Paper Select Journal

核心原则

• 当前信息必须实时核验：scope、官网、业内认可度、中科院分区、近 3 个月论文都属于时效性信息，不能靠旧记忆。
• 中间文件只允许落在当前工作目录下的 .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/paper-select-journal/ 隐藏目录；用户若明确指定其他目录，才可覆盖默认值。
• Set1 不再依赖固定语义权重。脚本只负责最小硬过滤与候选池整理，真正的语义规划由当前宿主模型完成。
• Set1 不是最终答案。最终报告只保留证据充分的 Set3，最多 10 个期刊。
• 不能推荐明显预警、垃圾期刊或影响因子低于 3 的期刊；若确实保留低于 3 的例外，必须写明“为何它仍是领域内人类专家认可的稳妥选择”。
• 宁可少报，也不要为了凑满 10 个而硬凑。

输入与工作区

• 用户需求可选，manuscript 必选。
• manuscript 可来自粘贴的标题 / 摘要 / 全文片段，或本地 .md、.txt、.tex、.pdf、.docx，也可混合提供。
• 一旦进入隐藏工作区流程，后续供脚本读取的 analysis/*.json 必须保留在当前 run 目录内；不要把 manuscript_profile.json、set2_scope_review.json、final_recommendations.json 指到 run 目录外。

先初始化隐藏工作区：

python3 <skill_root>/scripts/init_workspace.py --project-root .

脚本会创建 .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/paper-select-journal/{yyyy-mm-dd-hh-mm}/，其中至少包含：

• inputs/
• analysis/
• candidates/
• pubmed/
• reports/

后续所有中间文件都必须留在该 run 目录内。

流程

输入

按用户请求和配置文件提供必要输入；缺失信息应明确列出并停止依赖该输入的步骤。

执行步骤

先写 manuscript 画像

完整理解论文后，把结果写入 analysis/manuscript_profile.json。

• 模板：templates/manuscript_profile.template.json
• 写法：references/manuscript-profile.md 最低字段：
• title
• abstract
• keywords
• manuscript_summary

画像的作用是帮助 AI 理解稿件，而不是喂给固定打分公式。 如果用户偏好复杂，优先把偏好写成自然语言放进 target_journal_brief 或 notes，不要为了脚本凑很多硬编码线索。 如果确实需要保留低 IF 的人工例外期刊，只能作为后续人工补录候选，并且必须在最终报告里解释“为什么它虽然低于阈值，仍是领域内稳妥选择”。

用内置 2023IF.xlsx 做 Set1 候选池

内置目录：assets/journal_catalog/2023IF.xlsx

运行：

python3 <skill_root>/scripts/shortlist_journals.py \
  --workspace .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/paper-select-journal/{yyyy-mm-dd-hh-mm} \
  --profile .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/paper-select-journal/{yyyy-mm-dd-hh-mm}/analysis/manuscript_profile.json

产物：

• candidates/set1_candidates.json
• candidates/set1_candidates.md

这里的脚本只做最小硬过滤：

• 影响因子下限
• 用户明确排除的期刊
• 基础元数据整理（JIF、分区、OA 比例、引用量）

不要把这一步输出误解为“已经按语义排好序的最终 shortlist”。 你必须读取该候选池，再结合 manuscript 自主规划真正值得进入 Set2 的期刊。

联网核验 scope、官网、分区与质量，得到 Set2

根据 candidates/set1_candidates.json 与 manuscript 画像，自主决定先核验哪些候选，并逐个联网核验：

• 官方网站
• Aims & Scope
• 中科院小类及其分区
• 业内认可度
• 是否存在预警 / 垃圾期刊信号

优先使用：

• 期刊官网
• PubMed / NLM
• 主流出版社页面
• 可信的分区信息来源

把通过核验的期刊写入：

• analysis/set2_scope_review.json

模板：templates/scope_review.template.json 核验口径：references/journal-quality-checklist.md

4a. 抓取 Set2 最近 3 个月 PubMed 原始论文证据

运行：

python3 <skill_root>/scripts/fetch_pubmed_recent.py \
  --workspace .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/paper-select-journal/{yyyy-mm-dd-hh-mm} \
  --profile .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/paper-select-journal/{yyyy-mm-dd-hh-mm}/analysis/manuscript_profile.json \
  --scope-review .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/paper-select-journal/{yyyy-mm-dd-hh-mm}/analysis/set2_scope_review.json

产物：

• pubmed/recent_articles.json
• pubmed/recent_articles.md

这里只提供原始证据，不负责打分或排序。脚本只做 API 调用、XML 解析和按日期整理。

4b. AI 评定主题相似性，决定哪些期刊进入 Set3

你必须同时阅读：

• analysis/manuscript_profile.json
• pubmed/recent_articles.json

这里的“AI”指当前执行本 skill 的宿主模型本身：

• Claude Code 中由当前 Claude 会话完成
• Codex 中由当前 Codex 会话完成
• 不要为 Step 4b 额外调用外部 AI API、独立模型服务或单独打分脚本

也就是说，Step 4b 的规划、语义判断、Set3 去留决策和 set3_similarity_review.json 写入，都必须用当前工作环境已提供的 AI 算力原生完成。

逐个判断 Set2 期刊最近 3 个月论文与稿件在以下维度上的语义相关性：

• 主题是否真的对口，而不只是 token 碰撞
• 研究问题是否接近
• 方法学是否接近
• 相关论文数量与密度是否足以支持进入最终推荐

执行时先快速浏览全部 Set2 近期论文形成比较框架，再逐刊做语义判断，最后统一决定 Set3 去留并写出可复核理由。 不要再把这一步退化成机械 token 打分或硬编码加权公式。

把结论写入：

• analysis/set3_similarity_review.json

模板：templates/set3_similarity_review.template.json

每个期刊至少要写：

• journal_name
• include_in_set3
• similarity_assessment
• relevant_articles
• irrelevant_articles_count
• overall_relevance_level

overall_relevance_level 只允许：

• high
• medium
• low
• none

形成最终推荐 JSON

基于 analysis/set3_similarity_review.json，把最终最多 10 个期刊写入 analysis/final_recommendations.json。

• 模板：templates/final_recommendations.template.json
• 字段说明：references/report-schema.md

必须保留：

• 影响因子
• 中科院小类及其分区
• 业内认可度
• 官方网站
• 为什么推荐
• 最近 3 个月类似主题论文
• 每篇证据论文的 AI relevance

渲染最终 Markdown 报告

运行：

python3 <skill_root>/scripts/render_report.py \
  --workspace .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/paper-select-journal/{yyyy-mm-dd-hh-mm} \
  --final-json .bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/paper-select-journal/{yyyy-mm-dd-hh-mm}/analysis/final_recommendations.json

最终输出：

• reports/paper-select-journal-report.md

如需 --output 覆盖默认文件名，也只能写到当前 run 目录内部，不能把最终 Markdown 报告写到隐藏工作区之外。

• 所有期刊写在同一个 Markdown 文件里

• 每个期刊使用 # 层级，下面按需用 ##、###

• 每个期刊都要写明：影响因子、中科院小类及分区、业内认可度、官方网站、推荐理由，以及最近 3 个月类似主题论文表格和 AI 相关性说明

• scope 不匹配，再高 IF 也不要强推

• 有明显预警 / 垃圾期刊风险，直接淘汰

• 近 3 个月没有相似主题论文，不一定淘汰，但推荐度要下调

• include_in_set3 为 false 的期刊，不要进入最终推荐

• 中科院分区无法可靠核验时，优先换成信息更透明的候选

• 用户未明确偏好时，自主选择最稳妥方案，不要把提问变成阻塞

• <skill_root> 表示当前 skill 的真实安装目录。

• 不要假设用户当前工作目录里一定有 paper-select-journal/ 源码副本。

• 如果你已经处在 skill 根目录，也可以直接运行 python3 scripts/...。

• references/manuscript-profile.md

• references/journal-quality-checklist.md

• references/report-schema.md

输出

输出 Skill description 所承诺的交付物，并明确格式、路径和失败返回形式。

输出管理

本 Skill 的新任务中间文件统一写入 ./.bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/{skill名}/input|output|log/。同一任务复用一个任务根目录；多 Skill 协作才创建 shared/。正式交付物不写入该目录，历史隐藏目录只允许显式兼容读取、迁移或清理。

校验

完成后执行 Skill 已有的静态检查、脚本验证或人工复核，并记录通过标准。

失败与恢复

保留错误证据和已完成产物；仅在输入、环境或外部依赖恢复后从最近的失败步骤重试。

约束

遵守以下公共约束，并执行本 Skill 的专属边界。

公共硬约束

• 任务需要落盘时，使用唯一的 ./.bensz-api/task-{yyyymmdd-hhmm}-{简短描述}/ 根目录；共享材料放入 shared/，Skill 专属材料放入该 Skill 的 input/、output/、log/。
• 正式交付物、源代码和正式计划按项目约定保存，不写入任务工作区；未经授权不覆盖、删除、迁移或远程写入。
• 项目维护变更检查 BAC 可用性并记录需求、AI 产出、工具结果、文件改动和验证摘要；BAC 只做过程审计，不替代署名、责任或合规判断。
• 不记录 API Key、访问令牌、密码、Cookie、环境/凭据文件、私有 Prompt、身份信息、本地用户名、主机名或不必要的大体积原始数据。
• 文件路径必须规范化并限制在授权项目范围内；外部 URL、子进程和网络访问遵循最小权限，防止路径遍历、SSRF 和命令注入。
• Skill 版本唯一记录在自身 config.yaml:skill_info.version；公开 API、协议、目录或配置变更同步文档与 CHANGELOG.md。
• 仅将 Skill 或 Bensz 基础设施本身的设计缺陷交给 bensz-collect-bugs；先脱敏写入 ~/.bensz-skills/bugs/，当前任务不中断，只有用户明确要求才公开上报，禁止直接修改用户已安装的 Skill 源码。

Skill 专属约束

不得超出本 Skill description 和上方流程所声明的范围；不将未验证的信息伪装成确定结论。