前言¶

在 DeepSeek Harness（DSH）里用 Agent 写论文，常见痛点不是「写不出来」，而是改着改着就偏了：润色后 p 值、引用编号悄悄变了；AI 把「associated with」写成「caused」；句子里留下 as requested by the reviewer 这类修改过程残留；或者某次被否决的方案又混进最终稿。事后用 Humanizer 或 AI Detector 往往只能整段重写或给一个概率分数，很难在写作过程中盯住证据与交付物边界。

下面介绍维护者 xmutfyh 的 dsh-plugin-writing-guard（GitHub 21 stars）。它是面向 DSH 的科研论文写作守卫：本地、确定性、零网络、零 LLM，在论文工作流中持续检查风格、锁住证据、对照目标期刊、审计交付物泄漏。

这是什么¶

Writing Guard 是 DeepSeek Harness 的学术写作插件，定位是「去 AI 腔 · 守住证据 · 写向目标期刊 · 交付物清洁」。插件不隐藏 AI 使用痕迹，而是识别并减少机械化、模板化、防御性的 AI 写作；在润色前后对比数字、引用、因果表述与 scope，防止科研事实无声漂移；还可从目标期刊代表论文蒸馏 Journal Profile，并按章节报告 fit 程度。

工作方式可以概括为：

写作规则 → Agent revision → automatic guard → targeted revision

即在 DSH 论文工作流中持续工作，而不是写完再一次性 Humanize。

四大支柱¶

STYLE — 去 AI 腔¶

检测范围包括：

• 修改过程残留：如 revised、as requested、本轮、审稿人要求
• 防御性写作：concession stacking、limitation pre-emption、generic value claim、不必要的 epistemic retreat
• 机械化修辞：不是X而是Y、rather than 滥用、三连排比、破折号/冒号滥用
• LLM 高频词：delve、tapestry、testament、leverage 等（按密度规则，单次不报警）
• 中文套话、「的」字链、平均句长异常等

英文按词数、中文按 CJK 字数分别计算密度阈值，双门槛降低误伤术语的概率。

EVIDENCE — 守住证据¶

在 AI 润色前后对比并保护：

• 数字、百分数、p 值、置信区间、单位
• \cite / \ref、Figure/Table 编号、DOI
• 因果力与证据力：例如 associated with 不能被悄悄改成 caused
• 否定与零结果：no significant difference 不能消失或翻转
• scope 边界与 evidence status：不能从「观察到/报告」被改成直接声称

每个问题带 findingKind：INVARIANT / VIOLATION / CANDIDATE / ADVISORY，并输出完整性回归报告。

JOURNAL — 写向目标期刊¶

从多篇目标期刊代表论文按文章独立统计，生成 corpus-aware Journal Profile。当前比较五类信号：

• 句法结构：句长、段长等
• 语态与人称：passive voice、first-person usage
• 引用：bibliographic citations、figure/table references
• 科学主张：claim density、causal/evidential strength、hedging、scope、null findings
• 修辞结构：rhetorical move coverage、canonical order、section-bound transition fit

Journal Fit 按章节输出，并报告 corpus size 与 confidence。权重为：句法结构 20%、语态人称 10%、引用 15%、科学主张 35%、修辞结构 20%。文档强调 Scientific Integrity > Journal Fit。

DELIVERY — 交付物清洁¶

检测工作上下文、被否决方案和修改过程是否无事实依据地泄漏到最终成品。CAL（Context-to-Artifact Leakage）是工程术语：语言可以改，证据不能改，被否决的方案不应进入成品。

五个 DSH Tools¶

writing_delivery_audit 的最小示例：

auditDelivery({
  text: 'Remove Toast from the login form',
  surface: 'commit',
  baseline: 'export default function LoginForm() { return <div><Input /></div>; }',
  rejectedTerms: ['Toast'],
})
// → findings: [REJECTED_ALTERNATIVE_LEAKAGE, UNJUSTIFIED_NEGATIVE_REFERENCE]

文档感知与自动审计¶

同一段文字在不同文档类型里规则不同。writing_audit 可通过 profile 参数指定，或从文件路径自动检测（rebuttal / cover_letter / manuscript 关键词）：

插件监听 tools/post-execute：对 write / edit 写入的论文类文件（.md / .tex / .txt）自动审计，结果注入模型下一条请求。按文件持久化审计状态，每次只注入增量（新增 / 已解决 / 仍存在）；无变化则不重复注入，并自动捕获修改前文本运行 Scholarship Lock + Epistemic Lock。

安装与启用¶

推荐从 npm 安装（当前版本 1.7.0，MIT 许可证）：

dsh plugin --profile web add dsh-plugin-writing-guard
dsh web

也支持从 GitHub 或本地源码安装：

# 从 GitHub 安装（lib/ 已提交，无需构建）
dsh plugin --profile web add github:xmutfyh/dsh-plugin-writing-guard

# 从 GitHub tarball 安装
dsh plugin --profile web add https://github.com/xmutfyh/dsh-plugin-writing-guard/archive/refs/heads/master.tar.gz

# 从本地源码目录安装
dsh plugin --profile web add ./path/to/dsh-plugin-writing-guard

# 重启生效
dsh web

要求 Node.js >= 18。安装后插件以当前 dsh 进程权限运行，安装前应自行检查源码与 MIT 许可证。

典型用法¶

1. 写作前调用 writing_rules，加载写作纪律。
2. 需要对照作者风格或目标期刊时，分别用 writing_style_profile、writing_journal_profile 生成 JSON，再在 writing_audit 中加载。
3. 写作与修改过程中，writing_audit 自动或手动检查 STYLE 与证据不变量；对 .md / .tex / .txt 的 write / edit 会触发增量自动审计。
4. 定稿前用 writing_delivery_audit 检查被否决方案与过程残留是否泄漏。

与 Humanizer / AI Detector 的对比（据 README）：Writing Guard 侧重写作前规则、过程中检查与自动监听；不做整段重写；风格问题可解释；规则本地运行、零网络零 LLM。Humanizer 更偏向写完再改，二者可配合使用。

适用场景与注意¶

适合谁：

• 在 DSH 中用 Agent 写或改中英文论文、回复信、投稿信的用户
• 需要在润色前后盯住数字、引用、p 值、因果表述的科研写作者
• 希望对照目标期刊代表论文校准章节写作分布的场景

需要注意：

• 规则基于正则与归一化，无法覆盖所有语义改写（semantic paraphrase）；DELIVERY 层检测的是可用正则表达的泄漏模式，定稿仍需人工 review。
• 中英文均支持，密度阈值按语言独立计算。
• 所有规则本地运行，不收集、不上传论文内容；状态写在 ~/.dsh/plugins/dsh-plugin-writing-guard/。
• 仓库含 380+ 项确定性测试，CI 在每次 push / PR 执行 build + tests。

结尾¶

dsh-plugin-writing-guard 把论文写作守卫嵌进 DSH 工作流：边写边防 AI 坏写作，锁住证据，可选对照期刊，并审计交付物泄漏。若你在 DSH 生态里找可本地、可解释的学术写作辅助，可从社区目录或 GitHub 入手。

• 目录页：https://www.skillhub.cn/plugins/xmutfyh/dsh-plugin-writing-guard
• GitHub：https://github.com/xmutfyh/dsh-plugin-writing-guard