --enforce # 严格模式 python src/scripts/section_economy_check.py main.tex --json # JSON 输出

脚本输出Status: PASS / PASS_WITH_ADVISORIES / FAIL，并列出每个 finding 的严重级别与消息。行为已由 tests/test_scripts.py 中的测试验证：8 个章节的bloated.tex在默认模式下返回 0 且包含PASS_WITH_ADVISORIES（test_section_economy_is_advisory_by_default），同样的稿件加--enforce后返回 1 且输出Status: FAIL（test_section_economy_can_be_enforced_in_strict_mode），5 个章节的lean.tex则输出Status: PASS（test_section_economy_passes_within_budget）。

实践建议：JS-1 的表格回答"目标期刊长什么样"（观测），section_economy 回答"本稿有没有碎片化风险"（诊断），两者互补，但都不构成硬性字数/章节数预算——这与方法路由中的纠偏声明一致："样本值只能指导选择"。

三、JS-2：开闭句惯例分析（Opening/Closing Convention Analysis）

3.1 模板与填写方法

对每个章节，逐字记录首句与末句，并归纳其句式模式：

填写要点：

• verbatim（逐字）记录是分析素材，但不是可以直接抄进本稿的文字——style-learning-workflow.md 的反抄袭规则明确：verbatim 句子只能出现在分析表格里，不能出现在用户稿件中；复用前必须转成抽象骨架（skeleton）。
• Pattern 归纳：例如 Introduction 的开篇常是"从大背景收窄到具体问题"（漏斗式），Discussion 的开篇常是"重述研究目的+概括发现"，Closing 常是"limitation + future work"呼应。这些动作可对照 deep-reading.md 中 Pass 2 的 M1–M11 move 体系（如 Introduction 的 M1 确立领域 → M2 指出差距 → M3 呈现本研究；Discussion 的 M9 回顾研究 → M10 评价发现 → M11 说明局限与展望）来标注。

3.2 配套脚本：style_metrics.py 自动抽取首尾句

style_metrics.py 会自动为每个章节抽取first_sentence与last_sentence，并输出到 "Openings And Closings" 表格中，这正好是 JS-2 的自动化起点：

python src/scripts/style_metrics.py <corpus-folder> --markdown > paper_rewriting_output/style_metrics.md

脚本按目录递归收集.txt/.md/.tex文件，对.tex会把\section/\subsection/\subsubsection归一化为 Markdown 标题再分节，对.md按 1～3 级标题分节。其SectionMetrics数据类包含first_sentence、last_sentence、word_count、sentence_count、paragraph_count、avg_sentence_words、avg_paragraph_words、citation_count等字段——JS-1 与 JS-2 的大部分原始数据都可以从这份脚本输出中获得，再回到原文段落核对功能（脚本注释明确"metric counts alone cannot establish those functions"）。

四、JS-3：主张力度校准（Claim Strength Calibration）

4.1 模板与填写方法

从标杆论文中抽样 10 条主张（claims），逐条评级：

最后统计分布：

Strength distribution: Strong: N% | Moderate: N% | Tentative: N%

力度分为三级：

• strong：直接断言实验结果，如 "X significantly improves Y"；
• moderate：带条件或限定，如 "these results suggest that..."；
• tentative：推测性表述，如 "may indicate...", "might be explained by..."。

Hedging Used 一栏要列出该主张实际使用的模糊限制词（hedging verbs、intensifiers、qualifiers），例如suggest、indicate、demonstrate、notably、particularly、consistent with等。

4.2 两条重要纪律

• 力度按证据定，不按比例模仿：路由表review_check明确"强度不按比例模仿"。即：标杆论文 Strong 占 70% 不代表本稿也要 70% Strong；本稿每个主张的力度必须与本研究证据强度匹配。
• 校准词义而非替换词：round2-journal-revision.md 的 R1（Recalibration）指出，语料词频只能提示用法模式，永远不能仅仅因为"show"在标杆里更常见就用"demonstrate"替换——除非本稿证据确实支持更强语义。R2（Replacement）示例："important" 出现 20 次时可参考期刊论文中 "critical / essential / fundamental / central" 的上下文搭配进行多样化，但仍须语境匹配。

配套参考：assertive-scientific-writing.md 提供研究者语气与适度限定（proportionate qualification）的写作纪律。

五、JS-4：引用模式分析（Citation Pattern Analysis）

JS-4 是纯观测清单，围绕四个维度记录：

• Citation density（引用密度）：每页平均引用数（N citations per page）。style_metrics.py 会输出每文档/每章节的citation_count（对.tex按\cite系列命令计数，对.md按链接或数字方括号计数），可作为密度统计的原始输入。
• Citation placement（引用位置）：统计三种位置的百分比——句中间（mid-sentence）、句末（end-of-sentence）、独立括号（standalone parenthetical）。
• Prior work 的讨论方式：融入叙述（integrated into narrative）/ 独立 Related Work 章节 / 两者兼有。
• 典型引用语境：例如 "[X] developed Y for Z"（以作者为主语的主动式）对比 "prior work has addressed Z [1-5]"（以主题为主语的被动式/括号式）。

实践要点：引用位置的观测结果会直接进入 round2-journal-revision.md 的 Style Conformity Checklist——"Citation placement matches journal convention"与"Reference format matches journal's bst/style"两条核对项。此外，引用广度目标（journal-learning.md 中的reference_count_mode: venue_average，目标为floor(mean) + 1条有效引用）与 JS-4 的密度观测是互补关系：密度回答"怎么写"，广度回答"引多少"，两者都不允许 padding。

六、JS-5：技术深度校准（Technical Depth Calibration）

JS-5 从五个维度刻画标杆论文的技术密度，用于校准本稿的写作深浅：

• Assumed reader knowledge：作者假设读者是 beginner / domain expert / sub-subfield expert。
• Method explanation style：逐步讲解（step-by-step）/ 先高层后细节（high-level then details）/ 一开始就铺开全部细节（all details upfront）。
• Equation density：每页公式数（N equations per page）。
• Abbreviation convention：缩写是在摘要首次出现时展开（expanded at first use in abstract）还是只在正文展开（expanded only in body），或采用其他约定。
• How many acronyms introduced：全文引入的缩写总数 N。

技术深度观测的价值在于防止两类失误：对领域专家过度解释（低估读者）、对非专业读者直接抛术语（高估读者）。它与 JS-3 一样遵循"观测→按本研究与目标期刊适配"的原则，而非机械套用。

七、JS-6：期刊特有术语偏好（Journal-Specific Terminology Preferences）

7.1 模板与填写方法

针对易混词汇/表达，逐一比较 3 篇论文的用法，求取共识：

文档示例中已给出三组典型比对对象：主张动词（show/demonstrate/reveal）、英式拼写变体（whilst/while）、结果表述（Result phrasing）。实际使用时可按需扩展行，如副词连接词（however vs nevertheless vs that said）、强调词（notably vs particularly vs especially）、形容词搭配（critical vs essential vs fundamental vs central）等——这些都是 round2-journal-revision.md 中 R1/R2 明确点名的关注类别。

7.2 共识的判定层级

style-learning-workflow.md 给出了"如何推断风格"的严格顺序：

1. 硬性期刊规则（hard venue rules）：官方投稿指南与模板；
2. 语料共识（corpus consensus）：多数标杆论文共享的模式；
3. 最接近论文模式（closest-paper pattern）：仅当只有一篇标杆与用户论文高度相近时；
4. 一般学术写作规范：仅当语料证据缺失时。

每条最终规则必须声明由哪一层支持。这意味着 JS-6 的 "Consensus" 列只是第二层（语料观测），不能凌驾于第一层官方规则之上；第三层（单篇近例）与第四层（通用规范）只在特定条件下启用。

八、JS-7：图表期刊惯例（Figure/Table Journal Conventions）

JS-7 聚焦论文中视觉要素的期刊惯例，逐项比对：

五个观测维度：

• Caption style：图注的句式（陈述句 vs 祈使句）、详略（一句话概述 vs 含统计细节）、是否以 "Fig. 1." 编号起始等；
• Figure callout in text：正文中引用图的方式——"Figure 1 shows..."、"as shown in Fig. 1"、括号式 "（Fig. 1）"、编号加面板（Fig. 1a-c）等；
• Table caption position：表题置于表上方还是下方（期刊惯例通常表题在上、图题在下，但需以观测为准）；
• Color figure policy：是否允许彩色、是否要求打印友好（灰度可辨）；
• Figure placement：图嵌入正文流中（inline）还是置于文末、单栏/跨栏等。

该模板的观测会落入 round2-journal-revision.md 的 "Figures/Tables" 核对区（Captions 用期刊共识风格、Figure callouts 匹配期刊惯例、Table formatting 匹配期刊惯例），并与 journal-learning.md 的"本地目标期刊 PDF 逐页视觉阅读"衔接——注意review_check提醒"视觉用原 PDF"，即图表排版判断必须基于真实出版 PDF 的页面观感，而非仅凭文本提取。

九、Journal-Style FAT 分析：从观测到修改指令

9.1 FAT 三层次结构

JS-1～JS-7 产生的是分维度观测，而 Journal-Style FAT 把它们综合成"事实 → 评价 → 迁移"的闭环。该模板在 deep-reading.md 的 Pass 3 FAT 结构（Facts / Appreciation / Tie）基础上做了期刊风格化改造：

### Pass 3: Journal-Style FAT #### F — Facts (objective journal conventions across 3 papers) - Section length ratios (averaged): Intro X%, Methods Y%, Results Z%, Discussion W% - Claim strength distribution (averaged): Strong X%, Moderate Y%, Tentative Z% - Citation density (averaged): N cites/page - Opening conventions (pattern summary): - Closing conventions (pattern summary): - Terminology preferences (consensus terms): #### A — Appreciation (what these conventions imply) - What makes a paper "feel like" it belongs in this journal: - Common weaknesses across the 3 journal papers: - What the journal prioritizes (methods rigor, results breadth, discussion depth): #### T — Tie (what we must change) - Structural changes needed: - Section proportion adjustments: - Claim strength adjustments: - Terminology switches: - Figure/table format changes: - Citation style changes:

三层各自的纪律：

• F（Facts）：只做客观复述，不做价值判断。章节比例、力度分布、引用密度取 3 篇平均值，开闭句与术语给出模式/共识汇总。所有数字必须来自 JS-1～JS-7 的实际测量。
• A（Appreciation）：解释这些惯例意味着什么——什么让一篇论文"看起来属于"这本期刊、3 篇论文共同的弱点、期刊在"方法严谨度 / 结果广度 / 讨论深度"之间的优先级。这是评价层，可以表达判断。
• T（Tie）：转化为本稿必须做的具体变更，六类动作：结构调整、章节比例调整、主张力度调整、术语切换、图表格式变更、引用风格变更。

F-A-T 的顺序本身是一种防偏误机制：先陈述事实，再作评价，最后才落到修改，避免"没测就改"或"凭印象下结论"。

9.2 FAT 输出如何衔接后续流程

• 生成风格画像：FAT 的观测与结论可整合进 style-learning-workflow.md 的style_profile.md模板（Global Style 的 claim strength / technical density / citation style / figure-table emphasis 等字段），并进一步生成 "Section Blueprint Inputs" 与 "Style Constraints for Rewriting"（章节长度目标、段落长度目标、引用密度目标、最大主张力度等）。
• 构建期刊一致性核对清单：round2-journal-revision.md 的 Phase 1 明确规定：从 3 篇期刊论文的 Pass 2 与 Pass 3 输出构建 Style Conformity Checklist，覆盖结构（章节顺序、摘要格式）、开闭句、主张（力度与证据匹配）、术语、引用（位置与 bst 格式）、图表、补充材料七个区块，随后 Phase 2 逐节对照修订并输出revision_2_journal_style.md。

十、使用边界与防误用提醒

围绕 journal-style-analysis.md，路由表 current-method-routing.json 的current_application与review_check字段记录了几条重要的使用边界，写作与执行时务必遵守：

1. 官方规则优先于样本观测：期刊官方 Author Instructions、模板与文章类型要求是最高优先级；JS 模板观测到的只是已发表论文的风格证据，二者冲突时以官方为准。
2. 章节数/比例只是取向值：section_economy_check.py的 6 章取向值与 120 内容单元阈值是诊断参考；"章节数超了"不等于"要硬删章节"，保留具有独立期刊适切智力功能的章节是被明确允许的（脚本消息原文："keep additional sections when they perform distinct venue-appropriate intellectual jobs"）。
3. 力度不按百分比模仿：JS-3 的 Strong/Moderate/Tentative 分布是观测结果，本稿每个主张的力度由当前证据决定，必要时保留不确定性（"Necessary uncertainty is preserved; avoid redundant hedging without strengthening unsupported claims"）。
4. 口径一致：统计章节长度、引用密度时保持文章类型与页面口径一致，避免跨类型混算。
5. 视觉证据用原 PDF：图表惯例（JS-7）与版式判断必须基于实际阅读的目标期刊出版 PDF，文本提取与数字清单不能替代页面视觉学习。

十一、最小可行执行路径（速查）

把上述内容压缩成一条可直接执行的最小路径，供 PaperSpine 的 research/draft 阶段使用：

# 1. 准备语料：同领域 3 篇 + 目标期刊 3 篇（默认配置 3+3，见 journal-learning.md） # 2. 计算轻量风格指标（JS-1/JS-2 数据来源） python src/scripts/style_metrics.py <corpus-folder> --markdown > paper_rewriting_output/style_metrics.md # 3. 本稿章节经济诊断（默认建议，仅诊断） python src/scripts/section_economy_check.py main.tex --markdown

1. 对 3 篇目标期刊论文逐篇填写 JS-1（章节长度）、JS-2（开闭句）、JS-3（主张力度抽样 10 条）、JS-4（引用模式）、JS-5（技术深度）、JS-6（术语偏好）、JS-7（图表惯例）；
2. 汇总求取 3 篇共识，填入 Journal-Style FAT 的 F 层；
3. 撰写 A 层评价，推导 T 层六类修改指令；
4. 依据 T 层构建 Style Conformity Checklist 并逐节修订（衔接 round2-journal-revision.md 的 Three R's 校准）；
5. 修订后回读原文段落，完成 Style Fit Report（逐节目标模式 vs 实际应用 vs 剩余差距），确认主张力度、证据位置与已学模式一致。

总结：journal-style-analysis.md 提供的不是一份"填完即弃"的模板，而是一条"测量 → 共识 → 评价 → 迁移 → 核对"的期刊风格对齐流水线。它把"让论文看起来属于某本期刊"这个模糊目标，拆解为七个可量化、可定位、可复核的观测维度（JS-1～JS-7），再通过 Journal-Style FAT 收敛为具体的修改指令；配套的 style_metrics.py 与 section_economy_check.py 则提供半自动化的数值支撑——但正如其默认语义所示，脚本永远只是诊断工具，最终判断权在掌握官方规则与当前证据的人（或 Agent）手中。

• AI 技能
• AI 写作
• 人工智能
• 深度研究
• AI 应用