消除法学论文框架AI味

0. 工作边界

本技能修复法学论文的框架与表达，不替用户增加事实、案例、文献或实体法观点。 先区分三种内容：

1. 原论文观点：用户已经提出或材料已经证明的实体命题。
2. 编辑性判断：结构、标题、术语、句法和论证密度的修改意见。
3. 待核证据：只在题录、摘要、数据库字段或二手转载中出现的内容。

编辑性修改不得把第2、3类伪装成第1类。未取得全文的文献只能用于核验题名、刊期、研究对象或摘要明示内容；不得据此转述作者细部观点。

1. 何时触发

触发词包括但不限于：法学论文框架、论文目录、章节标题、去AI腔、AI味、机械四分法、标题对称、PaperSpine、章节蓝图、命题登记、证据库、法教义学标题、法学化表达、论文题名库、标题专业度、法学论文常用词汇、规范解释、案例研究、实证法学、比较法、制度建构。

部门法不限于体育法或仲裁法；宪法、行政法、民法、商法、刑法、诉讼法、经济法、劳动法、社会法、环境法、国际法、知识产权法和数字法等均适用。

下列情况也触发：用户说“润色但不要改变观点”“只改结构不改内容”“让标题像核心期刊”“检查框架是否像AI生成”，或提交包含“路径、矩阵、测试、回填、闭环、落地”等工程词的法律目录。

2. 先选研究类型，再选结构控制方式

本技能不要求所有论文机械套用同一套目录。先判断论文主要是在解释规范、分析案例、处理数据、进行比较、建构制度，还是提出规范批判；然后选择能够证明该问题的最小结构。结构整齐服从法律任务，不反过来规定法律任务。

可选控制链如下：

2.1 PaperSpine：可选的论证审计路径

当论文需要严格控制“贡献如何转化为章节”时，可以使用：

贡献 → 主张 → 证据 → 章节蓝图 → 主框架 → 理由矩阵

这六个节点是审计工具，不是必须全部写入正文的固定顺序。可以只选其中与研究类型有关的节点；删去或后置某一节点时，说明理由即可。正文也可以先处理争议、规范、案例或数据，再在写作后期用PaperSpine检查是否存在命题断裂。

2.1.1 词汇管线三层库与来源职责（2026-08-15恢复）

项目内词汇库分三层，彼此不得越权：

1. expression_candidates：保留目录中可复核的 full_heading、delimited_phrase、legal_task_fragment。目录层级和相对位置由 legal_toc_headings.jsonl 的A1/A2记录决定。
2. lexical_candidates：从同一批A1/A2目录标题提取 legal_term（配置词典最长匹配）、legal_pattern（有限、可解释规则）和 cross_paper_discovery（连续中文3—12字、跨至少两篇独立论文、最大重复扩展及词语性评分）。发现项状态固定为 corpus_discovered_pending，不得直接进入生成推荐。
3. B级摘要只解释机器推断的研究任务并保留原文片段（machine_inferred）；关键词只作领域路由或词典支持。B级记录不得补计目录层级、位置或跨论文目录覆盖。

覆盖候选不以标题短语数量冒充拆词量；每项记录原始出现、独立论文数和编号、层级/位置、标题上下文、来源、年份/期次、提取方法、词语性/评分、噪声/风险和证据上限。所有成功提取且 paper_count>=2 的项目进入coverage库；噪声保留标记，非法来源或非正文记录才隔离。

当前 scope_limited 单刊快照：537张知识卡片，236篇含可复核目录论文，4509条目录原始记录、4505条去重记录；L1/L2/L3分别为1151/2279/1075。该数字是目录覆盖统计，不是全文阅读量。

recommendations 是独立的生成闸门：无人审时必须为0；只有人工批准、审核人/时间/说明、法律对象—动作—后果、研究类型、正反例和三项核验均完整，且候选仅有A1/A2目录证据、跨至少两篇论文、无阻断风险、非 retain_only 时才可输出。Humanizer法学防火墙保护“绪论”“研究背景与意义”“国内外研究现状”“结语”等规范标题，并保留“构成要件”“证明责任”“法律效果”等精确术语；两项用户硬禁用仅作source-only存证，生成通道不得泄漏。

缺口：目录不承载未读取的正文论证；跨论文发现项仍需真实人工审核；B级摘要/关键词不能升级为目录证据。公开版测试入口：python -m unittest discover -s tests -v；公开数据重建使用 scripts/export_public_data.py。

2.2 共同的最低控制项

无论采用何种研究类型，都要回答四个问题：研究对象是什么，法律动作是什么，证据能证明到哪一步，判断会产生什么法律效果。每节可以采用“命题—依据—材料—推论—后果”五项，也可以根据案例、实证或比较研究调整顺序；不为形式统一而增设章节。

2.3 证据边界

给每项命题标注来源层级和证明上限。证据不足就收缩命题，不补写事实；中心案例不能为迁就框架而增加未公开事实。比较法材料不得替代本国法解释。题名语料可学习标题句法，不能承载未核验的作者观点。

2.4 标题与词汇调用

公开版不分发逐篇知识卡片、批量摘要或完整目录。需要生成论文正文目录时，优先使用用户提供且合法取得的A1全文或A2正文目录，并按一级、二级、三级分别取样；没有该类材料时，明确说明语料缺口，只做编辑性修改。data/lexical_candidates.tsv 只用于审计词语的层级、出现位置、任务标签和风险，全部为待人工审核候选，不能直接拼入标题。data/keyword_router_frequency.tsv 只用于领域路由。题名、摘要和关键词不得为正文目录提供层级或频次样本。词频高不等于适合所有题目，尤其要谨慎使用“体系、逻辑、机制、路径、模式、维度”等框架容器词。

2.4.1 发布版静态路由

正常调用先读取 data/routing_index.json，不扫描整个 data/ 目录，也不运行检索脚本：

1. 从用户输入判断部门法、研究类型和需要处理的标题层级；不明确的轴直接跳过，不为凑标签作机器推断。
2. 按索引分别加载至多两个部门法文件、至多两个研究类型文件，以及用户确实要求处理的一级、二级或三级标题文件。
3. 从层级文件取得结构骨架，再用部门法与研究类型文件中的 preferred_pattern_ids 取交集。交集为空时只保留层级允许的最小骨架，并补足具体法律对象。
4. data/title_patterns.jsonl 是完整审计母表，日常生成不整表加载。其记录不含期刊原始标题，全部为 pending_human_review 且仅限 structure_only；不得把骨架、B级路由词或待审词语当作人工批准的标题推荐。
5. 路由文件损坏或平台不能读取附带数据时，仍执行四层诊断、规范标题保护、硬禁用词和证据边界，并明确说明“未调用发布版路由语料”。不得联网补取或假装已检索。

该路由只依赖Skill平台的本地文件读取能力；终端用户无需Python、数据库、网络、浏览器或第三方库。Python脚本仅供维护者提取、重建和测试，不能成为Skill正常生效的前提。

2.4.2 正文目录语料的调用顺序

1. 有论文PDF、HTML、DOCX或数据库导出的完整目录时，先用 scripts/extract_toc.py 提取；只有A1/A2记录中的 level=1/2/3 才能作为一级、二级、三级标题样本。生成目录时，三个层级分别取样，不以题名或摘要替代任何层级。
2. 需要扩充语料时，再用 scripts/build_toc_vocabulary.py 生成词频表和统计报告。默认“超过五次”为至少6次；发布或共享前另做版权、链接和个人路径审计。
3. 只有 faxue_directory_2022.tsv 至 faxue_directory_2026.tsv 时，只能调用题名层语料；必须明示“正文目录尚未取得”，不得把题名写成一级、二级或三级标题，也不得据题名统计生成正文目录短语。
4. 对PDF或纯文本编号标题，保留 needs_review=true 并人工核对层级；不得依据“一、”“（一）”“1.”的外观机械推断层级。
5. 生成新目录时，按研究类型、部门法和标题层级筛选语料：一级标题学习章节任务，二级标题学习规范对象与法律动作，三级标题学习构成要件、证明事项或适用限度。只借鉴经核验的句法和任务词，不拼接不同论文标题，不把某篇论文的结构当作强制模板。

2.4.2.1 逐篇知识卡片调用

公开版没有逐篇知识卡片。若用户在本地自建卡片，每行/每张卡片应只对应一篇去重论文，headings 只包含已经取得并去重的A1/A2目录记录，toc_status 如实记录已取得、未尝试、页面无可读目录或安全验证阻断。生成框架时先以 paper_id 定位，再根据 headings[].level 选择相应层级；abstract、keywords 和题录字段不得补写空缺目录。

卡片派生层的调用关系固定为：

自建知识卡片 → 摘要层 / 关键词路由层 / 正文目录L1 / 正文目录L2 / 正文目录L3

卡片数量是来源并集数量，不是全文阅读量；报告学习量时仍按A1、A2、B分层，且同时报告CNKI目标队列、官网摘要记录和正文目录论文数。

2.4.3 摘要与关键词的调用顺序

1. 用户要求摘录摘要、核对研究对象或扩充术语语境时，只读取用户提供或用户有权访问的原始来源；公开仓库的 data/keyword_router_frequency.tsv 只提供B级聚合路由信息，不包含摘要原文。
2. 每条摘要记录保留题名、作者、年份、期次、摘要、关键词、官方页面链接和source_level=B；摘要可支持摘要明示的研究问题、方法、对象或结论，但不支持正文完整观点。
3. 摘要和关键词不得写入 legal_toc_headings.jsonl，不得用于推断一级、二级、三级标题；需要生成正文目录时仍以A1/A2目录记录为唯一结构样本。
4. 报告语料规模时分别列出537张逐篇卡片、514篇摘要—关键词记录、2039个去重关键词、236篇正文目录论文、4509条原始目录记录和4505条卡片去重目录记录（L1/L2/L3=1151/2279/1075）；不得把这些数字与665篇题名简单相加为“已读论文总数”。

2.5 低干预修订与硬禁用词

本技能采用“先保留、后诊断、再最小修改”的顺序。法学论文的规范标题和准确术语，不因其正式或抽象就自动视为AI味。只有在表达确实出现套话、机械对称、工程化隐喻、模糊归因、结论超过证据或用户明确列入禁用词时才修改。

下列词语及其复合写法属于本技能的硬禁用项：“界分”（包括“概念界分”“管辖界分”等）以及**“生成链条”**（包括用“链条”描述生成过程、论证流程或框架节点的同类表达）。输出标题、诊断、改写稿和建议时均不得使用；保留来源题名中的原词只能作为“禁用观察项”记录，不能作为推荐表达。优先改为“区分”“辨析”“涵义界定”“来源与形成过程”“生成过程”或能够直接说明法律任务的具体表述，且不得借同义替换新增未经材料支持的观点。

“争点”属于可以保留的法学术语。原文用其概括案件或论证中需要集中判断的法律问题时，不得机械改写为“争议”；只有语境实际表达一般分歧时，才根据原意选择“争议”等表述。

具体执行：

1. 先把“绪论”“研究背景与意义”“研究背景”“研究意义”“国内外研究现状”“国内研究现状”“国外研究现状”等规范法学标题列为保留项；
2. 再扫描 references/ai_language_defense.md 的硬禁用词和高风险AI模式；
3. 只修改命中的AI模式，不为追求形式整齐而改写原本自然的标题；
4. 交付时分别报告“保留的规范用语”“替换的禁用项/AI表达”和“未修改的准确术语及理由”；需要说明硬禁用项时使用“禁用项A/禁用项B”作占位，不在改写稿中回显原词。

2.5.1 语义不变量与有效修改闸门

编辑前先登记语义不变量：研究对象、法律主体、规范依据、构成要件或审查事项、权利义务、抗辩、证明责任、救济类型、法律后果、命题强度和证据上限。输入没有提供的项目，修订稿不得自行补入；把“申请审查”具体化为某一种法定救济，把“程序保障”具体化为听证或听取意见，或把“效力影响”具体化为部分无效，均属于扩写，不是降AI。确需增加时，停止改写并将其列为“待用户确认”。

完成初稿后逐项比较原稿与修订稿：

1. 新表达必须是原意的严格同义精炼，或能由用户已给材料直接推出；否则回退。
2. 若诊断认为原结构存在机械同构，仅把“路径”换成“限度”、把“框架”换成“对象”，但章数、层级、章节任务和推导关系不变，应判为无效修改并重做；若原结构本无该问题，则保留原文，不为制造差异而改。
3. 不要求每个标题同时塞入规范对象、法律动作和法律后果。目录整体应覆盖三者；单个标题只写该节真正承担的法律任务。
4. 规范标题、精确术语和已受材料支持的命题优先保留。不能证明修改更好时，选择不改。

2.5.2 结构证据与保留结构

先逐章逐叶对齐原稿和修订稿，再判断是否需要结构修改。不得用审改者的自报字段代替实际比较。

1. 只有至少两项相互独立、指向同一结构缺陷的机械证据同时成立，并且不能由不可互换的法律递进解释，才把原结构判为结构性AI味：连续三章以上使用同一空泛句法或容器词；叶节点高度同序重合；章节任务可以互换；对象、依据、事实或程序、效力与救济之间缺少可说明的递进。固定章数、叶节点等量或标题等长只是形式观察，不能单独或相互组合后直接作为结构缺陷。
2. 原目录已经形成“对象或规范依据—事实或程序—效力或救济”等不可互换的法律递进时，设置 retain_structure=true。保留章数、顺序和层级，只修正确有依据的标题、术语或句法问题；不为制造差异而合并、拆分或换章。
3. 声称结构改变时，必须提交 structural_diff：逐项列明旧节点、新节点、keep/move/merge/split 动作、前后叶节点数量和归属。没有真实的移动、合并、拆分、章数变化或层级变化，不得标记结构修改完成。
4. 若章数、顺序、层级、子项数量和归属均未变化，且差异仅是同义词、标点、虚词或词序，强制标记 token_swap_only=true。此时根据原结构是否自然，选择回退并保留结构，或依据重复任务作真实合并；不得接受 structural_change=true 的自报。

使用 python scripts/validate_structural_edit.py <fixture-or-case.json> 核验嵌套目录的结构声明。该工具只检查节点变化，不判断实体法正确性；语义不变量和证据边界仍须另行复核。

3. 四层AI味诊断

3.1 结构层

逐项检查：

• 是否先决定“三项/四项标准”，再寻找法条和证据？
• 是否把必要条件、强识别因素、边界情形和程序规则硬凑成同一层？
• 是否每章只因为目录需要一个位置，而不是因为存在独立法律命题？
• 是否把案例、比较法和制度建议各自机械设为一章？
• 是否规范解释无法推出后续标准，标准也无法解释中心案例？
• 是否把程序分流、证明责任或救济条件误写成实体成立条件？

修复方法：先做中心案例压力测试，再回到贡献、主张和证据；不为形式整齐牺牲规范关系。

3.2 标题层

避免：

• “从A到B”“路径与机制”“问题梳理与方案完善”等只描述写作动作的标题；
• “两案回填”“边界测试”“标准矩阵”“结果落地”等工程隐喻；
• 连续四个同语法、同长度标题，造成虚假的规范同质性；
• 用“与”凑成并列，两个概念之间却没有比较、竞合、因果或程序衔接；
• 章题只有“分析、研究、探讨、思考”，没有规范对象或法律效果。

标题应当让读者仅凭目录判断：审查什么、依据什么、要形成什么法律判断、会产生什么后果。

3.3 术语层

下列词语属于工程化或模型化高风险词，不得替代法律概念：路径、矩阵、测试、映射、闭环、落地、回填、抓手、赋能、接口、协同、生态、画像、颗粒度、场景化、工具箱。另有硬禁用词“界分”及“生成链条”类表达，见第2.5节；不因存在法律语境就恢复使用。

优先替换为：涵义界定、概念辨析、法律属性、规范对象、适用限度、解释基点、解释方法、构成要件、证明责任、法律效果、效力审查、审查顺位、程序后果、分别审理、请求可分性、案例适用、制度构建。

“路径”只有在明确指历史解释、文义解释、体系解释或目的解释等法律方法时保留；“矩阵”可以用于后台证据表，不进入正文标题；硬禁用词不适用这一例外。

3.4 论证层

避免：

• 先宣布结论，再堆砌法条、案例和数据；
• 引文后只写“具有重要启示”，不表明赞同、补充或批评；
• 举例后加“这充分说明了”，却没有说明例子如何改变推论；
• 比较法只列国别和机构，不回到本国规范问题；
• 使用“有学者认为”“相关研究指出”“国际经验表明”等模糊归因；
• 用“此外、另外、同时”连接没有逻辑关系的段落；
• 以“综上所述、意义重大、值得进一步研究”作空泛收尾；
• 把题录、摘要或搜索片段升级为全文观点；
• 全文没有具体批评对象，只有甲乙丙观点罗列；
• 结论强度超过证据等级。

修复方法：段首提出可反驳命题，随后呈现规范依据和材料，最后落到推论及法律后果。让步应真正承认对方有道理的部分，再指出分歧所在。

3.5 扩展禁用/慎用清单

下表不是机械的“禁词表”。判断标准是：该词是否把法律关系改写成项目管理动作，或把尚未证明的评价提前写进标题。只有在词语确实指向法律方法、规范对象或程序后果时，才保留原词。

标题替换时，由目录整体交代规范对象（条文、请求、机构或程序）、法律动作（区分、辨析、解释、认定、审查或适用）和法律后果（受理、排除、分别审理、救济或制度调整）；单个标题只保留本节必要信息，避免把三项机械塞入每一个标题。

4. 专业法学标题库

使用 references/corpus_methodology.md、data/lexical_candidates.tsv、data/keyword_router_frequency.tsv 和 references/ai_language_defense.md。公开词语候选不含原始标题上下文，且全部处于待人工审核状态；只能辅助审计，不能作为生成推荐。题名库仅在用户明确要求论文题名时调用，不能成为正文目录的次级替代。当前适用范围是全法学，不以体育法或仲裁法为限。可以按下列主题簇选择样本：

1. 宪法、法理与基本权利；
2. 行政法、监管与公共法；
3. 民法、商法与经济法；
4. 刑法、刑事诉讼与证据；
5. 民事诉讼、行政诉讼、仲裁与司法审查；
6. 劳动法、社会法、环境法与资源法；
7. 国际法、比较法、数字法与知识产权法；
8. 体育法与体育仲裁，作为其中一个部门法样本，而非技能的限定领域。

正式题名和章/节标题分开记录。每条记录标明期刊或论文集、年份/辑次、数据库或官方来源、核验层级和可承担的学习任务。来源等级：

• A1：期刊/机构官网全文或知网HTML全文，且目录可复核；可以学习论证结构，只有在正文确已核验时才承载作者观点；
• A2：权威数据库或机构页面的完整目录（可与摘要互证），只能学习题名、章题和结构，不承载未核验的作者观点；
• B：仅有题录、摘要或不完整目录；只能确认题名、刊期、研究对象或摘要明示内容；
• C：公开转载或搜索候选；只进入待复核区，不计入正式学习量。

标题库用于学习标题句法、法律任务词和不同研究类型的结构选择，不用于复制论点、拼接新观点或制造伪引文。正文目录词频只能来自 legal_toc_headings.jsonl 的A1/A2记录；当前文件有4509条原始记录、4505条卡片去重记录，覆盖236篇A2论文，短语频次以 legal_toc_phrase_frequency.tsv 和其统计报告为准。article_toc_level1_corpus.tsv 至 article_toc_level3_corpus.tsv 是从卡片派生的分层调用入口。legal_framework_vocabulary.md中保留的665篇《法学》数据仍是B级题名统计；514篇摘要—关键词记录是B级语境资料，二者均不能替代未覆盖论文的正文目录。

4.1 《法学》2022—2026题录与正文目录缺口

公开版不分发五个年度题录TSV。当前题名层统计及其证据上限见 references/corpus_methodology.md：题名只证明题名、作者、刊期和题名句法，不证明摘要、一级标题、二级标题、三级标题或正文观点。

• 逐期目录抓取到785条记录；排除标题为“启事”或“投稿须知”的108条后，保留677条目录记录。
• 677条中有12条“《法学》注释体例”编辑条目，另行标记为 editorial_note；用于审计目录完整性，但不计入研究论文题名语料。
• 因而可用于专业标题术语扩充的研究论文题名为665篇，全部按B级题名样本计，不升级为A1全文或A2完整目录。
• 目前可用于正文目录学习的记录为236篇、4509条A2原始标题记录（卡片层去重为4505条）；不得把665篇题名或514篇摘要/关键词记录写入 legal_toc_headings.jsonl。
• 目标是对纳入范围的每篇论文写入其一级、二级、三级标题；若来源不能合法取得，应报告缺口并等待PDF、HTML、DOCX或完整目录字段，不以估算补齐。

5. 量化模型

5.1 论文学习量表

报告真实学习规模，不用“检索结果数量”冒充学习数量。至少报告：

当前基线：原有26篇论文＝13篇A1全文深度样本＋2篇A2完整目录结构样本＋11篇B级题录/摘要样本；A类完整样本共15篇；C级候选0篇。新增《法学》题录保留记录677条，其中665篇研究论文题名（B级题名）和12条编辑条目；另有514篇官网摘要/关键词记录（2023—2026，B级，43期次）；逐篇知识卡片537篇，其中236篇含正文目录，正文目录原始4509条、卡片去重4505条（一级1151、二级2279、三级1075）；另有3项非论文裁判/裁决材料，另行计数，不并入论文学习量。

5.2 框架AI味评分（100分）

5.3 量化红线

出现下列任一项，先标记“结构性不合格”，不得用词语润色抵消：

• 关键事实或作者观点没有来源；
• 题录/摘要被写成全文观点；
• 核心案例或关键材料被形式标准排除，却未回到研究问题重构；
• 实体成立条件、机构权限、可受理性、证明责任与程序分流规则混为一谈；
• 标题中的强判断无法由本节证据证明；
• 比较法材料直接替代中国法规范解释。

6. Humanizer-zh medium处理

保留法学精确性，不追求口语化或故意散乱。删除填充短语、宣传性评价、模糊归因、过度限定、三段式堆砌、否定式排比、虚假范围、同义词循环、通用积极结论和破折号滥用；变化句长，但不破坏规范推导。每段只承担一个主要论证功能。

humanizer-zh 中要求第一人称、幽默、个性化情绪或“允许混乱”的建议不迁移到法学论文框架。除非用户明确要求某种评论体裁，不为制造“人味”加入“我”、反问、俏皮话、古语或故意不整齐的论证；学者感来自可反驳命题、具体对话对象和受证据约束的判断。

规范标题保护和硬禁用词优先于一般“换词”：不得把“绪论”“研究背景与意义”“国内外研究现状”等规范用语改成新造标题，也不得把原本准确的法律表达替换成“界分”“生成链条”或其同类工程化表达。

完成后用主体感三问复核：谁在说话？作者赞成什么、反对什么？论文正在与哪个具体文献、案件或反驳对话？

7. 可选输出格式

默认按以下顺序交付；如果用户要求简要修改、案例分析或实证框架，可以删去不相关部分，并说明采用了哪一种结构控制方式：

1. 命题先行的总诊断：先说最需要修复的结构问题。
2. 四层AI味表：结构、标题、术语、论证分别列问题、证据和修法。
3. 结构控制说明：说明采用的研究类型和控制链；需要时再附PaperSpine核验，不把它作为所有论文的强制格式。
4. 法学化标题建议：每个建议标注标题类型和来源层级；无法核验时写“待复核”。
5. 量化表：报告论文学习数量、来源覆盖、100分AI味评分和红线项。
6. 可复用检查清单：保留复选框，供下一篇论文直接使用。
7. 证据缺口：直接列缺什么、影响哪项判断、下一步需补什么。

标题或框架改写时，另附一行“术语保护记录”：列出保留的规范标题、删除的硬禁用词和每项修改的法律任务依据。

审改任务再附一行“语义不变量记录”：说明是否新增主体、义务、要件、抗辩、救济、程序或法律后果；只要有一项不能由输入直接支持，就回退该项并标为待确认。

只读任务不修改文件。用户明确要求写作时，先保留原文副本，修改范围限于授权文件，并报告修改与验收结果。

8. 测试入口

使用Skill本身不需要Python。维护者可在Skill根目录运行 python -m unittest discover -s tests -v，检查唯一Skill入口、公开数据数量、静态路由、待审状态、敏感路径和不透明链接；macOS/Linux如无python命令则使用python3。结构声明另运行 python scripts/validate_structural_edit.py tests/fixtures/framework_edit_contract.json。现有维护脚本按Python 3.10+测试；PDF提取分支另需PyMuPDF，但与静态路由和Skill核心审改无关。主观风格、实体法准确性和候选是否可推荐仍需人工复核。