这个项目最初是给我媳妇做的一套审稿辅助工具。她是医学编辑，每天要审大量的医学稿件，而传统的审稿方式需要逐字逐句地检查术语、数据、格式、逻辑，工作量巨大且容易遗漏。
于是我想：能不能让 AI 来帮她做这些重复性的检查工作？让 AI 负责基础审校，她只需要审核 AI 标记出来的问题，把精力集中在内容质量的判断上。
这就是 Awesome Proofreading Auto 的由来 —— 一个专门为中文医学文档设计的智能审稿系统，支持多种 AI Agent 平台运行。
Token 消耗提醒：本系统采用"分项检查 + 通读精读结合"的策略，会对文档进行多轮、多维度、多 Agent 并行审校。一次完整的审稿流程会消耗大量 Token（视文档长度和模式而定），请确保你有充足的 API 额度。
医学文档的审稿工作涉及多个专业维度：术语规范（卫健委 42,217 条标准术语）、临床逻辑一致性、数据准确性、参考文献格式（GB/T 7714-2025）、表格图片校验等。人工逐一检查耗时且易错，而通用的 AI 校对工具缺乏医学领域的专业知识和标准支撑。
本项目通过 10 个专项审校技能 + 国家卫健委术语知识库 + 多 Agent 并行架构，实现了覆盖全面的自动化审稿流程，并生成交互式 HTML 报告供人工最终审核。
| # | 技能 | 校验内容 | 亮点 |
|---|---|---|---|
| 1 | 语言组织校对 | 语法、标点、数字用法、单位、逻辑连贯性 | 8 大类别全覆盖 |
| 2 | 医学术语校对 | 卫健委标准术语合规性 | 42,217 条 NHC 标准术语实时查询 |
| 3 | 临床逻辑校对 | 诊断-症状-检验-治疗的逻辑一致性 | 跨段落推理验证 |
| 4 | 数据一致性校对 | 检验值、参考范围、指标关联 | 132 项检验值知识库 |
| 5 | 表格校对 | 编号、表头、数据准确性、跨页表格 | 双策略 PDF 表格提取 |
| 6 | 图片校对 | 编号、图注、图片质量、标注完整性 | 自动图片提取与匹配 |
| 7 | 参考文献校对 | GB/T 7714-2025 标准、DOI 验证 | 格式+内容双重校验 |
| 8 | 翻译校对 | 术语翻译准确性、英文缩写规范 | 中英双语对照检查 |
| 9 | 术语一致性校对 | 全文术语统一、缩写首次定义 | 跨章节一致性追踪 |
| 10 | 表达润色 | 用词精准度、冗余、搭配优化 | 不改变原意的润色建议 |
- 卫健委术语知识库：内置 42,217 条国家卫健委标准化临床术语，支持别名 → 标准名映射
- 检验值参考库：132 项常见检验指标的正常范围，自动校验数据合理性
- 医学缩写库：190+ 医学缩写的中英文对照
- 交互式 HTML 报告：点击标记 ↔ 错误详情双向联动，支持表格/图片/流程图渲染
- 断点续审：每 20 分钟自动保存进度，崩溃后可恢复
- 多格式支持：
.docx、.doc、.pdf、.txt、.md
本 Skill 采用标准的 Markdown 技能定义格式，理论上支持所有具备 Agent 调度能力的 AI 编码工具：
| 平台 | 状态 | 安装方式 |
|---|---|---|
| Claude Code | 已验证 | 将 proofread/ 复制到 .claude/skills/ |
| OpenAI Codex CLI | 理论支持 | 将 proofread/ 复制到 .codex/skills/ |
| OpenClaw | 理论支持 | 将 proofread/ 复制到对应 skills 目录 |
| 其他支持 Skill/Agent 的平台 | 需适配 | 技能定义为纯 Markdown，适配成本低 |
本项目的 Skill 定义完全采用 Markdown + JSON 格式，不依赖任何特定 Agent 平台的私有 API，因此具备良好的跨平台兼容性。
- 一个支持 Agent 调度的 AI 编码工具（推荐 Claude Code）
- Python 3.8+ 环境
- 以下 Python 依赖：
pip install pymupdf pdfplumber python-docx- 克隆仓库到本地：
git clone https://github.com/your-username/awesome_proofreading_auto.git
cd awesome_proofreading_auto- 将 skill 目录安装到你的 Agent 平台：
Claude Code：
mkdir -p .claude/skills
cp -r proofread .claude/skills/proofreadOpenAI Codex CLI：
mkdir -p .codex/skills
cp -r proofread .codex/skills/proofreadOpenClaw / 其他平台：
将 proofread/ 复制到对应平台的 skills 目录即可。如果平台支持直接在项目目录加载技能，也可以不做任何复制，直接在 awesome_proofreading_auto 目录下启动。
- 确保依赖已安装：
pip install pymupdf pdfplumber python-docx使用 /proofread 命令启动审稿（以 Claude Code 为例，其他平台命令格式类似）：
# 基本用法
/proofread data/your_document.docx
# 指定布局模式（单栏/双栏）
/proofread data/article.pdf --layout=double
# 指定审稿模式
/proofread data/book.pdf --layout=single --mode=hard
审稿完成后会自动在浏览器中打开交互式 HTML 报告。
| 参数 | 说明 | 适用场景 |
|---|---|---|
--layout=single |
单栏布局 | Word 导出 PDF、普通文档 |
--layout=double |
双栏布局 | 学术期刊、教科书双栏排版 |
如果未指定布局，系统会询问你。双栏模式会自动检测每页栏数，按左栏 → 右栏顺序提取文本。
通过 --mode 参数控制每个 Agent 处理的技能数量：
| 模式 | Agent 数量 | 速度 | 质量 | 适用场景 |
|---|---|---|---|---|
hard |
chunks × 10 | 最慢 | 最高 | 重要文档、最终出版 |
medium（默认） |
chunks × 4 | 中等 | 较高 | 常规审稿 |
easy |
chunks × 1 | 最快 | 一般 | 快速初筛、草稿审查 |
medium 模式下 10 个技能按职责分组为 4 组并行执行：
- 组 A（文本层面）：语言组织 + 表达润色
- 组 B（术语层面）：医学术语 + 术语一致性 + 翻译
- 组 C（医学层面）：临床逻辑 + 数据一致性
- 组 D（文档元素）：参考文献 + 表格 + 图片
PDF 中的表格提取采用双策略（PyMuPDF + pdfplumber），大部分表格可自动提取。如果自动提取效果不理想：
- 系统会自动截取表格区域截图，并尝试 AI 视觉识别重建
- 对于极其复杂的表格，可能需要手动辅助
- 运行后检查终端输出的
Total: N tables确认提取数量
系统自动将文档按 40 段落一块、10 段落重叠进行分块。重叠区域确保跨段落的错误不会被遗漏。
- 初筛用
easy模式：快速获取文档整体质量概况 - 重点章节用
hard模式：对需要重点审核的章节单独处理 - 利用断点续审：中断后可从进度文件恢复，不浪费已完成的审校结果
HTML 报告中的错误按三级严重度标记：
| 级别 | 颜色 | 含义 | 建议 |
|---|---|---|---|
| Critical（严重） | 红色 | 可能导致理解偏差或临床误判 | 必须修改 |
| Major（重要） | 橙色 | 影响准确性或一致性 | 建议修改 |
| Minor（轻微） | 蓝色 | 格式、表述等小问题 | 可选修改 |
可独立使用术语查询工具验证术语规范性：
python .claude/skills/proofread/scripts/lookup_term.py 心房颤动 # 精确查询
python .claude/skills/proofread/scripts/lookup_term.py 心房颤动 --all # 模糊匹配
python .claude/skills/proofread/scripts/lookup_term.py --chapter 心血管 # 按科室查询
python .claude/skills/proofread/scripts/lookup_term.py --stats # 统计信息┌──────────────────────────────────────────────────────┐
│ SKILL.md (主控) │
│ /proofread 命令触发入口 │
└──────────────┬───────────────────────────────────────┘
│
┌──────────▼──────────┐
│ 文档提取层 │
│ PDF / DOCX / TXT │
│ 表格 / 图片 / 图形 │
└──────────┬──────────┘
│
┌──────────▼──────────┐
│ 智能分块层 │
│ 40段/块, 10段重叠 │
│ awk 稳定分块 │
└──────────┬──────────┘
│
┌──────────▼──────────┐
│ 并行 Agent 调度层 │
│ 3 Agent 并行 │
│ 即时补位策略 │
│ 进度持久化 │
└──────────┬──────────┘
│
┌──────────▼──────────┐
│ 结果合并 + 报告生成 │
│ JSON 容错解析 │
│ 错误-段落智能匹配 │
│ 交互式 HTML 报告 │
└──────────────────────┘
.claude/skills/proofread/
├── SKILL.md # 主 Skill 定义（命令入口 + 执行流程）
├── assets/
│ └── report_template.html # HTML 报告模板
├── references/
│ ├── knowledge_base/ # 知识库
│ │ ├── abbreviations.json # 190+ 医学缩写
│ │ ├── lab_values.json # 132+ 检验值参考范围
│ │ ├── medical_terms.json # 126+ 医学术语
│ │ └── nhc_clinical_terms.json # 42,217 条 NHC 标准术语
│ └── skills/ # 10 个专项审校技能
│ ├── _base_output_format.md # 统一 JSON 输出规范
│ ├── language_proofreading/
│ │ ├── skill.md # 技能定义（规则 + schema）
│ │ └── checklist.md # 检查清单
│ ├── medical_term_proofreading/
│ ├── clinical_logic_proofreading/
│ ├── data_consistency_proofreading/
│ ├── table_proofreading/
│ ├── image_proofreading/
│ ├── reference_proofreading/
│ ├── translation_proofreading/
│ ├── consistency_proofreading/
│ └── expression_refinement/
└── scripts/
├── lookup_term.py # NHC 术语查询工具
└── parse_nhc_terms.py # NHC 数据解析工具
每个审校技能由两个文件组成：
skill.md：定义校对规则、输出 JSON schema、扩展字段checklist.md：结构化检查清单，Agent 逐项执行
所有技能遵循统一的输出格式（_base_output_format.md），包含标准化的严重度分级（critical / major / minor）和字段命名。
待执行队列: [Task1, Task2, Task3, Task4, Task5, ...]
Agent 1: Task1 ████████ 完成 → 立即启动 Task4
Agent 2: Task2 ████████████ 完成 → 立即启动 Task5
Agent 3: Task3 ██████ 完成 → 立即启动 Task6
始终保持恰好 3 个 Agent 并行运行
任何 Agent 完成（成功或失败）后立即补位
关键设计决策：
- 即时补位：不等同批其他 Agent 完成，完成一个立即启动下一个
- 上下文保护：主 Agent 不读取大文件，所有文件操作通过子 Agent 或 Bash 完成
- 状态持久化：每 20 分钟自动保存进度到
_progress.json，支持崩溃恢复 - 容错 JSON 解析：三级策略处理 Agent 输出的畸形 JSON
output_{docname}/
├── _document_text.txt # 带编号的文档原文
├── _tables.json # 表格结构 + Markdown
├── _images.json # 图片元信息
├── _graphics.json # 图形内容处理结果
├── chunks/ # 分段中间文件
│ ├── _chunk_{N}.txt # 分段文本
│ └── *_chunk{N}.json # Agent 输出结果
├── results/ # 合并后的最终结果
│ ├── language_proofreading.json
│ ├── medical_term_proofreading.json
│ └── ...（共 10 个）
├── images/ # 提取的图片 + 表格截图
└── {docname}.html # 最终 HTML 审稿报告
本系统的架构设计是领域无关的，审校逻辑完全由 references/skills/ 下的技能定义驱动。迁移到其他领域只需修改技能和知识库，不需要改动调度框架。
根据目标领域准备专业知识库 JSON 文件。例如迁移到法律文档审校：
// law_terms.json
{
"民法典": {
"standard_name": "中华人民共和国民法典",
"abbreviation": "民法典",
"category": "法律名称"
}
}每个技能由 skill.md + checklist.md 组成，定义了校对规则和输出 schema。
保留的技能（多数领域通用）：
language_proofreading- 语言组织（语法、标点等）consistency_proofreading- 术语一致性expression_refinement- 表达润色reference_proofreading- 参考文献（调整引用标准即可）table_proofreading- 表格image_proofreading- 图片
需要替换的技能（领域专用）：
medical_term_proofreading→ 改为领域术语校对（如legal_term_proofreading）clinical_logic_proofreading→ 改为领域逻辑校对（如legal_logic_proofreading）data_consistency_proofreading→ 改为领域数据校对（如legal_citation_proofreading）translation_proofreading→ 按需保留或替换
每个技能的 skill.md 需要包含：
# 技能名称
## 校对范围
定义本技能负责检查的内容范围
## 校对规则
- 规则1：...
- 规则2：...
## 输出格式
遵循 _base_output_format.md 的标准 JSON schema将 lookup_term.py 中的数据源替换为目标领域的术语库。
在 SKILL.md 的技能列表部分更新为新技能。
| 目标领域 | 可复用技能 | 需新建/替换技能 | 知识库 |
|---|---|---|---|
| 法律文档 | 语言、一致性、润色、参考文献、表格、图片 | 法律术语、法条逻辑、案例引用 | 法律术语库、法条库 |
| 学术论文 | 语言、一致性、润色、参考文献、表格、图片 | 学术术语、实验逻辑、数据一致性 | 学科术语库 |
| 技术文档 | 语言、一致性、润色、表格、图片 | 技术术语、代码逻辑、API 一致性 | 技术术语库、API 规范 |
| 教育教材 | 语言、一致性、润色、参考文献、表格、图片 | 学科术语、知识点逻辑、题目准确性 | 学科知识库 |
本项目采用 CC BY-NC-SA 4.0 许可证。
本作品仅供个人学习和交流使用，严禁用于任何商业用途。
未经授权的商业使用将追究法律责任。
- 本系统是辅助审稿工具，所有标记的问题均需人工最终审核确认
- AI 审校结果可能存在误报或遗漏，不保证 100% 准确
- 对于医学文档中的临床决策相关内容，请务必以专业医学人员审核为准
- 本系统不对因使用或误用产生的任何损失承担责任
- Claude Code、OpenAI Codex、OpenClaw 等 AI Agent 平台
- 国家卫健委 - 提供标准化临床术语数据
- 所有为医学出版质量默默付出的编辑们
