此技能从真实结合 AI 完成论文大修的实际经验中得出，希望能帮到从 0 开始科研的你。
git clone https://github.com/ooooooomg/academic-skills.git
cp -r academic-skills/paper-revision ~/.claude/skills/
cp -r academic-skills/code-debug ~/.claude/skills/
cp -r academic-skills/autodl-training ~/.claude/skills/脚本依赖（按需安装）：
# autodl-training 需要 paramiko（SSH/SFTP）
pip install -r ~/.claude/skills/autodl-training/requirements.txt
# paper-revision 需要 lxml（docx 字体修复）
pip install -r ~/.claude/skills/paper-revision/requirements.txt技能在触发条件匹配时自动加载。也可以显式调用 /paper-revision、/code-debug 或 /autodl-training。
用于回复审稿意见、修改 LaTeX 正文、生成高亮 diff、修复 .docx 回复信格式、核实交叉引用、同步中英文版本、准备 camera-ready 提交包。
技能覆盖的问题：
| 问题 | 方案 |
|---|---|
| 回复信 (.docx) 中数学公式显示为乱码 | 三种 OMML 静默破坏模式的根因与修复流程；scripts/fix_docx_fonts.py 自动修复字号不一致 |
latexdiff 编译报 TeX capacity exceeded |
soul/ulem 含 \cite{} 时无限递归的根因，以及 \textcolor 替代方案 |
| 回复信引用了论文中不存在的章节或表号 | RIRO：每个 \ref{} 和章节名必须用 grep 与原稿核实；提交前跑 scripts/verify_cross_refs.py 全量扫描 |
| 审稿意见需要组织回复结构 | 12 种审稿意见类型的回复模板（中英双语） |
| 回复信读起来有 AI 生成痕迹 | AI 痕迹措辞替换清单 |
| 中英文两版论文内容不同步 | 双语五步同步流程；scripts/semantic_diff.py 按节对比两个版本 |
| .docx 字号或字体不统一 | scripts/validate_docx_fonts.py 检测；scripts/fix_docx_fonts.py 自动修复 |
| 论文版本混乱、修改丢失 | 版本命名约定、提交纪律、恢复丢失修改的流程 |
| 同一命令反复执行陷入死循环 | 同一命令最多重试 3 次；编译失败先读 .log 定位根因 |
技能中包含的 Claude 预训练语料中不存在的内容：
- python-docx 的
paragraph.text =赋值会静默删除 OMML 数学对象 - Word 用半磅存储字号，11pt =
w:sz="22" - soul 包的
\hl{}在遇到\cite{}时进入\SOUL@eval无限递归
用于排查 ML 训练崩溃（NaN、OOM、形状不匹配、梯度异常）、核实论文公式与代码的一致性、在不改变输出的前提下重构代码、准备开源的代码清理。
技能覆盖的问题：
| 问题 | 方案 |
|---|---|
| 训练中途 NaN 崩溃 | 五步排查：lr → log/除零 → 梯度裁剪 → AMP → 数据管线 |
| 论文公式与代码实现数值不一致 | 七类通用公式-代码不一致模式与检测流程 |
| 代码中包含审稿编号命名的文件和注释 | 代码优先命名原则与开源前整理清单 |
| ML 代码中存在常见但隐蔽的 bug | 七种 ML 代码 bug 模式速查 |
| 设置随机种子后结果仍不可复现 | 完整锁定流程：manual_seed + cudnn.deterministic + benchmark + hashseed |
| CUDA OOM 或驱动版本不一致 | scripts/check_env.py 输出完整环境信息 |
| Checkpoint 加载后参数全为零或随机值 | scripts/verify_checkpoints.py 区分真实 checkpoint 与残桩/空文件 |
| 多个实验结果文件中数值完全相同 | scripts/check_data_integrity.py 检测冻结值、时间戳碰撞、不可能零值 |
| 结果与预期不符但代码逻辑没问题 | scripts/check_env.py 排查环境差异导致的数值偏差 |
技能中包含的 Claude 预训练语料中不存在的内容：
- 数据预处理顺序不可逆（必须先 ToTensor 后 Normalize）
model.eval()忘记切换时 BN 层仍用 batch 统计而非全局统计- 验证集不应执行训练增强
- ImageNet 归一化统计量被误用于其他数据集是收敛慢的常见原因
用于在 AutoDL 或其他 SSH 可达的 GPU 服务器上部署并监控远程深度学习训练：代码/数据上传、环境配置、后台启动训练、每小时进度监控与微信推送。
技能覆盖的问题：
| 问题 | 方案 |
|---|---|
| 本机显存不够，需在云 GPU 上训练 | 完整部署流程：SSH 检查 → 环境配置 → 代码上传 → 权重/数据上传 → nohup 启动训练 |
| 大数据（10GB+）上传慢、易中断 | scripts/upload_data.py 分片断点续传，已传 shard 自动跳过 |
| Windows 下打包上传失败 | 用 python tarfile 而非 subprocess 调 tar（Windows tar 路径坑） |
| 训练要跑几十小时，想自动监控 | scripts/monitor_server.py 服务器端常驻，每小时间隔检查并推送 |
| 想及时知道训练是否异常 | 自动检测 OOM / NaN / Traceback / 梯度爆炸，微信推送 |
| 想把进度推到手机 | scripts/wxpush.py 封装 wxpusher API，一条命令推送 |
| 本机关机后训练进度丢失 | 训练和监控都用 nohup 跑在服务器上，独立于本机 |
| 想"配置一次后全流程自动" | scripts/orchestrator.py 一键：等传输完成 → 自动启动训练 → 自动启动监控推送 |
技能中包含的 Claude 预训练语料中不存在的内容：
- AutoDL 服务器
python不在 PATH，须用/root/miniconda3/bin/python完整路径 - AutoDL 控制面板磁盘占用显示有刷新延迟，以服务器
df -h为准 - 服务器镜像自带旧版 torch（如 1.10），训练代码需兼容而非升级服务器
- AutoDL 按量计费开机即扣费（含传输/空闲），余额只能在网页控制台查看
- 只保留信息增量。 不写 Claude 已掌握的操作性知识。每条内容都是通用知识库覆盖不到的领域陷阱或经验模式。
- 代码为根本依据。 代码产生实验数据，论文描述代码行为。两者矛盾时修正论文描述。
- 描述触发条件，不总结工作流。 每个
SKILL.md的 description 只写使用场景，不写工作流步骤。 - 触发词覆盖中英文。 description 中包含中英双语关键词。
├── README.md
├── README_EN.md
├── paper-revision/
│ ├── SKILL.md
│ ├── scripts/
│ │ ├── verify_cross_refs.py # 检查 LaTeX 未定义引用和重复标签
│ │ ├── semantic_diff.py # 按章节对比两版 .tex 文件
│ │ ├── validate_docx_fonts.py # 检测 .docx 字号和字体不一致
│ │ └── fix_docx_fonts.py # 自动修复 .docx 字号不一致(默认不动中文字体)
│ └── references/
│ ├── reviewer-response-patterns.md
│ └── latex-table-patterns.md
├── code-debug/
│ ├── SKILL.md
│ ├── scripts/
│ │ ├── check_env.py # 输出 PyTorch/CUDA/cv2 环境信息
│ │ ├── verify_checkpoints.py # 检测 .pt 残桩/空文件
│ │ └── check_data_integrity.py # 检测冻结值、时间戳碰撞、不可能零值
│ └── references/
│ ├── debug-checklist.md
│ ├── paper-code-mismatches.md
│ └── code-cleanup-checklist.md
└── autodl-training/ # 与独立仓库 ooooooomg/autodl-training 同步镜像(以独立仓库为准)
├── SKILL.md
├── requirements.txt # paramiko
├── scripts/
│ ├── ssh_helper.py # SSH/SFTP 连接(主机密钥固定)、命令执行、文件传输
│ ├── upload_data.py # 分片数据上传（断点续传）
│ ├── wxpush.py # wxpusher 微信推送
│ ├── monitor_server.py # 服务器端每小时训练监控(完成自动退出)
│ ├── orchestrator.py # 全自动编排：等传输→启动训练→启动监控
│ └── start_train.sh # 远程训练启动模板（nohup 后台）
└── references/
└── autodl-server-guide.md # AutoDL 服务器管理速查（环境/磁盘/计费/常见坑）
MIT
- skill 是脚手架而非成品：各 skill 提供的脚本是"工作流模板"，需按你的具体项目配置（路径、凭据、超参、产物命名）后才能运行，不保证开箱即用。
- 领域示例：
autodl-training的评估章节以图像分割/检测类项目为例，其他领域需替换对应评估协议。 - 维护性：随 Claude Code 版本演进，脚本所用 API 可能变化，使用前建议用
-m py_compile或冒烟测试验证。
本项目仍在改进中。如有建议、bug 报告或合作意向，欢迎联系作者：
Ash — AshMe37@outlook.com