foryourhealth111-pixel/scholarly-publishing
bundled/skills/scholarly-publishing/SKILL.md
End-to-end scholarly publishing workflow: manuscript → figures → LaTeX/Word → submission → revision/rebuttal → camera-ready. Includes meta-rules, checklists, repo structure, and case-based guidance.
$ install --global
skillsauthnpx skillsauth add foryourhealth111-pixel/vco-skills-codex scholarly-publishingInstall this skill globally with one command. Works with Claude Code, Cursor, and Windsurf.
Security Scan Results
3 of 9 scanners reported clean
Some scanners were skipped, did not run, or reported a non-clean status. Review each row below.
3
Scanners Passed
9
Scanners in report
Clean
TrivyContainer and dependency vulnerability scanner
95%
Clean
SemgrepStatic code analysis for vulnerabilities
95%
Clean
mcp-scan (Snyk)Model Context Protocol security validation
95%
Skipped
Snyk (dep)Open source security scanning
50%
Skipped
Socket.devSupply chain security analysis
50%
Skipped
VirusTotalMulti-engine malware detection
50%
Skipped
CrowdStrikeAdvanced threat intelligence
50%
Skipped
OSV-ScannerOpen Source Vulnerability database check
50%
Skipped
OWASP Dep-Check
50%
Last scanned: Apr 27, 2026, 3:40 AM49.9s3 files scanned
SKILL.md
- name:
- scholarly-publishing
- description:
- End-to-end scholarly publishing workflow: manuscript → figures → LaTeX/Word → submission → revision/rebuttal → camera-ready. Includes meta-rules, checklists, repo structure, and case-based guidance.
- allowed-tools:
- [Read, Write, Edit, Bash, Grep, Glob]
Scholarly Publishing (论文投稿全流程)
你会得到什么（输出契约）
当用户说“我要投稿/返修/顶刊作图/相机就绪/需要 LaTeX 工程化/写 rebuttal/写 cover letter/做组会汇报”时，本 skill 负责把目标拆成可交付的出版资产包：
manuscript/：论文源文件（LaTeX / Word / Markdown 任一作为 source-of-truth）figures/：每张图的源代码/源数据/最终导出（PDF/EPS/SVG/TIFF）supplement/：补充材料（方法细节、附录、扩展实验、额外图表）submission/：投稿所需文件（cover letter、graphical abstract、highlights、checklist、打包 zip）revision/：返修资产（rebuttal、diff、逐条回应矩阵）build/：可复现构建产物（PDF、打包 zip、CI 日志）
目标不是“写一段文字/画一张图”，而是产出能提交、能返修、能复用、能审计的一套文件与规范。
何时使用（触发场景）
适用场景（中英混合均可）：
- 投稿/返修：
投稿、submission、返修、revision、rebuttal、回复审稿意见、camera-ready、proof - 顶刊作图：
顶刊作图、投稿图、publication-quality、600dpi、tiff、多子图、panel、subplot - LaTeX 工程化：
latex template、latexmk、bibtex、biber、Overleaf、chktex、latexindent - 研究报告/技术报告：
科研报告、technical report、HTML + PDF、Quarto - 组会/答辩/汇报：
slides、Slidev、Marp、Reveal.js、Beamer
不适用（应交给其它技能）：
- 仅“从 PDF 提取文本/合并 PDF/批注回复”等纯文档处理 →
docs-media/pdf/docx/docx-comment-reply - 仅“画流程图/概念示意图（非数据图）” →
scientific-schematics或markdown-mermaid-writing
输入信息（最小问询）
为了稳定落地，至少需要：
- 目标投向：期刊/会议/出版社（不知道也可以先用“类目”：Nature/IEEE/ACM/NeurIPS/PLOS）
- 论文类型：研究论文/方法论文/综述/短文/技术报告
- 交付物：只要“投稿包”？还是“报告 + 图 + slides”？（可多选）
- 写作来源：是否已有草稿/数据/图？（已有就以“改稿/补齐规范”为主）
工作流（可执行流程）
Phase 0 — 选择“单一事实源”（Single Source of Truth）
在以下三者中选一个做源文件（强烈建议只选一个）：
- LaTeX：适合期刊/会议、公式多、需要严格排版、可 CI 构建
- Word：适合部分医学生命科学期刊/协作者偏 Word 的团队
- Markdown/Quarto：适合技术报告/内部报告/可发布网页（可导出 PDF）
元规则：同一论文不要在多个格式里并行编辑。其它格式只能是“导出物”。
Phase 1 — 先建“投稿约束”再写正文
- 目标投向与模板：用
venue-templates获取模板/版式约束 - 投稿清单：用
submission-checklist拉一份对应 stage 的 checklist - 明确图的规格：列出每张图的用途、类型（line art / raster / combination）与导出格式（PDF/TIFF）
Phase 2 — 论文主线（写作）
用 scientific-writing 执行两段式写作：
- 先写“结构大纲（允许 bullet）”
- 再写“最终正文（必须段落，禁止 bullet）”
元规则（顶级期刊通用）：
- 先图后文：Results 的主线由 Figures 驱动
- 句子不超载：每句一个主张；每段一个中心句；每节一个问题
- 让审稿人省力：方法可复现、统计可追溯、图注自解释
Phase 3 — 图表管线（顶刊作图）
用 scientific-visualization 作为默认图表技能，必要时补 scientific-schematics（流程/机制示意）：
- 对 data figure：统一字体、字号、线宽、配色、子图间距、panel label（A/B/C）
- 导出：优先
PDF/EPS/SVG（矢量），必要时TIFF 600dpi（栅格） - 可访问性：色盲友好（Okabe-Ito / colorcet / cmcrameri）
Phase 4 — LaTeX/构建/打包
如果 source-of-truth 是 LaTeX：
- 用
latex-submission-pipeline完成：本地编译 → lint/format → CI 编译 → submission zip
如果 source-of-truth 是 Word：
- 仍然遵循“图表输出标准 + 引用一致性 + 文件命名规范”，并准备投稿系统所需附件
Phase 5 — 投稿与返修
- 投稿前：
submission-checklist/templates/pre-submission-checklist.md - 返修：用
submission-checklist/templates/rebuttal-response-matrix.md逐条回应 - 相机就绪：
submission-checklist/templates/camera-ready-checklist.md
Phase 6 — 汇报与传播（可选）
用 slides-as-code 或 scientific-slides 把论文变成可讲的故事：
- 1 张图 = 1 个结论点
- Slides 的图直接复用
figures/的最终导出，不要二次截图
规范（Meta Rules → Skills）
A. 资产命名规范
- 图文件：
fig-01-overview.pdf、fig-02-results.tiff - 子图：
fig-02A-...、fig-02B-... - 统一用
kebab-case；避免空格与中文；避免“final_v7_reallyfinal”
B. 可复现性最小集（Reproducibility Minimum）
至少提供：
- 构建命令（
make pdf/latexmk/quarto render） - 环境说明（Python 版本、依赖，或 lockfile）
- 图表源（代码/参数）与导出脚本（自动化优先）
C. 质量门禁（提交前自检）
- 字体一致、字号可读、线宽统一
- 统计图包含不确定性（CI/SEM/SD）并在 caption 解释
- 图注自包含：看 caption 能理解图表达什么、样本量、统计检验
- 引用准确：每个关键主张可追溯到数据或引用
案例库（GitHub 高信号仓库）
见：references/case-library.md（按“写作清单/论文工程化/顶刊作图/LaTeX pipeline/Slides-as-code”分类）
快速调用示例（给 VCO 路由用）
- “我要投稿 Nature 风格论文：请给出投稿资产包目录结构 + checklist + 图表导出标准”
- “顶刊作图：matplotlib 多子图 + 色盲友好 + 导出 PDF + TIFF 600dpi（每张图的规范写清楚）”
- “我要回复审稿意见：请生成 rebuttal 矩阵，并给出逐条回应的写作规范”
- “请把当前 LaTeX 项目接入 GitHub Actions 自动编译并生成 submission zip”
Related Skills
foryourhealth111-pixel/shap
development
VerifiedTrustedCommunity
Model interpretability and explainability using SHAP (SHapley Additive exPlanations). Use this skill when explaining machine learning model predictions, computing feature importance, generating SHAP plots (waterfall, beeswarm, bar, scatter, force, heatmap), debugging models, analyzing model bias or fairness, comparing models, or implementing explainable AI. Works with tree-based models (XGBoost, LightGBM, Random Forest), deep learning (TensorFlow, PyTorch), linear models, and any black-box model.
1,760SKILL.mdUpdated Apr 27, 2026
foryourhealth111-pixel/sentry
development
VerifiedTrustedCommunity
Use when the user asks to inspect Sentry issues or events, summarize recent production errors, or pull basic Sentry health data via the Sentry API; perform read-only queries with the bundled script and require `SENTRY_AUTH_TOKEN`.
1,760SKILL.mdUpdated Apr 27, 2026
foryourhealth111-pixel/senior-prompt-engineer
development
VerifiedTrustedCommunity
World-class prompt engineering skill for LLM optimization, prompt patterns, structured outputs, and AI product development. Expertise in Claude, GPT-4, prompt design patterns, few-shot learning, chain-of-thought, and AI evaluation. Includes RAG optimization, agent design, and LLM system architecture. Use when building AI products, optimizing LLM performance, designing agentic systems, or implementing advanced prompting techniques.
1,760SKILL.mdUpdated Apr 27, 2026
foryourhealth111-pixel/senior-ml-engineer
development
VerifiedTrustedCommunity
World-class ML engineering skill for productionizing ML models, MLOps, and building scalable ML systems. Expertise in PyTorch, TensorFlow, model deployment, feature stores, model monitoring, and ML infrastructure. Includes LLM integration, fine-tuning, RAG systems, and agentic AI. Use when deploying ML models, building ML platforms, implementing MLOps, or integrating LLMs into production systems.
1,760SKILL.mdUpdated Apr 27, 2026