AI-assisted writing skill for engineering undergraduate innovation project final reports and structured defense materials.
- Category: AI-assisted workflow tooling
- Stack: academic-writing, codex-skill, innovation-training, report-writing, student-projects
- Status: Public portfolio artifact
- Presents the project with a clear purpose, technology stack, and review path.
- Shows applied AI workflow design in a concrete product or learning scenario.
- Keeps implementation details and usage notes close to the code for easier reuse.
Start from README.md
📘 一款专为工科大学生创新创业训练计划（大创）项目结题报告打造的AI辅助写作优化工具
覆盖软件系统、硬件设计、算法研究、智能系统、机械结构、物联网、嵌入式等全部工科方向
🚀 核心功能 • ⚡ 快速开始 • 📖 使用指南 • 💡 核心技术 • 🎯 适用方向 • ❤️ 致谢
| 原则 | 描述 |
|---|---|
| 原则一 | 叙事主体转移——从「项目/系统」到「我们」，让报告呈现研究者的判断过程 |
| 原则二 | 技术选择必须说「为什么不是别的」，每个决策都有对比依据 |
| 原则三 | 段落推进——因果链而非清单，让叙述有逻辑有深度 |
| 原则四 | 工科实验验证——不只是报告数字，包含实验设计和对比基线选择理由 |
| 原则五 | 节末总结句——向前引导或直接删除，避免无信息量套话 |
| 原则六 | 实施过程必须有「困难—决策—影响」叙事，展现研究过程 |
| 原则七 | 创新特色必须说「已有工作做不到什么」，突出项目独特价值 |
| 原则八 | 第八章必须有「诚实的叙事视角」，客观说明局限与未来方向 |
- 主语扫描：自动检测「项目」「系统」「本文」作主语的频率
- 连接词密度检测：识别过度使用的连接词并提供替换建议
- 技术选择检查：验证每个技术选型是否有「而非…」或「原因在于…」支撑
- 章节详略比对：对照理想章节权重，发现详略失衡问题
- 实验描述评估：检查验证章节是否包含完整实验设计依据
| 章节 | 建议篇幅 | 核心任务 |
|---|---|---|
| 摘要 | ≤350字 | 问题+核心方法+量化结果+阶段定位 |
| 第一章 | 2-3页 | 建立问题张力，说清现有工具的缺口 |
| 第二章 | 1-2页 | 交代起点和遗留问题（常被写多） |
| 第三章 | 3-4页 | 技术路线+架构设计动机 |
| 第四章 | 6-10页 | 每节都有「为什么这样做」 |
| 第五章 | 3-4页 | 困难—决策叙事，不是时间线 |
| 第六章 | 3-5页 | 量化结果+成果间逻辑关系 |
| 第七章 | 3-4页 | 区分于已有工作，不重复第四章（常被写少） |
| 第八章 | 1-2页 | 诚实叙事，解释不足为什么存在 |
- Claude Code 或 Codex CLI 已安装并配置完成
- Node.js v18.0.0 或更高版本（用于MCP服务器）
- Git 用于版本控制
Note: 本项目同时支持 Claude Code 和 Codex CLI。Codex CLI 是 OpenAI 推出的命令行工具，可通过
/codex命令直接调用本skill。
# 1. 克隆本仓库
git clone https://github.com/hdu-sucks/wiki.git
cd wiki
# 2. 复制skill到项目的 .claude/skills 目录
mkdir -p .claude/skills
cp -r dachuang-report/ .claude/skills/
# 3. 配置 MCP 服务器（如需GitHub集成）
# 编辑 .claude/settings.json 添加 github-mcp 配置# 1. 克隆本仓库
git clone https://github.com/hdu-sucks/wiki.git
cd wiki
# 2. Codex CLI 使用项目内的 .codex/skills 目录
mkdir -p .codex/skills
cp -r dachuang-report/ .codex/skills/
# 3. 在 Codex CLI 中直接调用
# /dachuang-report# 在Claude Code中调用skill
/dachuang-report
# 或者在对话中直接说明需求
"我需要优化我的大创结题报告，方向是嵌入式系统"# 在Codex CLI中直接调用skill
/codex dachuang-report
# 或者在对话中说明需求
"优化我的大创结题报告，方向是软件系统类"| 工具 | Claude Code | Codex CLI | 说明 |
|---|---|---|---|
/dachuang-report |
✅ | ✅ | 主skill命令 |
| Skill自动触发 | ✅ | ✅ | 当用户提到大创报告、结题报告等关键词时自动激活 |
| GitHub MCP | ✅ | ✅ | 用于创建Issue、PR等GitHub操作 |
使用本工具时，首先判断报告属于哪类工程方向：
| 方向类型 | 典型章节关键词 | 特有写作问题 |
|---|---|---|
| 软件系统类 | 架构设计、前后端、数据库、API、部署 | 架构描述像文档注释，缺设计决策理由 |
| 算法/AI类 | 模型选择、训练、推理、精度、损失函数 | 只报告指标，不解释为什么选这个方法 |
| 硬件/嵌入式类 | 传感器、MCU、PCB、驱动、功耗、时序 | 器件选型无理由，调试过程被略去 |
| 智能系统类 | 感知、决策、控制、状态机、闭环 | 各模块描述割裂，缺乏数据流叙述 |
| 机械/结构类 | 建模、仿真、有限元、强度、加工工艺 | 仿真参数来源不说明，与理论推导脱节 |
| 物联网类 | 通信协议、边云协同、功耗、时延 | 协议选型无对比，系统集成过程缺失 |
在开始修改之前，进行以下五步诊断：
- 主语扫描 — 统计「项目」「系统」「本文」作主语的频率（超过40%需优先处理）
- 连接词密度 — 检测每页「基于」「围绕」「在此基础上」「由此」出现次数
- 技术选择检查 — 找出所有「采用」「选择」「使用」「引入」，检查是否有理由支撑
- 章节详略比对 — 对照理想章节权重，特别检查第二章是否超过2页
- 实验/验证描述 — 检查是否只有结论数字，没有实验设计依据
❌ 低质量写法
项目采用YOLO v8进行目标检测。
✅ 高质量写法
我们选择YOLO v8而非传统特征提取方法，原因在于需要在精度和推理速度之间取得平衡，在COCO数据集上YOLO v8的mAP@0.5达到81.3%，同时帧率可达120fps，完全满足实时性需求。
❌ 低质量写法
使用STM32F4作为主控。
✅ 高质量写法
选择STM32F4而非ESP32：控制周期为1ms，ESP32的FreeRTOS调度抖动在高负载下可达3-5ms，不满足实时性要求。STM32F4的HAL库中断响应时间<1μs，可靠保证控制周期。
❌ 低质量写法
系统由前端层、业务逻辑层和数据层组成。前端层负责用户界面，业务逻辑层负责数据处理，数据层负责存储。
✅ 高质量写法
系统的三层划分是围绕「一次用户请求的完整数据流」来设计的。前端只负责展示和输入校验，不包含业务判断——这样做是为了让前端可以被不同终端复用而不修改逻辑；业务层完成推理和规则过滤，是整个系统的核心处理单元；结果写入数据层，与业务逻辑解耦，以便未来替换存储方案不影响上层。
将主语从「项目/系统」转移到「我们」，让报告具有研究者视角：
低质量：项目采用YOLO v8进行目标检测
高质量：我们选择YOLO v8而非传统特征提取方法
低质量：系统将传感器数据送入卡尔曼滤波器
高质量：考虑到传感器噪声特性，我们引入卡尔曼滤波器
低质量：本文设计了三层架构
高质量：我们把系统划分为三层，而没有选择微服务架构
每个技术选型必须包含「而非…」或「原因在于…」：
| 场景 | 触发词 | 必须跟 |
|---|---|---|
| 算法选型 | 采用/选择 | 而非…，原因在于… |
| 硬件平台 | 使用/采用 | 而非…，原因在于… |
| 通信协议 | 选择 | 而非…，原因是… |
| 数据库 | 使用 | 而非…，原因在于… |
每个重要工程决策需包含三要素：
[困难/约束] 具体遇到了什么现实限制（要有具体数字）
[决策] 基于约束，选择了什么，放弃了什么
[后续影响] 带来了什么效果，是否引入新问题，如何应对
本工具专为以下工科方向的大创项目结题报告优化设计：
| 方向 | 说明 |
|---|---|
| 🖥️ 软件系统类 | Web/App开发、数据平台、分布式系统等 |
| 🤖 算法/AI类 | 深度学习、计算机视觉、NLP、推荐系统等 |
| 🔧 硬件/嵌入式类 | MCU、传感器、驱动开发、PCB设计等 |
| 🎛️ 智能系统类 | 机器人、自动驾驶、工业控制等 |
| ⚙️ 机械/结构类 | 有限元分析、优化设计、制造工艺等 |
| 📡 物联网类 | 通信协议、边云协同、传感器网络等 |
dachuang-report/
├── dachuang-report/ # Skill主目录（即可直接复制使用）
│ ├── SKILL.md # 主skill文件（Claude Code格式）
│ ├── .codex-plugin/ # Codex CLI插件配置
│ │ └── plugin.json
│ └── references/
│ ├── chapter-guide.md # 各章节详细改写示例
│ ├── sentence-patterns.md # 句式模板库
│ └── domain-examples.md # 领域专用示例
├── .claude/ # Claude Code配置
│ ├── settings.json # Claude Code配置
│ └── skills/
│ └── dachuang-report/ # Skill安装目录
├── .codex/ # Codex CLI配置（可选）
│ └── skills/
│ └── dachuang-report/ # Skill安装目录
├── README.md
└── LICENSE
部署说明：
- Claude Code：将
dachuang-report/复制到项目的.claude/skills/目录- Codex CLI：将
dachuang-report/复制到项目的.codex/skills/目录- 两个平台的skills内容相同，可共用同一套文件
第一段（1-2句）：一句话定位
→ 研究对象是什么、要解决什么具体问题
→ 关键词：「针对…问题」「区别于…」「聚焦于…」
第二段（2-3句）：方法核心
→ 选了什么路径、为什么不是别的、关键机制是什么
→ 关键词：「我们没有…而是…」「核心机制在于…」
第三段（2-3句）：量化成果（必须出现至少两个数字+对比基线）
→ 关键词：「与对比方法相比…」「在XX条件下达到…」
第四段（1句）：阶段定位
→ 关键词：「当前更适合定位为…原型」「后续仍需在…场景下验证」如需启用GitHub MCP服务器，请在 .claude/settings.json 中添加：
{
"mcpServers": {
"github": {
"command": "uvx",
"args": ["mcp/github"]
}
}
}Codex CLI 默认读取项目内的 .codex/ 目录。将skill复制到 .codex/skills/dachuang-report/ 即可自动加载。
如需启用GitHub集成，可在项目根目录创建 .codex/settings.local.json：
{
"env": {
"GITHUB_PERSONAL_ACCESS_TOKEN": "your-github-pat-here"
}
}| 高频词 | 语境 | 推荐替换 |
|---|---|---|
| 基于…（方法类） | 基于深度学习的… | 利用…/以…为核心/借助… |
| 基于…（依据类） | 基于以上分析 | 由此/鉴于上述分析 |
| 围绕…（目标类） | 围绕这一问题 | 针对…/为了解决…/以此为切入点 |
| 在此基础上 | 泛用 | 进一步地/顺延这一逻辑/以前者为前提 |
| 实现了 | 实现了XX功能 | 支持了/建立了/使XX成为可能 |
| 由此 | 泛用 | 从而/这使得/相应地 |
| 文件 | 内容 | 何时读 |
|---|---|---|
references/chapter-guide.md |
各章节详细改写示例，含低→高质量对比 | 改写具体章节时 |
references/sentence-patterns.md |
工科报告常用句式模板库，按功能分类 | 需要具体措辞时 |
references/domain-examples.md |
六大工科方向的领域专用写作模式 | 确认工科方向后立即读 |
我们欢迎所有形式的贡献，包括但不限于：
- 🐛 报告Bug
- 💡 提出新功能建议
- 📖 完善文档
- 🎨 提交PR
请参考 CONTRIBUTING.md 了解详细的贡献流程。
本项目采用 MIT 许可证 - 详见 LICENSE 文件
Made with ❤️ for 的大学生创新创业训练计划项目
如果你觉得这个项目有帮助，请给我们一个 ⭐