
de baibaiaigc833
Flux de réécriture en deux étapes qui réduit le style généré par IA dans les textes académiques et techniques en chinois et en anglais tout en préservant les faits et la structure.
Paper AIGC Reducer propose un flux de réécriture discipliné et basé sur des scripts en deux cycles pour réduire les formulations typiques de l'IA dans les documents académiques et techniques. Pour les textes en chinois, il impose deux cycles de prompts séquentiels (baibaiaigc1 -> baibaiaigc2) ; pour l'anglais, il exécute un prompt en une seule passe. La compétence coordonne la lecture/écriture des enregistrements de cycle et des fichiers intermédiaires afin que les flux de travail multi-sessions puissent se poursuivre d'une conversation à l'autre.
À utiliser lorsque vous devez humaniser ou « dé-AIGC » des articles académiques, des thèses, des rapports techniques ou tout autre texte savant sans modifier les faits, la terminologie ou la structure logique. Idéal pour : les auteurs préparant des soumissions, les éditeurs peaufinant des brouillons ou les plateformes proposant des pipelines de réécriture par étapes. À éviter lorsque de nouveaux faits, des citations ou une expansion du contenu sont requis.
Idéalement utilisé avec des agents capables d'appeler des scripts ou d'exécuter des flux de travail multi-étapes gérés (agents avec capacités de code, automatisations pilotées par CLI ou orchestrateurs côté serveur).
Une compétence de réduction AIGC en deux rounds pour les textes académiques chinois/anglais avec 12 scripts Python. Le fichier SKILL.md est détaillé et bien écrit avec des règles de flux de travail claires. 4 des 11 scripts exécutables ont réussi (llm_client, managed_sources, skill_round_helper sortent avec 0 ; chunking/aigc_records/docx_pipeline/run_aigc_round affichent correctement l'usage sans arguments). Les autres échouent en raison des dépendances d'importation (ils sont conçus pour s'exécuter comme un package de dépôt, pas isolément). Aucun problème de sécurité trouvé — les suppressions de fichiers sont restreintes à des répertoires spécifiques, pas d'identifiants codés en dur, pas de risques d'injection shell, pas de télémétrie.
flaskCompétence bien conçue pour un cas d'utilisation de niche mais réel. La gestion d'état multi-round via aigc_records.json est judicieuse. Les scripts sont de qualité production en Python avec des dataclasses, des indices de type et un parsing d'arguments CLI approprié. Problèmes principaux : les scripts ne peuvent pas s'exécuter isolément (dépendances d'importation) et la compétence nécessite une configuration importante (structure de répertoires, fichiers de prompt, config API LLM). Aucun modèle malveillant détecté.