模式指南

五种投稿信模式的每种模式工作流程详细信息。单一命令 表面为scripts/cover_letter.py --mode <mode>；它接受的唯一标志 是 --mode、--manuscript、--letter、--journal（别名 --venue）、 --json 和 --dedup-length（仅用于 journal-fit 模式；参见模式 2 和模式 4）。 align-check 作为 generate 和 optimize 内部的默认功能运行。

模式1：generate

触发：用户有 main.tex 稿件，想要从头开始写一封投稿信。

输入：

• --manuscript <main.tex>（必填；\input/\include骨架自动组装）
• --journal <venue-name>（以下之一：nature、science、cell、ieee-trans、acm、springer-lncs、neurips、icml、cvpr、generic）
• --json 用于结构化输出（事实 blob + 确定性草稿支架）

工作流程步骤：

1. cover_letter.py --mode generate 运行 extract_manuscript_facts（标题、摘要、贡献、作者、通讯作者、章节锚）并发出确定性的草稿支架。
2. 请阅读 templates/<journal>.md 了解层级策略和所需声明。
3. 阅读 references/LETTER_STRUCTURE.md 了解五段支架。
4. 请阅读 references/JOURNAL_TIERS.md 了解特定于层的成帧规则。
5. 克劳德综合了这封信的散文，在每个部分都填充了事实和该层的风格指南。
6. 默认对齐检查集成：如果合成的字母保存到文件中，则对其运行 --mode align-check；任何 claim_accuracy 与 claim_strength: unsupported 的问题必须在提交信件之前得到解决。
7. 对最终字母和表面结果（声明、长度、陈词滥调、语气）运行 --mode presubmission。

通讯作者提取仅信任显式的 \corresponding{...} 或 \correspondingauthor{...} 命令。对于 IEEE \thanks{...} 和 acmart \authornote{...} 中的自由文本，会有意回退到首位解析出的作者：从自由文本猜测 可能把电子邮件本地部分误认作人名。使用这些模板特有形式时，请手动确认通讯作者。

输出：投稿信文本，加上 % PRESUBMISSION 和 % ALIGNCHECK 注释块，列出所有未解决的发现。

模式2：optimize

触发器：用户已有投稿信草稿并希望对其进行改进。

输入：

• --letter <cover_letter.md|.tex>（现有草案）
• --manuscript <main.tex>（推荐；启用对齐检查通过）
• --journal <venue-name>（告知层级策略）
• --json 用于结构化输出

工作流程步骤：

1. cover_letter.py --mode optimize 运行 presubmission_check 和（当给出 --manuscript 时）align_check。
2. 阅读 templates/<journal>.md 了解层级策略。
3. 克劳德建议将章节级重写为 LaTeX 注释差异建议（绝不是源代码编辑），每个都锚定到原始信件中的一行。
4. 任何引入新声明的重写都必须通过对齐检查（追踪论文稿件证据或标记为用户验证）。
5. 对保存到文件的建议重写重新运行 --mode align-check，以确认没有回归。
6. 如果本会话还运行了 journal-fit（可选；参见模式集成矩阵），请传入 --dedup-length，避免两个检查重复报告同一个模板 word_limit；optimize 自带的 presubmission 已通过更细的两级 L1 检查报告长度。

输出：对原始信件的 LaTeX 评论审查，包括严重性/优先级/建议重写。

模式3：align-check

触发器：用户明确想要验证投稿信相对于论文稿件没有过度夸大。

输入：

• --letter <cover_letter.md|.tex>
• --manuscript <main.tex>
• --json 用于机器可读输出

工作流程步骤：

1. 阅读这两个文件（论文稿件由 \input/\include 组成）。
2. 构建论文稿件锚定集 (extract_manuscript_facts)。
3. 从信件中提取声明候选者 (build_letter_claim_map)；当候选人数量超过详细上限时，声明地图会报告 total_claim_sentences 和 truncated。
4. 根据论文稿件 (verify_letter_against_manuscript) 验证每个声明的引用：完全匹配、段落本地数字+度量共现或 4 克。
5. 使用 claim_strength 对每个声明进行分类，并使用简化的 ISSUE_SCHEMA 发出结果。
6. 交叉检查信件和论文稿件之间AI 披露的一致性：如果一份文件披露了生成人工智能的使用（或不使用），而另一份文件保持沉默，或者两者在极性上相矛盾，则发出 moderate disclosure_consistency 结果。阅读这两个文档时，% 注释已被删除，因此注释掉的声明不算在内。

输出：声明准确性结果，每个结果都带有字母引用、论文稿件锚点（或 none）和推荐的 allowed_wording；当两份文件在AI 披露问题上存在分歧时，最多加上一项 disclosure_consistency 调查结果。

模式4：journal-fit

触发器：用户想知道信件的框架是否适合目标地点。

输入：

• --letter <cover_letter.md|.tex>
• --venue <venue-name>（--journal 的别名）
• --json 用于结构化输出
• --dedup-length（可选；默认关闭）：当同一会话中的 presubmission 已通过更细的 L1 检查报告长度时，跳过本模式自身的字数子检查（参见模式 2 第 6 步和模式集成矩阵）。

工作流程步骤：

1. 读这封信。
2. 请阅读 templates/<venue>.md 了解等级和场地期望。
3. 阅读 references/JOURNAL_TIERS.md 了解层级策略。
4. journal_fit_check 分为四个子轴：
   • scope_fit：这封信是否点明了目标期刊的范围维度？（顶刊层级只需匹配一个关键词即可为 HIGH，以适应约 350 词的紧张预算；其他层级需要两个。）
   • novelty_framing：新奇的音高是否针对该层进行了校准？
   • evidence_density：声明密度是否符合场地预期？
   • format_compliance：字数（设置 --dedup-length 时跳过）、必需声明、禁止短语。
5. 总体结论=最差子轴（任何地方都是低→低；如果有的话则为中；只有当所有四个都为高时才为高）。
6. 如果活动模板的 frontmatter 没有 tier，响应会在 warnings 中报告（默认采用中档期刊评分）。

启发式限制（向用户披露）：journal-fit 是 [Script] 启发式，而不是编辑判断。scope_fit 为每个目标期刊匹配一小组固定关键词，因此范围措辞不同但定位良好的信件仍可能得到 LOW；evidence_density 统计符合 LETTER_CLAIM_PATTERNS 的声明句（与 align-check 使用同一提取器，包括第一人称“we report/show/...”、“our work”、方向+数字、部署及类似声明样式），因此完全避开这些样式的信件仍可能被低估。应把结论视为检查框架的提示，而不是门禁。此模式下不读取稿件内容。

输出：每轴判决（高/中/低），以引号作为证据；总体判决；每轴建议。

模式5：presubmission

触发器：用户只需要声明、长度、陈词滥调和语气检查。

输入：

• --letter <cover_letter.md|.tex>
• --journal <venue-name>（启用模板驱动的声明和长度检查）
• --json 用于结构化输出

工作流程步骤：

1. 读取该字母（errors="replace"，因此非 UTF-8 字母不会崩溃）。
2. 加载活动模板的 frontmatter （无 PyYAML 依赖项）。
3. 扫描：破折号 (G1)、AI 音调频率 (AI*，2 = 小调 / 3+ = 大调)、多样化 AI 音调词汇 (AI-DIV)、平行段落开头 (S1)、统一句子长度 (S2)、开场陈词滥调 (L2*)、禁用短语(J1*)、通用短语 (J4*)、必需/可选声明 (D-*)、长度 (L1)、段落形状 (G2/G3)。
4. 没有检测器的声明会发出信息 D-<kind>-unknown（必需）或被跳过（可选），而不是错误的“不存在”。

输出：演示/声明/语气调查结果列表。

模式积分矩阵

模式	呼叫 extract_manuscript_facts	呼叫 align_check	呼叫 presubmission_check	呼叫 journal_fit_check
generate	始终	始终（合成后）	始终（最终通过）	可选
optimize	如果提供 --manuscript	如果提供 --manuscript	始终	可选
align-check	始终	始终	无	无
journal-fit	否	否	否	始终
presubmission	无	无	始终	无

generate 和 optimize 的“可选” journal_fit_check 调用始终与同一会话中必需的 presubmission_check 一起运行；应传入 --dedup-length 给该 journal-fit 调用，让长度只通过 presubmission 的 L1 报告一次，而不是重复两次。

路由规则

• 仅当未提供现有字母时才默认为 generate。
• 当同时提供信件和论文稿件且用户未指定模式时，默认为 optimize。
• align-check 和 journal-fit 是仅显式的 — 按名称调用它们。
• 如果用户要求“查看我的投稿信”而不指定模式，则更喜欢 optimize（它已经运行对齐检查 + 预提交）。