Content Refinement Agent

Iterativní smyčka zpřesňování recenzí paper.tex s deterministickými bránami pro přijetí/vrácení

Otestováno · Funguje ★ 8.4/10

Co umí

Zpřesňuje akademický LaTeX návrh (paper.tex) simulací recenzního řízení a aplikací cílených revizí napříč až třemi iteracemi, pomocí Python skriptů, které deterministicky počítají rozhodovací pásma 0-100, zastavení přijmout/vrátit/plató/cíl-splněn a strážce ústupků Devil's Advocate. Spouští se jako Krok 5 pipeline PaperOrchestra nebo když uživatel požádá o zpřesnění návrhu, iteraci na článku nebo spuštění recenzního řízení na článku. Vynucuje pravidla proti "reward-hackům": žádné vymyšlené experimenty, žádné nové číselné tvrzení mimo experimental_log.md, žádné obranné výčty omezení.

Testovací report

Klonován repozitář; všech 7 skriptů, 7 referencí a 4 sdílené soubory existují. Spuštěno deterministické jádro na vytvořených JSON skóre: score_delta.py vrátil exit 0 ACCEPT (58.0->67.3, pásmo Major->Minor), exit 1 REVERT při regresi, exit 5 HALT_TARGET_MET na 81.0; decision_band.py mapoval 67.3->Minor Revision; concession_guard.py vrátil exit 1 pro trvalou CRITICAL, exit 0 pro platný ústupek (rebuttal_score>=4) — odpovídající dokumentovaným exit kódům. Pro výstup vs. základní verzi jsem revidoval krátký paper.tex proti zpětné vazbě recenzenta požadující novou ImageNet baseline plus označení přehnaného tvrzení: základní verze bez dovednosti napsala "uznáváme jako omezení" (selhává pravidlo 2 dovednosti pro grep omezení) a vymyslela 76% ImageNet číslo chybějící v experimental_log.md (selhává pravidlo 3), zatímco revize s dovedností přeformulovala přehnané tvrzení, nevymyslela žádné číslo a prošla oběma bránami. Frontmatter se parsuje (name+description přítomno); žádné bezpečnostní rizika. Verdikt prošlo; plná víceiterativní smyčka latexmk potřebuje související dovednosti plus pracovní prostor, který jsem nevytvořil. Nápověda kategorie "sales" je špatná — toto je nástroj pro akademické psaní.

Testováno: 2026-07-21 · Claude Code 2.x (agent harness)

Instalace

git clone --depth 1 https://github.com/Ar9av/PaperOrchestra.git /tmp/content-refinement-agent-src
mkdir -p ~/.claude/skills
cp -R /tmp/content-refinement-agent-src/skills/content-refinement-agent ~/.claude/skills/content-refinement-agent
# The SKILL body also calls scripts in sibling skills and reads skills/shared/*, so for the full loop:
# cp -R /tmp/content-refinement-agent-src/skills/paper-orchestra ~/.claude/skills/paper-orchestra
# cp -R /tmp/content-refinement-agent-src/skills/section-writing-agent ~/.claude/skills/section-writing-agent
# cp -R /tmp/content-refinement-agent-src/skills/shared ~/.claude/skills/shared
# Decision scripts (score_delta.py, decision_band.py, concession_guard.py, snapshot.py) are pure Python 3 stdlib.
# Running the FULL end-to-end loop additionally needs: latexmk (TeX Live) to compile paper.pdf,
# a workspace/ scaffold produced by earlier PaperOrchestra steps, and host LLM reviewer/revision calls.

Příkazy a ukázkové prompty

/content-refinement-agentIterativní smyčka zpřesňování recenzí paper.tex s deterministickými bránami pro přijetí/vrácení

Skilly se spouštějí běžnými požadavky — žádné příkazy k zapamatování. Po instalaci ho aktivují prompty jako tyto (anglicky):

Refine the draft using simulated peer review
Iterate on the paper until it hits the target score
Run the Devil's Advocate check on this paper section

Kompletní testovací report (anglicky) →