thu-thesis

name thu-thesis description 清华大学毕业论文 Word → PDF 一键格式规范化工具。输入任意 Word (.docx) 格式的清华毕业论文，自动转换为符合清华 thuthesis 官方 LaTeX 模板规范的高质量 PDF。适用于所有清华学位论文（MBA/学硕/专硕），一条命令搞定。功能：自动提取章节结构、中英文摘要、参考文献（自动生成 BibTeX）、图片（含 caption）、表格（含表头和标题）、致谢、个人简历；自动生成符号和缩略语说明（含孤儿缩略语检测与正文首次出现处自动补写）；自动生成插图清单和附表清单；输出完整 thuthesis LaTeX 项目并编译为 PDF。运行时依赖：python-docx、jinja2、xelatex/bibtex（TeX Live）；setup.sh 会从 GitHub 克隆 thuthesis 到 /tmp/thuthesis-latest。Use when: 用户需要把 Word 格式的清华毕业论文转为规范 PDF，或需要对毕业论文做格式规范化处理。 清华 MBA 论文 Word → PDF 一键转换 ⚠️ 核心操作原则（不得违反） 只从 Word 中提取信息，不修改 thuthesis 模板格式。 thuthesis 的封面、页眉、目录、参考文献、图表样式等，全部由 thuthesis.cls 自动生成 脚本只负责把 Word 里的内容（标题、摘要、章节、图表、参考文献等）提取出来填入 .tex 文件 若 Word 中某字段缺失，对应 LaTeX 字段留空， 不删除 、不跳过、不用占位符替代 任何格式上的"改进"都必须以 assets/databk/ 中的官方示例为准，不得自行发挥 架构：新三层 AI-native 流程 Word 文件 ↓ [extract_raw.py] 纯机械提取，无 LLM raw_xxx.json + 文档骨架（段落 idx + 样式 + 文字） ↓ [我（AI）阅读骨架] 理解章节结构 struct_xxx.json（章节划分、段落 idx 映射） ↓ [build_parsed.py] 纯 Python 组装，无 LLM parsed_xxx.json ↓ [render.py] 填充 thuthesis LaTeX 模板 LaTeX 项目目录 ↓ [xelatex + bibtex] 编译 thesis.pdf ✅ ↓ [我（AI）Rubric 评测] 阅读产物，逐项打分 + 自动修复 evaluation_report.md 关键设计原则：Python 脚本不调用任何 LLM，不持有 API key。AI 在两个关键环节介入：(1) 阅读骨架生成 struct.json；(2) Rubric 评测 + 自动修复。 依赖 pip3 install python-docx jinja2 matplotlib # 需要已安装 TeX Live 格式参考：assets/databk/ assets/databk/ 是从官方 thuthesis 项目备份的原始示例 data 文件，是本工具一切格式决策的 黄金标准 ： 文件 参考内容 chap01.tex ~ chap04.tex 正文章节、三线表、图片、公式格式 abstract.tex 中英文摘要格式 denotation.tex 缩略语/符号说明格式 acknowledgements.tex 致谢格式 resume.tex 个人简历格式 遇到任何格式问题，先查 databk/ 里的对应文件，再动代码。 初次使用 / 更新格式参考 # SKILL_DIR = 本 skill 的根目录（thu-thesis/） SKILL_DIR= " $(cd " $(dirname " $0 " ) /.." && pwd) " # 在 scripts/ 内执行时 # 或直接写绝对路径，例如： # SKILL_DIR="/path/to/skills/thu-thesis" bash " $SKILL_DIR /scripts/setup.sh" " $SKILL_DIR " setup.sh 做三件事： 从 GitHub clone（首次）或 git pull （已有）最新 thuthesis 到 /tmp/thuthesis-latest 编译生成 thuthesis.cls （如尚未生成） rm -rf assets/databk/ && cp -r data/ assets/databk/ → 保持格式参考始终为最新版本 每次 thuthesis 版本有重大更新时，重跑 setup.sh 即可刷新 databk。 输出路径规范 LaTeX 工程输出位置：与输入 .docx 同目录，子文件夹命名为 <原文件名去扩展>-latex 。 例如：输入 /path/to/foo.docx ，则 LaTeX 工程输出到 /path/to/foo-latex/ 。 中间临时文件（raw/struct/parsed JSON）放在 workspace 临时目录，转换完成后可清理 最终交付给用户的是 -latex/ 目录（含 thesis.pdf ） 完整转换流程 Step 1：机械提取（同时创建 LaTeX 工程目录） # SKILL_DIR = 本 skill 根目录，按实际安装路径设置 SKILL_DIR= "/path/to/skills/thu-thesis" python3 " $SKILL_DIR /scripts/convert.py" extract /path/to/论文.docx output/ extract 会立即做两件事： 在 .docx 同目录 创建 <stem>-latex/ 工程目录（项目开始即确定输出位置） 机械提取，输出 output/raw_xxx.json + 终端骨架 终端输出示例： 📄 输入: /path/to/foo.docx 📁 中间文件: output/ 📁 LaTeX 工程: /path/to/foo-latex/ ← 已创建 📊 图片: 5 张 | para_idx: [102, 115, ...] 📊 表格: 3 张 | before_para: [88, 134, ...] Step 2：AI 阅读骨架，生成 struct.json AI（我）读取骨架，识别： 摘要范围（ abstract_cn_range , abstract_en_range ） 各章节标题段落 idx（ title_para ）、正文范围（ content_range ） 各级小节（sections）的 idx 和编号 参考文献、致谢、简历的范围 如何输出 ：使用 Write 工具，把 struct.json 写到与 raw_xxx.json 同一目录 ，命名为 struct_<论文标题>.json （与 raw 文件保持同级）： output/ raw_论文标题.json ← Step 1 生成 struct_论文标题.json ← AI 用 Write 工具写到这里 ✅ figures/ ← Step 1 提取的图片 写入前必须检查 （防图表丢失）： 列出 raw_xxx.json 中所有图片的 para_idx → 确保每个都落在某章 content_range 内 列出所有表格的 before_para → 确保都 ≥ 第一章 content_range[0] 且在某章范围内 相邻章节 content_range 不能有间隙 输出 struct_xxx.json ，格式： { "cover" : { "abstract_cn_range" : [ 27 , 31 ] , "abstract_en_range" : [ 35 , 44 ] , "keywords_cn_para" : 31 , "keywords_en_para" : 44 } , "chapters" : [ { "number" : "第1章" , "title" : "引言" , "title_para" : 109 , "content_range" : [ 110 , 142 ] , "sections" : [ { "level" : 2 , "number" : "1.1" , "title" : "选题背景" , "title_para" : 110 } , { "level" : 3 , "number" : "1.1.1" , "title" : "子节标题" , "title_para" : 115 } ] } ] , "references_range" : [ 388 , 409 ] , "acknowledgements_range" : [ 412 , 412 ] , "resume_range" : [ 423 , 428 ] } Step 3-5：组装、渲染、编译 Step 1 已经创建好 LaTeX 工程目录，直接指向它： SKILL_DIR= "/path/to/skills/thu-thesis" DOCX= "/path/to/foo.docx" python3 " $SKILL_DIR /scripts/convert.py" build \ output/raw_foo.json \ output/struct_foo.json \ " $(dirname " $DOCX " ) /foo-latex" 自动完成： build_parsed.py ：raw + struct → parsed JSON（含表格、图片正确插入） render.py ：parsed JSON → LaTeX 项目 xelatex + bibtex ：编译 PDF（3~4 次，保证目录稳定） Step 6：AI Rubric 评测 + 自动修复 编译完成后，我（AI）逐项检查转换质量，详见下方「Rubric 评测细则」。可自动修复的问题直接修复并重新编译，最多 3 轮 ；不可修复的问题在报告中标注。最终输出 evaluation_report.md 到 LaTeX 工程目录。 文件说明 路径 说明 scripts/convert.py 入口， extract / build 两个子命令 scripts/extract_raw.py Word → raw JSON（纯机械提取，段落/表格/图表） scripts/build_parsed.py raw + struct → parsed JSON（纯 Python，无 LLM） scripts/render.py parsed JSON → LaTeX 项目（填充模板，生成 BibTeX） assets/templates/*.j2 Jinja2 模板 assets/databk/ thuthesis 官方格式示例，格式决策唯一参考 Rubric 评测细则（AI 执行） 评测由 AI 直接完成，不使用 Python 脚本。 AI 阅读生成产物（parsed JSON、.tex 文件、refs.bib、thesis.log、thesis.pdf），按下方 Rubric 逐项打分，可修复问题直接修改后重新编译（最多 3 轮），最终输出 evaluation_report.md 。 评测流程 读取产物 ： parsed_xxx.json 、 data/*.tex 、 ref/refs.bib 、 thesis.log 、 thesis.pdf （检查是否存在及大小） 逐项评分 ：按下方 38 项 Rubric 逐一检查，给出 PASS / WARN / FAIL + 原因 自动修复 ：对可修复的 FAIL/WARN 项直接修改 .tex 文件，然后重新 xelatex + bibtex 编译（最多 3 轮） 输出报告 ：生成 evaluation_report.md ，含总分、维度得分、所有扣分项明细 评分制度 类型 满分 PASS WARN FAIL 必要项 3 3 1.5 0 重要项 2 2 1 0 亮点项 1 1 0.5 0 失误扣分项 0 — — 每处扣1分，最多扣10 评级标准 ：总分/满分 → 优秀≥90% / 良好≥75% / 合格≥60% / 不合格<60% 可自动修复 vs 不可修复 可自动修复（直接改文件重编译） 不可自动修复（报告中标注） .bbl 出现 佚名 → 读 refs.bib 找对应条目，手工补全 author 字段，然后重跑 bibtex+xelatex 表格/图片无 caption（Word 原文没有，不可凭空生成） author 字段被截断（如 美国旅游协会（U.S ）→ 直接修 refs.bib 中该条目的 author 字段 文献只有 \nocite （正文本来就没有引用，是原文问题） author-year 引用未转 \cite → 在 .tex 中手工补 \cite{key} author-year 匹配失败（姓名简称无法映射，原文限制） LaTeX 编译报错（ \& 转义等）→ 修 .tex 中的特殊字符 committee/comments/resolution 占位（答辩后才有内容） \listoffigures / \listoftables 缺失 → 补入 thesis.tex — Rubric 明细（38项，满分 90 分） A. 元信息（11项） ID 检查项 类型 评判标准 A1 中文标题 必要 检查 thusetup.tex 中 title 字段。PASS：非空且≥5字。FAIL：缺失 A2 英文标题 必要 检查 title* 字段。PASS：非空且≥10字符。FAIL：缺失 A3 作者姓名 必要 检查 author 字段。PASS：非空。FAIL：缺失 A4 英文作者名 重要 检查 author* 字段。PASS：非空。WARN：缺失（可人工补充） A5 导师信息 必要 检查 supervisor 字段。PASS：非空且含职称（教授/研究员/副教授/讲师）。WARN：有名无职称。FAIL：缺失 A6 培养单位 重要 检查 department 字段。PASS：非空。WARN：缺失 A7 日期格式 重要 检查 date 字段。PASS：格式为 YYYY-MM 。WARN：缺失或格式异常 A8 中文摘要 必要 检查 abstract.tex 中文摘要内容。PASS：≥50字。WARN：<50字。FAIL：缺失 A9 英文摘要 必要 检查英文摘要内容。PASS：≥100字符。WARN：<100字符。FAIL：缺失 A10 中文关键词 必要 检查 thusetup.tex 中 keywords 字段。PASS：≥2个。WARN：仅1个。FAIL：缺失 A11 英文关键词 重要 检查 keywords* 字段。PASS：≥2个。WARN：仅1个。FAIL：缺失 B. 正文（5项） ID 检查项 类型 评判标准 B1 章节结构 必要 检查 parsed JSON 中 chapters。PASS：≥3章且每章≥2个内容块。WARN：有章内容极少（<2块）。FAIL：<3章 B2 章节 .tex 文件 必要 检查 data/chap*.tex 文件。PASS：所有文件存在且≥200字符。WARN：文件过短。FAIL：文件缺失 B3 正文文字总量 必要 统计所有章节文本字数。PASS：≥8000字。WARN：3000-8000字。FAIL：<3000字（可能解析失败） B4 节级标题 重要 检查 .tex 中是否有 \section / \subsection 。PASS：存在多个节级标题。WARN：未检测到 B5 目录一致性 重要 编译后检查 thesis.toc ：章标题与 .tex 文件一致，无残留编号（如标题中出现 1.1 前缀）。PASS：一致。WARN：有不一致 C. 参考文献（7项） ID 检查项 类型 评判标准 C1 参考文献列表 必要 检查 parsed JSON 中 references。PASS：≥10条。WARN：<10条。FAIL：为空 C2 refs.bib 生成 必要 检查 ref/refs.bib 文件。PASS：存在且有 @article / @book / @misc 等 BibTeX 条目。FAIL：不存在或为空 C3 BibTeX 字段质量 必要 必须同时检查 refs.bib 和 thesis.bbl 两个文件，逐条核查： ①读取 refs.bib ，统计 author 字段为空 {} 的条目数； ②读取 thesis.bbl ，搜索 佚名 字样（bibtex 给无 author 条目的默认值），每出现一次表示有一条参考文献无法正确显示； ③检查 refs.bib 中 author 值是否存在截断（如以 （ 结尾、或机构名中间被切断如 美国旅游协会（U.S ）； ④检查 title 字段是否异常短（<5字符）或与实际文献标题明显不符。 PASS：所有条目 author/title 非空， .bbl 无 佚名 ，无截断。WARN：有1-2个问题条目（列出）。FAIL：≥3个问题条目， 或 .bbl 中出现 佚名 C4 PDF 文献完整 必要 比较 BibTeX 条目数与 Word 原文参考文献条数。 同时读取 thesis.bbl ，检查每条 \bibitem 的内容是否合理 （作者/年份/标题是否看起来正确，而不仅是数量匹配）。PASS：条目数一致， .bbl 内容合理。WARN：条目数一致但有个别条目内容异常。FAIL：BibTeX 条目少于原文 C5 引用覆盖率 重要 严格区分 \cite{} 和 \nocite{} ： ①统计章节 .tex 文件（ data/chap*.tex ）中 \cite{key} 的唯一 key 集合（正文有引用）； ②统计 thesis.tex 中 \nocite{key} （只进入参考文献列表，正文无引用）； ③对每个 bib key 归类：有 \cite / 只有 \nocite / 都没有。 PASS：所有 key 都有正文 \cite 。WARN：有 key 只在 \nocite （列出这些 key，说明正文缺少引用）。FAIL：有 key 既无 \cite 也无 \nocite C6 cite 关联性 扣分 随机抽取 5-10 处 \cite{key} ，阅读上下文与对应文献，判断是否内容相关。不相关每处扣1分，最多扣10分。抽检样本须列入报告供人工复核 C7 author-year 引用 亮点 检查正文中 曹玉（2025） 、 Smith (2020) 等行文引用是否已转为 \cite{key} 。PASS：无遗漏。WARN：有少量遗漏（列出原文片段）。FAIL：大量未转换 D. 图片（4项） ID 检查项 类型 评判标准 D1 图片提取数量 重要 比较 figures/ 目录文件数与 parsed JSON 图片数。PASS：一致。WARN：不一致 D2 图片 caption 重要 检查 .tex 中图片是否有 \caption{} 。PASS：全部有。WARN：部分无 caption D3 LaTeX 渲染 必要 检查 .tex 中有对应的 \includegraphics 。PASS：图片均被引用。FAIL：有图片但未渲染 D4 插图清单 重要 检查 thesis.tex 是否含 \listoffigures 。PASS：存在且所有图有 caption → 清单完整。WARN：存在但部分图无 caption。FAIL：缺少 \listoffigures （应自动修复） E. 表格（4项） ID 检查项 类型 评判标准 E1 表格提取数量 重要 检查 parsed JSON 中表格数量是否合理。PASS：数量合理 E2 三线表格式 必要 检查 .tex 中表格是否使用 tabularx + booktabs （ \toprule / \midrule / \bottomrule ），无竖线。PASS：格式合规。FAIL：不合规 E3 表格 caption 重要 检查表格是否有 \caption{} 。PASS：全部有。WARN：部分无 caption E4 附表清单 重要 检查 thesis.tex 是否含 \listoftables 。PASS：存在且所有表有 caption → 清单完整。WARN：存在但部分表无 caption。FAIL：缺少 \listoftables （应自动修复） F. 缩略语（2项） | ID | 检查项 | 类型 | 评判标准 |