模块：标题优化

触发词: title, 标题, title optimization, create title, improve title

目标：根据 IEEE/ACM/Springer/NeurIPS 最佳实践，生成和优化学术论文标题。

脚本用法：

# 根据内容生成标题候选
uv run python $SKILL_DIR/scripts/optimize_title.py main.typ --generate

# 优化现有标题（按词边界删除无效词）
uv run python $SKILL_DIR/scripts/optimize_title.py main.typ --optimize

# 检查标题质量（评分 + 问题清单）
uv run python $SKILL_DIR/scripts/optimize_title.py main.typ --check

# 强制语言（默认自动检测）
uv run python $SKILL_DIR/scripts/optimize_title.py main.typ --check --lang en

可用 flag：--generate / --optimize / --check / --lang {en,zh}。 脚本不提供交互模式或 --compare（agent 不可交互）；如需对比多个标题， 分别对每个候选运行 --check 并比较评分。

标题质量标准（基于 IEEE Author Center 及顶级会议/期刊）：

标准	权重	说明
简洁性	25%	删除 "A Study of", "Research on", "Novel", "New"
可搜索性	30%	核心术语（方法+问题）在前 65 字符内
长度	15%	最佳：10-15 词（英文）/ 15-25 字（中文）
具体性	20%	具体方法/问题名称，避免泛泛而谈
规范性	10%	避免生僻缩写（除 AI, LSTM, DNA 等通识缩写）

标题生成工作流

步骤 1：内容分析 从摘要/引言中提取：

• 研究问题：解决什么挑战？
• 研究方法：提出什么方法？
• 应用领域：什么应用场景？
• 核心贡献：主要成果是什么？（可选）

步骤 2：关键词提取 识别 3-5 个核心关键词：

• 方法关键词："Transformer", "Graph Neural Network", "Reinforcement Learning"
• 问题关键词："Time Series Forecasting", "Fault Detection", "Image Segmentation"
• 领域关键词："Industrial Control", "Medical Imaging", "Autonomous Driving"

步骤 3：标题模板选择 顶级会议/期刊常用模式：

模式	示例（英文）	示例（中文）	适用场景
Method for Problem	"Transformer for Time Series Forecasting"	"时间序列预测的Transformer方法"	通用研究
Method: Problem in Domain	"Graph Neural Networks: Fault Detection in Industrial Systems"	"图神经网络：工业系统故障检测"	领域专项
Problem via Method	"Time Series Forecasting via Attention Mechanisms"	"基于注意力机制的时间序列预测"	方法聚焦
Method + Key Feature	"Lightweight Transformer for Real-Time Detection"	"轻量级Transformer实时检测方法"	性能聚焦

步骤 4：生成标题候选 生成 3-5 个不同侧重的候选标题：

1. 方法侧重型
2. 问题侧重型
3. 应用侧重型
4. 平衡型（推荐）
5. 简洁变体

步骤 5：质量评分 每个候选标题获得总体评分（0-100）、各标准细分评分、具体改进建议。

标题优化规则

删除无效词汇：

英文：

避免使用	原因
A Study of	Redundant (all papers are studies)
Research on	Redundant (all papers are research)
Novel / New	Implied by publication
Improved / Enhanced	Vague without specifics
Based on	Often unnecessary
Using / Utilizing	Can be replaced with prepositions

中文：

避免使用	原因
关于...的研究	冗余（所有论文都是研究）
...的探索	冗余且不具体
新型 / 新颖的	发表即意味着新颖
改进的 / 优化的	不具体，需说明如何改进
基于...的	可简化为直接表述

推荐结构示例：

英文：

Good: "Transformer for Time Series Forecasting in Industrial Control"
Bad:  "A Novel Study on Improved Time Series Forecasting Using Transformers"

Good: "Attention-Based LSTM for Multivariate Time Series Prediction"
Bad:  "An Improved LSTM Model Using Attention Mechanism for Prediction"

中文：

好：工业控制系统时间序列预测的Transformer方法
差：关于基于Transformer的工业控制系统时间序列预测的研究

好：注意力机制的多变量时间序列预测方法
差：基于注意力机制的改进型多变量时间序列预测模型研究

关键词布局策略

• 前 65 字符（英文）/ 前 20 字（中文）：最重要的关键词（方法+问题）
• 避免开头：Articles (A, An, The) / "关于"、"对于"
• 优先使用：名词和技术术语，而非动词和形容词

缩写使用准则

可接受	标题中避免
AI, ML, DL	Obscure domain-specific acronyms
LSTM, GRU, CNN	Chemical formulas (unless very common)
IoT, 5G, GPS	Lab-specific abbreviations
DNA, RNA, MRI	Non-standard method names

会议/期刊特殊要求

IEEE Transactions：

• 避免带下标的公式
• 使用 Title Case（主要词首字母大写）
• 典型长度：10-15 词

ACM Conferences：

• 可使用更有创意的标题和冒号副标题
• 典型长度：8-12 词

Springer Journals：

• 偏好描述性而非创意性，可稍长（最多 20 词）

NeurIPS/ICML：

• 简洁有力（8-12 词），方法名通常突出

输出格式

英文论文：

// ============================================================
// TITLE OPTIMIZATION REPORT
// ============================================================
// Current Title: "A Novel Study on Time Series Forecasting Using Deep Learning"
// Quality Score: 45/100
//
// Issues Detected:
// 1. [Critical] Contains "Novel Study" (remove ineffective words)
// 2. [Major] Vague method description ("Deep Learning" too broad)
//
// Recommended Titles (Ranked):
// 1. "Transformer-Based Time Series Forecasting for Industrial Control" [Score: 92/100]
// 2. "Attention Mechanisms for Multivariate Time Series Prediction" [Score: 88/100]
//
// Suggested Typst Update:
// #align(center)[
//   #text(size: 18pt, weight: "bold")[
//     Transformer-Based Time Series Forecasting for Industrial Control
//   ]
// ]
// ============================================================

中文论文：

// ============================================================
// 标题优化报告
// ============================================================
// 当前标题："关于基于深度学习的时间序列预测的研究"
// 质量评分：48/100
//
// 推荐标题（按评分排序）：
// 1. "工业控制系统时间序列预测的Transformer方法" [评分: 94/100]
// 2. "多变量时间序列预测的注意力机制研究" [评分: 89/100]
// ============================================================

Typst 标题设置示例：

英文论文：

#align(center)[
  #text(size: 18pt, weight: "bold")[
    Transformer-Based Time Series Forecasting for Industrial Control
  ]
]

中文论文：

#align(center)[
  #text(size: 18pt, weight: "bold", font: "Source Han Serif")[
    工业控制系统时间序列预测的Transformer方法
  ]

  #v(0.5em)

  #text(size: 14pt, font: "Times New Roman")[
    Transformer-Based Time Series Forecasting for Industrial Control Systems
  ]
]

参考资源：

• IEEE Author Center
• Royal Society Blog on Title Optimization