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

导读

本文聚焦 PaperSpine 技能体系中面向期刊（Journal）投稿场景的方法论，即 scenario-journal.md 所定义的"将期刊作为正式发表场所（formal publication venue）进行研究"的完整流程。文章会拆解官方来源清单的每一项内容、范例学习（Example Learning）的取舍原则（venue logic 与 field logic 的区分）、五大写作维度的学习要点，以及如何把场所学习落地为真实的稿件结构、版式与投稿材料。读完本文，你可以掌握一条可执行、可验证的期刊导向写作路径：先研究官方规则，再学习目标期刊论文的叙述逻辑，最后在稿件与渲染页面上检验学习成果——而不是凭印象"盲写"一篇自认为符合期刊风格的论文。

一、场景定位：把期刊当作正式发表场所来研究

在 PaperSpine 的技能参考体系中，写作场景被拆分为多个独立参考文件，分别面向不同交付类型：

期刊场景的关键定位是：期刊不是一种抽象"学术风格"，而是一套由官方规则（author guidelines、模板、政策）与已发表论文语料共同构成的正式场所（venue）。因此，写作前必须同时回答两类问题：

1. 合规问题：目标期刊的官方投稿要求是什么？
2. 叙事问题：目标期刊近期发表的论文，其论证推进与段落结构是什么样的？

两者缺一不可。官方要求决定"能不能投"，语料学习决定"像不像这个期刊"。正如 target-journal-research.md 所言：一篇稿子只有在该技能真正学习过目标场所的官方规则与近期论文行为之后，才能宣称"对目标场所高质量"；在此之前，任何这种宣称都属于"场所盲写"（venue-blind writing）。

二、官方来源（Official Sources）：需要查找并记录的十项内容

scenario-journal.md 明确要求，针对目标期刊查找并记录以下十类官方信息。这些信息是期刊场景的"合规骨架"，每一项都必须落到真实的官方来源上，而不是凭记忆或过时的旧 PDF：

1. 作者指南（author guidelines）：期刊面向作者发布的官方投稿说明，是合规判断的第一来源。
2. 文章类型（article types）：研究论文、综述、快讯、方法学论文等的类型划分；不同文章类型对应不同的结构、篇幅与审稿预期。
3. 字数/页数限制（word/page limits）：正文、摘要、图表、参考文献是否计入字数，需按期刊规则精确界定。
4. 摘要结构（abstract structure）：是结构化摘要（带固定小标题）还是非结构化摘要，以及字数上限。
5. 图表规则（figure/table rules）：图片格式、分辨率、色彩模式、图注位置、可编辑表格要求等。
6. 数据可用性政策（data availability policy）：是否需要数据可用性声明（Data Availability Statement）。
7. 代码/软件可用性政策（code/software availability policy）：计算类方法是否需要源代码/软件可用性声明。
8. AI 使用政策（AI-use policy）：期刊对生成式 AI 的使用披露要求。
9. LaTeX 或 Word 模板（LaTeX or Word template）：官方模板或排版要求。
10. 投稿信预期（cover letter expectations when relevant）：当期刊明确要求或语境需要时，投稿信（cover letter）的撰写预期。

这份清单与 target-journal-research.md 中的"Venue-Specific Deep Checklist"互为印证——后者额外强调文章类型页数限制、结构化摘要小标题、必要章节、数据可用性声明、计算方法的源码可用性、投稿信适配论证、LaTeX 模板要求、AI 使用披露，以及"稿件是否匹配所选文章类型"这一最终校验项。

如何记录这些要求？建议沿用 target-journal-research.md 提供的官方要求表格，将每一项"官方要求 → 对我们的含义"成对落盘：

## Official Requirements | Dimension | Requirement | Source URL | Implication for Our Paper | |---|---|---|---| | Article type | | | | | Length/page limit | | | | | Required sections | | | | | Abstract headings | | | | | Data availability | | | | | Software/code availability | | | | | Figure requirements | | | | | AI-use disclosure | | | | | LaTeX/template | | | |

必须使用当前的官方来源。target-journal-research.md 明确要求"Use current official web sources when available"，本地旧笔记只能作为辅助分析，不能替代当前场所研究；早期出版年份的学习 PDF 若显示的是旧版式，应以当前官方明确要求为准（见 journal-learning.md）。

三、范例学习原则：venue logic 与 field logic 的严格区分

scenario-journal.md 给出了期刊范例学习的核心取舍原则：

尽可能使用目标期刊中与目标场景（target-scene）匹配的示例；只有相邻期刊的领域示例，且仅作为**领域逻辑（field logic）使用，不能作为场所逻辑（venue logic）**使用。

这句话的含义是：

• venue logic（场所逻辑）：来自目标期刊自身的规范与论文行为——摘要如何开场、章节如何推进、图注如何撰写、参考文献如何排版。只有这些才能支撑"目标格式合规"的宣称。
• field logic（领域逻辑）：来自同领域但不同期刊的论文——它们可以教你领域内的论证习惯、常见方法与结果呈现方式，但不能代表目标期刊的"声音"。

这一区分在技能体系中反复出现。例如 journal-learning.md 规定：若目标场所未知，不得把 Agent 自选的对比期刊（comparator）悄悄当作目标；除非用户授权选择场所，否则只能产出"场所中立"的稿件，且格式学习只有在该来源使用已验证模板/风格（或声明了回退方案）且代表性页面与实际范例匹配时才成立。

在选例上，默认按 3+3 配置学习：3 篇强相关同领域论文（same-field papers）+ 3 篇目标期刊代表论文（target-venue papers），支持 6+6 深度模式；明确的用户自定义数量优先。同时需说明每篇入选论文"为什么是有用的模型"（话题、文章类型、贡献、图表质量），并将目标期刊论文下载为本地 PDF 放在任务工作区的paper/references/或既有范例目录下，逐页视觉阅读其标题/摘要、正文、图表、图注与参考文献。

四、五大写作学习维度：从领域问题到研究弧线

scenario-journal.md 规定，在范例论文中学习以下五个维度的写作行为。这正是从"读论文"转化为"写论文"的核心抓手：

1. Introduction：从领域问题收窄到具体缺口

学习目标期刊的论文如何开场：先陈述领域问题（field problem），再逐步收窄到具体研究缺口（specific gap）。重点观察：

• 开场段如何建立领域背景与读者预期；
• 缺口陈述位于第几段、以什么证据支撑；
• 收尾段如何把缺口转化为本文的研究问题（对应 journal-learning.md 中的"Introduction 的收尾问题"）。

2. Methods：如何论证设计选择

学习论文如何为自己的方法选择辩护（justify design choices），而不只是罗列实验步骤。观察方法小节中"为什么用这个设计/数据集/指标"的论证密度与位置。

3. Results：基准、对比、稳健性、解释的排序

学习结果部分如何组织顺序：基准（benchmark）、对比（comparison）、稳健性（robustness）、解释（interpretation）。同一维度的进阶表述可见 target-journal-research.md："Results 部分如何对 benchmark、comparison、generalization、interpretation 与 domain analysis 排序"。

4. Discussion：回归动机、前人工作、替代解释、含义与局限

学习讨论部分如何完成"回环"：

• 回归开篇动机（motivation）；
• 与前人工作对话（prior work）；
• 考虑替代解释（alternatives）；
• 展开含义（implications）；
• 诚实交代局限（limitations）。

journal-learning.md 对此补充了"Discussion 的科学实质"标准：与相关工作比较发现、解释一致或差异、考虑替代解释、有边界地发展实践或理论含义，并把改变解释的实质性局限集中在关键位置，而不是每段重复道歉。

5. 研究弧线的收尾：单独 Conclusion 还是收尾性 Discussion

学习目标期刊的论文如何闭合研究弧线（close its research arc）：是使用单独的 Conclusion 小节，还是由明确收尾的最后一段 Discussion承担收束功能。这决定了你稿件的最后小节该长什么样。

五、场所长度与章节比例：为 Results/Discussion 保留空间，而非机械配额

scenario-journal.md 特别警告：

场所的长度与章节比例应足以让 Results 和 Discussion 保留应有空间，而不变成机械配额（mechanical quotas）。

这有两层含义：

1. 以场所为参照：目标期刊的典型章节长度比例（来自 3 篇范例论文的实测）应作为判断依据，而不是套用任何"通用论文模板"。
2. 以功能为准，不以配额为准：一个短的章节只有在"其独立功能无法被论证"时才是合并候选，而不是因为"数字太小"就要合并。

仓库中的实现工具与此直接对应。在 journal-style-analysis.md 的 JS-1 模板中，可以按范例论文实测各章节字数、占比、段落数，用于诊断碎片化而非自动设定预算；其注释明确指出：section_economy_check.py默认仅为建议性（advisory），只有显式传入--enforce才会失败。查看该脚本源码 section_economy_check.py 可确认其参数行为：--max-sections设定方向阈值（有默认值），--enforce才开启失败模式，--json/--markdown控制输出格式。也就是说，代码层面就刻意避免把章节数量变成硬性门禁——这正体现了"观察范例比例、尊重官方限制、按科学功能判断"的设计意图。

六、从学习到成稿：风格分析、修订与格式落地的完整链路

1. 风格量化与语料学习

style-learning-workflow.md 提供了将全文语料转化为"带来源定位的风格观察"的流程，可配合 style_metrics.py 计算轻量风格指标：

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

该脚本只依赖 Python 标准库，接受.txt、.md、.tex文件或文件夹；其指标包括词数、句数、段落数、连接词与停用词统计等。但需要注意：指标计数不能替代对原文论证功能的判断——风格结论必须回到被测量的段落本身去验证，这正是 style-learning-workflow.md 反复强调的纪律。

2. 期刊风格分析模板（JS-1 ~ JS-7 与 FAT）

journal-style-analysis.md 提供了七套结构化分析模板，可直接用于把 3 篇目标期刊论文的语料转化为写作决策：

• JS-1 章节长度分布：各章节字数/占比/段落数，用于诊断碎片化；
• JS-2 开篇/收尾惯例：逐章节记录首尾句原文与模式；
• JS-3 主张强度校准：抽样 10 处主张，评定 strong/moderate/tentative 与所用 hedge；
• JS-4 引用模式分析：引用密度、引用位置（句中/句末/独立括号）、前人工作讨论方式；
• JS-5 技术深度校准：假设读者知识水平、方法解释风格、公式密度、缩写惯例；
• JS-6 术语偏好：跨论文对比 "show/demonstrate/reveal" 等术语的共识用法；
• JS-7 图表惯例：图注风格、正文调用方式、表格图注位置、彩图政策、图表放置。

模板末尾的Journal-Style FAT 分析（Facts → Appreciation → Tie）把"客观惯例"提炼为"这些惯例意味着什么"再落实到"我们必须改什么"，是"学习→行动"的桥接工具。

3. 期刊一致性修订（Round 2）

round2-journal-revision.md 提供了期刊一致性修订的三阶段流程：

• Phase 0：Three R's 语料校准——R1 Recalibration（对齐用词）、R2 Replacement（依据期刊语料挑选语境合适的替代词）、R3 Redevelopment（整段重读并定位"为什么不像这本期刊"）；其示例输出表记录了目标词/我们的用法/期刊共识/行动，如 "important" 出现 20 次而期刊偏好 "critical"/"essential"。
• Phase 1：构建风格合规检查清单——按结构、开篇/收尾、主张、术语、引用、图表、补充材料七个板块逐项勾选。
• Phase 2：清单驱动修订——逐节阅读当前稿、对照期刊对应段落、识别偏差、按清单重写、勾选完成。

注意其主张校准的边界：不能用语料频率强行替换或加强主张——"show" 换成 "demonstrate" 只有当现有证据确实支撑更强语义时才成立，这保持了科学证据纪律。

4. 把学习落到格式：模板、CSL 与语义单一源

学习的最终检验在产物上。 manuscript-format.md 规定：提交面与阅读面必须共享同一语义源（相同的文字、数字、引用、图注与所选图表），排版差异只能出于已记录的场所目的。落地时：

• 优先使用目标期刊官方模板，先编译官方 demo，再把代表性稿件页面放入所选集成方案对比；
• 采用仓库内置的共享导出器 manuscript_export.py（要求 Pandoc 3 及以上，PDF 需要 LaTeX 引擎），通过--csl指定引用风格、--reference-doc指定 Word 样式参考、--template指定兼容的 Pandoc 模板、--pdf-engine指定排版引擎；
• 产出后逐页视觉检查 PDF，并实际检查 DOCX/Word 渲染，核对标题、标题层级、引用/链接、图表、图注、参考文献、单位、裁剪、分页、字体、声明与页面密度。

5. 投稿材料与元数据

期刊场景最终往往需要投稿包。 submission.md 描述了目标专属投稿包的构建流程，其输出布局（publication_target_profile.json、submission_package_plan.json、不可变 bundle 目录、仅当就绪时生成的submission_bundle.zip）可作为打包参考；稿件、标题/盲审文件、投稿信/highlights、图表/图形摘要、补充材料/清单/声明、源码归档等产物，均须从同一语义源派生并逐项校验。 submission-metadata.md 则规定了投稿元数据 JSON 必须包含的字段（标题、作者、单位、通讯作者、基金、利益冲突、伦理、数据可用性、代码可用性、作者贡献、AI 使用披露），且每个字段只能处于 provided / not_applicable / blinded 三种状态之一，缺失的作者信息必须显式保留，不得虚构。

七、边界与证据纪律：期刊场景的不可越线项

结合本场景文件及其关联参考，以下纪律贯穿始终：

1. 官方规则与语料偏好分离：官方要求决定合规，发表语料只教五部分叙事（five-part narrative）；不能把范例论文的风格偏好上升为强制科学规则。
2. 不得虚构：不编造作者、单位、伦理、基金、期刊品牌、DOI、卷期页或录用信息；缺失的投稿事实显式披露，而不是填进模板。
3. 不得把"阅读过"当成"已应用"：下载 PDF、读完指南、编译 demo 与"应用于稿件并渲染对比"是四个不同的观察等级，只有最后一级才支撑"实际使用了模板/格式"的宣称（manuscript-format.md）。
4. 阅读面与提交面诚实区分：不得把"格式中立的提交合规"冒充"匹配已发表版式"；也不得把阅读 PDF 冒充 Word 渲染。
5. 场所学习有真实缺口时如实报告：若目标期刊 PDF 不可获取，记录具体学习缺口并继续独立写作，不得把 XML/HTML 打印成 PDF 冒充期刊原版式，也不得悄悄把该缺口算作已完成学习（journal-learning.md）。
6. 生产痕迹不得进入稿件：任务状态、审阅进度、视觉检查完成情况等属于工作笔记，不能写成稿件的 "Draft status" 段落；PaperSpine 自身不得向读者可见的论文输出添加 AI 使用披露、模型名或工作流溯源标记（publication-surface.md）。

八、总结：期刊场景的可执行路线图

把 scenario-journal.md 的骨架展开为可执行步骤，即：

1. 确定目标：确认保存的目标期刊与文章类型（未知时请求一次决策，期间保持场所中立写作）；
2. 研究官方来源：按十项清单从当前官方网页与模板收集要求，落盘到目标期刊研究笔记的 Official Requirements 表；
3. 选择范例语料：按 3+3（或 6+6/自定义）选择 3 篇目标期刊代表论文 + 3 篇强相关同领域论文，下载本地 PDF 并逐页视觉阅读；
4. 执行五大维度学习：分别观察 Introduction 收窄、Methods 论证、Results 排序、Discussion 回环与研究弧线收尾；
5. 量化并诊断：用 JS-1~JS-7 与 FAT 模板（必要时配合style_metrics.py）把语料观察转成带来源定位的风格结论；
6. 按清单修订：执行 Round 2 的 Three R's 校准与风格合规清单修订，守住主张强度与证据边界；
7. 格式落地与检验：通过manuscript_export.py与官方模板/CSL 产出可编辑源、提交面文件与阅读 PDF/DOCX，逐页对比范例页面并修复源头缺陷；
8. 合规自检：核对数据/代码可用性、AI 使用披露、投稿信、元数据与盲审文件，缺失事实显式披露，不宣称未经验证的"提交就绪"。

这条路线既覆盖了 scenario-journal.md 的全部核心内容（官方来源十项、venue/field logic 区分、五大学习维度、长度与章节比例纪律），又从仓库的关联参考与脚本中获得了源码级佐证与落地工具支持，可在实际投稿写作中直接执行。

• AI 技能
• AI 写作
• 人工智能
• 深度研究
• AI 应用