nsfc-code

nsfc-code

技能定位

• 你已经有一份 NSFC 标书正文（常见为 LaTeX 项目），但不确定应选择哪个申请代码。
• 本技能读取你的正文内容，并结合 skills/nsfc-code/references/nsfc_code_recommend.toml 的“推荐描述”，输出 5 组代码推荐与理由。

输入（缺啥就问啥）

优先获取以下信息：

• 标书正文路径：一个目录（如 projects/NSFC_Young/）或主 .tex 文件路径
• （可选）用户偏好：希望主代码更偏“理论/方法/工程/交叉/转化”哪一侧
• （可选）输出位置/文件名约定（如需写到指定目录）

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

• 当用户环境中出现因本 skill 设计缺陷导致的 bug 时，优先使用 bensz-collect-bugs 按规范记录到 ~/.bensz-skills/bugs/，严禁直接修改用户本地 Claude Code / Codex 中已安装的 skill 源码。
• 若 AI 仍可通过 workaround 继续完成用户任务，应先记录 bug，再继续完成当前任务。
• 当用户明确要求“report bensz skills bugs”等公开上报动作时，调用本地 gh 与 bensz-collect-bugs，仅上传新增 bug 到 huangwb8/bensz-bugs；不要 pull / clone 整个 bug 仓库。

基于标书正文内容，推荐最贴切的 NSFC 申请代码（每条推荐包含：申请代码1=主代码、申请代码2=次代码），并把结果写入 Markdown 文件（全程只读，不修改标书）。

确定时间戳与工作区

每次运行开始时，确定分钟级时间戳 {ts}（格式 YYYYMMDDHHmm），并创建本次专属工作区：

TS=$(date +%Y%m%d%H%M)
TASK_DIR=".bensz-api/task-${TS:0:8}-${TS:8:4}-nsfc-code/nsfc-code"
mkdir -p "${TASK_DIR}/input" "${TASK_DIR}/output" "${TASK_DIR}/log"

后续所有中间文件均写入 ${TASK_DIR}/input|output|log/，最终交付文件写入工作目录根层。

读取正文（只读）

• 递归读取输入路径下的正文文件（常见：.tex/.md/.txt；必要时包含 extraTex/）。
• 忽略编译产物与缓存目录（如 .latex-cache/、build/ 等）。

候选代码粗排（确定性脚本）

运行脚本将正文内容与每个代码的 recommend 描述做启发式相似度打分，结果写入工作区：

python3 skills/nsfc-code/scripts/nsfc_code_rank.py \
  --input projects/NSFC_Young \
  --top-k 50 \
  --output-dir "${TASK_DIR}/output"

说明：

• 该粗排只用于”缩小候选范围”，最终 5 条推荐仍由你结合全文语义判断。
• 当使用 --output-dir 时，默认生成：
  • nsfc_code_rank.md（--format table）
  • nsfc_code_rank.json（--format json）
• 如用户只给了一段文本/单个文件，也可把 --input 换成具体路径。
• 如果用户明确知道学部/门类前缀（例如只可能是 A 类），建议加过滤降低噪声：

python3 skills/nsfc-code/scripts/nsfc_code_rank.py \
  --input projects/NSFC_Young \
  --top-k 50 \
  --prefix A \
  --output-dir "${TASK_DIR}/output"

生成 5 组推荐（AI 语义判断）

从候选列表中选择 5 组推荐（每组 2 个代码）：

• 申请代码1（主）：最贴合核心研究问题与主要技术路线
• 申请代码2（次）：与主代码强相关的补充方向（常见策略：同一大类下相邻子方向；或同一研究对象但方法侧不同）

当存在不确定性时：

• 不要瞎猜；在理由中明确”为何不确定”，并说明”需要用户确认的关键信息”。