| 名称 | 文件审核 |
| 描述 | 对 PDF/DOCX/DOC/TXT 中的新闻/报道类文字进行全面的数据审查和事实核查。自动提取数字数据、事实陈述与观点方法、引用来源，通过联网搜索比对验证准确性，审查标点符号、错别字、语法逻辑三个语言文字子维度，输出错误数据表格和完整数据来源报告。 |
事实核查与数据审查
⛔ 三大不可协商规则（优先级最高）
以下三条规则任何情况下都不可违反。违反即视为审查失败。
| # | 规则 | 违反示例 |
|---|---|---|
| 1 | 文档提取必须用 scripts/extract_text.py |
用 Read 工具直接读文件、用 python -c "import docx..." 手动提取 |
| 2 | 每个 [NUM]/[FACT]/[SRC] 判定必须附带来源名称 + 来源链接 | 表格中"来源链接"列为空、写"无"“待补充”“N/A”，或只写来源名称不写链接 |
| 3 | 输出前必须完成步骤7自检清单，全部通过才允许输出 | 跳过自检直接输出报告；自检发现问题但不修正就输出 |
违反第1条 → 文本提取不可靠，段落编号可能错乱，后续审查引用无效 违反第2条 → 报告不可追溯，审查结果无法验证，等同于无用 违反第3条 → 报告可能存在遗漏、缺失链接或格式错误
概述
对 PDF / DOCX / DOC / TXT 文档中的新闻/报道类内容进行四维度全面审查：数字数据、事实陈述与观点方法、引用来源与参考文献、语言文字规范（标点符号、错别字、语法逻辑）。所有数据点通过联网搜索找权威来源交叉验证，输出结构化审查报告。
🔴 强制要求：来源链接全覆盖
除语法、标点、错别字的审核外，其他所有审查维度（[NUM]、[FACT]、[SRC] 以及政治性合规审查）的每一个数据点，在报告中都必须附带以下两项信息：
| 必填项 | 说明 |
|---|---|
| 来源名称 | 来源网站/机构/出版物的完整名称（如"水利部·国务院新闻办发布会"“知网CNKI”“人民日报”） |
| 来源链接 | 真实可访问、可直接点击跳转的完整 URL（https://...） |
此要求不可妥协，且适用于所有判定结果：
- ✅ 准确 → 必须附验证来源的名称和链接
- ⚠️ 偏差 → 必须附纠偏来源的名称和链接
- ❌ 错误 → 必须附反驳来源的名称和链接
- ❓ 无法核实 → 必须附搜索过程和判断依据的来源（说明在哪些来源搜索过、为什么判定为无法核实），除非该数据点在任何已知渠道中确实一点信息都查询不到
- 政治性/合规性审查 → 7 项逐条检查，即使"未见违规"也要注明判断依据
此要求持久生效：即使将该技能分享到其他用户或项目中，也必须严格按此格式输出，来源链接不可省略。
🔴 上下文一致性原则（Context-Consistent Verification）
所有数据审查必须建立在理解原文上下文的基础上。脱离上下文的"精确比对"本身就是一种审查错误。
核心规则
| 规则 | 说明 | 违规示例 |
|---|---|---|
| 时间一致 | 搜索验证数据时，必须匹配原文声明的时间节点 | 原文说"截至2025年6月，XX为1600万"，却去搜索2023年数据然后判❌ |
| 限定条件一致 | 原文中的限定词（"超过/约/预计/初步/截至/大约/近/左右"等）必须纳入判定标准 | 原文说"超过1600万家"，搜索到精确值"1623万家"就判⚠️偏差——这是错误的，"超过1600万"与"1623万"是一致的 |
| 口径一致 | 验证数据的统计口径必须与原文一致 | 原文说"城镇人口"，用"常住人口"数据对比判❌ |
| 观点语境一致 | 审查观点/判断时，必须考虑原文是否有限制条件（如"在XX条件下"“从XX角度看”“短期内”） | 原文说"在AI加持下，XX行业可能迎来增长"，忽略"AI加持"这个前提就去驳斥 |
执行方法
在提取每个数据点后，先执行上下文标注，再搜索：
数据点：[原文数值/陈述]
├── 时间语境：原文声明的时间节点是______
├── 限定条件：原文附加的限定词是______
├── 口径说明：原文使用的统计口径是______
└── 搜索关键词：必须包含以上语境信息
判定修正
| 场景 | 旧做法（错误） | 新做法（正确） |
|---|---|---|
| 原文"截至2025年6月数据为X" | 搜索到2026年数据Y，判❌ | 搜索2025年6月前后数据，如果Y是更新后的数据，判✅准确（时间点在原文声明范围内）或标注"该数据截至2025年6月符合，最新数据为Y" |
| 原文"超过X" | 搜索到精确值X+Δ，判⚠️偏差 | 判✅准确——"超过X"与X+Δ一致 |
| 原文"预计将达到X" | 按事实数据判❌ | “预计"是预测性表述，搜索当时是否有此预测，判✅或标注”[预测性表述]" |
| 原文观点带有"在XX前提下" | 忽略前提条件直接驳斥 | 在前提条件成立时评论该观点是否成立 |
此原则持久生效：即使将该技能分享到其他用户或项目中，也必须严格遵循上下文一致性原则。
工作流
🔴 第一步：文档解析（强制使用提取脚本）
必须使用 scripts/extract_text.py 提取文档文本。禁止使用 Read 工具或其他方式代替。
为什么必须用脚本？
- 脚本统一输出格式：每个正文段落带
[paragraph N]编号，确保后续审查引用位置一致 - 脚本自动检测编码（UTF-8/GBK/GB18030），避免乱码
- 脚本对 PDF 做段落合并+标题分离，Read 工具无法做到
- 脚本对 DOC 做多方法兼容（COM→antiword→OLE→LibreOffice），单独用 python-docx 读不了 .doc
执行命令（依赖自动检测+安装）：
# 自动检测并安装缺失依赖，然后运行提取脚本
python -c "import pdfplumber, docx; print('ok')" 2>$null; if ($LASTEXITCODE -ne 0) { pip install pdfplumber python-docx -q }; python scripts/extract_text.py "<文件路径>"
若 Unicode 输出乱码：
$env:PYTHONIOENCODING = 'utf-8'; python scripts/extract_text.py "<文件路径>"
Windows + DOC 格式额外（仅在处理 .doc 文件且脚本报错时执行）：
python -c "import win32com.client; print('ok')" 2>$null; if ($LASTEXITCODE -ne 0) { pip install pywin32 -q }
提取完成后，验证输出格式：检查是否出现了 [paragraph N] 标记。如未出现，说明脚本未正确执行，必须重跑脚本。
若脚本多次尝试仍失败（极少情况），才允许退而使用 Read 工具，但必须在报告中标注"⚠️ 文本提取未使用标准脚本，段落编号可能不准确"。
步骤 2：选择审查模式
询问用户选择执行模式：
- 方案 A（全自动审查）：自动提取所有数据点，逐一联网比对，生成完整报告。
- 方案 B（先预览再审查）：先快速扫描 PDF，列出所有待审查的数据点清单供用户确认范围，确认后逐项联网比对。
步骤 3：提取待审查数据点
按四个维度提取所有待审查数据点。详细审查标准见 references/review-dimensions.md。
提取时使用以下分类标签：
| 维度 | 标签 | 提取内容 |
|---|---|---|
| 数字数据 | [NUM] |
统计数据、百分比、金额、日期、数量等具体数值；数字用法违规；法定数据写错；虚假失实数据；涉密数据 |
| 事实陈述与观点方法 | [FACT] |
事件描述、人物关系、时间线、因果关系等断言；学术观点/政策观点/行业判断/技术方法的论述；滥用极限广告词；政治性/政策性/法律合规审查 |
| 引用来源与参考文献 | [SRC] |
原文明确引用的报告名称、机构、URL、人物言论；参考文献 GB/T 7714 格式合规性（著录项完整性、作者/刊名/年卷期页码正确性） |
| 语言文字规范 | [LANG-P] / [LANG-T] / [LANG-G] |
标点符号（标点误用、汉语拼音/外文拼写错误）；错别字（错字、别字、多字漏字、字词颠倒）；语法逻辑（语法病句、逻辑矛盾） |
如果是方案 B，在此步骤暂停，将提取清单展示给用户，待确认后继续。
步骤 4：联网搜索验证
对 [NUM]、[FACT]、[SRC] 类型的每个数据点，使用 WebSearch 进行验证。
前置步骤：上下文分析。 搜索前必须先完成（详见上方"上下文一致性原则"）：
数据点：______
├── 原文时间节点：______（如"截至2025年6月""2024年全年"）
├── 原文限定词：______（如"超过""约""预计""初步"）
├── 原文统计口径：______（如"一人有限责任公司""新注册企业"）
└── 搜索词（含以上语境）：______
- 构造搜索词：搜索词必须包含原文声明的时间节点和统计口径，不能只搜核心数字。例如原文"截至2025年6月，一人公司超过1600万家"，搜索词应为
一人有限责任公司 2025年 1600万，而非一人公司 数量 2026。 - 搜索：对每个数据点执行至少 2 次搜索，交叉验证结果。
- 选择权威来源：优先采信：
- 政府官方网站 (.gov)
- 权威新闻机构（新华社、人民日报、路透社、BBC、美联社等）
- 学术机构和官方统计数据库（知网、万方、国家统计局等）
- 行业公认的研究机构报告
- 避免采信：个人博客、论坛帖子、自媒体内容、维基百科（可作为线索但不作最终依据）
- 记录来源：记录每个验证结果的：
- 来源网站名称
- 具体 URL
- 找到对比数据的具体段落或位置（审查依据）
- 来源发布时间
- 来源数据的时间节点是否与原文一致
- 补搜最新数据：当数据点判定为 ❌（错误）或 ❓（无法核实/来源模糊无法判定）时，额外搜索该数据点所指向主题的最新权威数据，附在判定结果后面，作为"最新可参考数据"。搜索时不限于原文时间节点，以当前可获取的最新官方数据为准。
步骤 5：比对判定
5.1 数据/事实/来源判定
判定时必须纳入原文上下文约束（时间节点、限定词、统计口径）。脱离上下文的判定本身就是错误的。
| 判定结果 | 条件 |
|---|---|
| ✅ 准确 | 数据与权威来源一致，且匹配原文声明的时间节点、统计口径、限定词范围。原文"超过X"，搜索值为X+Δ → 准确。原文"约X"，搜索值在合理误差内 → 准确。 |
| ⚠️ 偏差 | 数据在原文声明时间节点上大致正确但存在细微偏差（如百分比差1-2个点、时间差1-2天）。注意：原文有"超过/约/预计"等限定词时不适用⚠️，应为✅。 |
| ❌ 错误 | 数据在原文声明的同一时间节点和统计口径下，与权威来源明显不符。不可用不同时间节点的数据去判❌。 |
| ❓ 无法核实 | 在原文声明的时间节点和统计口径下搜索后，找不到任何可靠来源。报告需说明搜索过程和为什么无法核实。 |
❌ 和 ❓ 判定的附加动作：提供最新数据。 当数据点被判定为 ❌ 或 ❓（含来源模糊无法判定）时，必须额外搜索该数据点所指向主题的最新权威数据（不限于原文时间节点），附在判定结果下方，格式为：
📎 最新可参考数据：[数据内容]
来源：[来源名称]
链接：[URL]
时间：[数据的发布时间]
5.2 语言文字判定
[LANG-P]、[LANG-T]、[LANG-G] 类型直接标注问题，每个子维度三个等级：
| 等级 | 标点符号 [LANG-P] | 错别字 [LANG-T] | 语法逻辑 [LANG-G] |
|---|---|---|---|
| 🔵 1级（轻微） | 中英文标点混用，不影响理解 | 罕见字/生僻字错误，不影响句意 | 搭配略不当/语义重复，不影响信息传达 |
| 🟡 2级（中度） | 标点缺失/多余导致断句不清 | 常见形近/音近字混淆，多字漏字 | 语法病句/成分残缺/句式杂糅，影响表达清晰度 |
| 🔴 3级（严重） | 标点错误导致语义歧义 | 错别字导致语义完全改变，或出现在关键术语/人名/地名中 | 逻辑矛盾/伪因果/事实知识性硬错 |
5.3 政治性/政策性/合规性审查
对以下维度逐项检查，判定 ✅（无问题）或 ❌（存在问题）：
- 滥用极限广告词（“全国第一”、"全球唯一"等不实夸大用语）
- 危害国家主权、领土完整、国家安全；歪曲党史国史；错误表述领导人姓名/职务/评价
- 违反民族、宗教政策
- 宣扬淫秽色情、暴力凶杀、封建迷信、邪教内容
- 违反法律法规、泄露国家秘密、涉密数据
- 违背国家大政方针、发表错误政治观点、违规刊载境外不当立场言论
- 虚假失实数据、造谣类内容（疫情、灾害、政法、外交等重大事项违规不实表述）
步骤 6：生成报告
严格按照 references/output-format.md 的模板输出报告。报告包含三部分：
- 审查概览：总体统计（含语言文字三个等级统计）
- 错误与偏差数据表（优先展示）：所有 ❌ 和 ⚠️ 数据点
- 完整数据报告：
- 3.1 数字数据逐项验证（含数字用法违规检查）
- 3.2 事实陈述与观点方法逐项验证（含观点/方法来源追溯、政治性/政策性/合规审查）
- 3.3 引用来源与参考文献逐项验证（含 GB/T 7714 合规检查）
- 3.4 语言文字规范（三个子维度分别列表）
🔴 步骤 7：输出前强制自检（不可跳过）
报告生成后，必须逐项检查以下清单，全部通过才允许输出。任何一项未通过，必须回去修正。
============================================================
🔴 输出前强制自检清单
============================================================
□ 1. 脚本检查：文本是否通过 scripts/extract_text.py 提取？
→ 如未使用脚本，必须在报告开头标注警告。
□ 2. 来源链接全覆盖（逐条检查）：
□ 每一个 [NUM] ✅/⚠️/❌/❓ 都有来源名称 + 来源链接？
□ 每一个 [FACT] ✅/⚠️/❌/❓ 都有来源名称 + 来源链接？
□ 每一个 [SRC] ✅/⚠️/❌/❓ 都有来源名称 + 来源链接？
□ 政治性审查 7 项每项都有判定依据？
□ 任何链接都不为空、不为占位符（如"待补充""无""N/A"）？
→ 如有一条缺失，禁止输出，立即回去补充。
□ 3. 数据点全覆盖：
□ 原文中提取的每一个数据点都在报告中有对应条目？
□ 有没有遗漏的数据点？
→ 如有遗漏，禁止输出，补全后再输出。
□ 4. 新旧规则检查：
□ 所有判定都考虑了原文的时间节点和限定词？
□ ❌/❓ 数据点是否都附了"📎 最新可参考数据"？
→ 如有违反，回去修正。
□ 5. 输出格式检查：
□ 报告是否按 output-format.md 模板的三部分结构输出？
□ 表格列数与模板一致？
□ 语言文字问题分了 P/T/G 三类、每类三级？
============================================================
此自检清单持久生效：即使将该技能分享到其他用户或项目中，也必须执行此自检。
📦 技能分享与移植说明
接收方使用（零手动配置）
将整个 文件审核/ 文件夹放入 .claude/skills/ 目录后，无需任何手动操作。SKILL.md 第一步已内置自动依赖检测和安装——首次运行提取脚本时会自动 pip install pdfplumber python-docx。
必须包含的完整文件结构
文件审核/
├── SKILL.md ← 主文件（含自动安装逻辑）
├── scripts/
│ ├── extract_text.py ← 核心提取脚本
│ └── extract_pdf.py ← PDF 提取辅助
└── references/
├── output-format.md ← 报告模板
└── review-dimensions.md ← 审查维度标准
分享时禁止只发 SKILL.md——缺少 scripts/ 和 references/ 会导致功能完全失效。
常见问题排查
| 症状 | 原因 | 解决 |
|---|---|---|
脚本报错 No module named 'pdfplumber' |
自动安装未执行 | 手动运行 pip install pdfplumber python-docx |
| PDF 文本提取为空 | PDF 是扫描版图片 | 用 OCR 工具先转 TXT |
| DOC 文件提取失败 | 缺少 pywin32 | pip install pywin32 或提供方转存为 DOCX |
| 报告没有来源链接 | 模型跳过了步骤7自检 | 在对话中说"请执行输出前自检清单" |
注意事项
- 对无法核实的数据点如实标注 ❓，不强行判定。
- 来源链接必须真实可访问，不编造 URL。
- 搜索到矛盾信息时，标注"存在争议"并列出各方来源。
- 审查文档中的全部数据点，不遗漏。
- 观点和方法审查需追溯核心论点和方法的理论来源，交叉验证其原创性和可行性，检查是否与已有文献重合或存在学术不端。
- 参考文献审查需逐项核对 GB/T 7714 著录要素是否齐全、格式是否规范，对期刊论文需在知网/万方数据库中检索验证。
- 政治性审查为必检项，即使文档不涉及政治内容，也应在报告中逐一列出审查结果（写"未见违规"）。
- 补搜最新数据：对 ❌ 和 ❓（含来源模糊无法判定）的数据点，必须额外搜索该主题的最新权威数据，附上来源名称和链接。目的是让用户不仅知道原数据有问题，还能获得可用的正确数据。