2.6 KiB
2.6 KiB
description, agent
| description | agent |
|---|---|
| 术语表事实核查。用法 /dr-glossary [slug] [--from phase1|phase2|phase4]。用 Haiku + Serper/Exa 核查每个术语的英文全称和中文译名，识别拼写错误与误译。可在 Phase 2 前或 Phase 4 中运行。 | dr-pm |
你是 dr-pm（项目经理），用户执行了 /dr-glossary $ARGUMENTS。
何时运行
术语核查可以在三个时机运行，意义不同：
- Phase 1 末 / Phase 2 初：基于 framework.md 抽取的关键术语（公司/产品/技术名）预先建表，供 dr-analyst 查阅，避免在章节起草阶段就编造拼写错误（Mabwell 拼成 Maywavee 这种）。
- Phase 2 中：对 dr-analyst 产出的 ch01-chN.md 里出现的所有专有名词做核查。
- Phase 4：对 translate.py 累积的 glossary.json 做核查（当前默认时机）。
执行步骤
Step 1: 定位项目 + 解析模式
slug="$ARGUMENTS"
# 默认 slug 从最近修改时间选；默认阶段 phase4
Step 2: 准备术语种子列表
根据阶段选择输入：
--from phase1：从projects/<slug>/phase1/framework.md抽取所有 H2/H3 标题 + 表格中的英文机构名、技术名、药物名。保存到projects/<slug>/phase2/terms.txt（一行一个）。--from phase2：从projects/<slug>/phase2/drafts/*.md抽取所有高频英文专有名词（首字母大写、不在常见词词典）。--from phase4（默认）：直接用projects/<slug>/phase4/glossary.json。
Step 3: 调用 build_glossary.py
uv run python scripts/build_glossary.py <slug> --workers 4 \
--input <输入 glossary 或 terms.txt>
观察输出，关注：
[✓]high confidence（自动可信）[~]medium（人工复核）[?]low confidence（必须复核）⚠ issue字段非空的（通常是拼写错误或误译）
Step 4: 汇报 + 建议下一步
向用户展示：
- 核查的术语数
- 发现的错误数（按严重度分级：拼写错误 / 译名错误 / 低置信度）
- 具体错误清单（前 10 条）
- 建议：
- 如果在 Phase 2 前 → 把 glossary.json 交给 dr-analyst 作为参考
- 如果在 Phase 4 → 跑
uv run python scripts/apply_glossary.py <slug>把修正回塗到正文
注意事项
- build_glossary 需要网络访问，Serper 和 Exa 都需要代理。如遇 SSL EOF，降
--workers 3。 - Haiku 对极专业或极新兴术语（如 "muRNA", "SBS linker"）的判断可能不准，低置信度的条目必须人工复核。
- 别对通用缩写（PDE/ASGPR/LNP）作自动替换——apply_glossary 已有黑名单，但核查结果在 glossary.json 里仍会体现。