该技能是一个面向机器学习/人工智能论文的提交前模拟审稿工具，旨在从目标会议审稿人的角度发现论文可能面临的反对意见，并将其转化为具体的修改优先级。
用途方面，该技能可用于：审稿风格的论文批评；针对特定会议的预测评分和置信度；可能的拒稿原因和审稿人问题；对抗性的“Reviewer 2”压力测试；领域主席或元审稿总结；rebuttal 准备情况检查；为修订中的论文创建风险登记表；以及从示例评审、OpenReview 讨论和目标会议指南中学习。该技能不用于直接重写论文。如果论文需要结构性或段落级修改，建议在评审后与 conference-writing-adapter 配合使用；引用正确性可与 citation-audit 配合，最终提交卫生可与 submit-paper 配合。当模拟审稿风险应成为项目级风险和行动时，可与 research-project-memory 配合。
主要能力包括：模拟多个审稿人角色并运行独立评审；根据目标会议风格生成预测评分与置信度；识别致命弱点与可修复的展示问题；构建按优先级排列的风险登记表；生成领域主席元审稿；准备 rebuttal 就绪性检查；以及更新审稿人记忆。技能目录包含 SKILL.md 和 references 文件夹，其中包含 example-review-mining.md、memory-model.md、report-template.md、review-panel.md、risk-register.md 和 venue-review-styles.md。渐进式加载要求始终阅读 references/review-panel.md 和 references/risk-register.md；当用户指定目标会议或要求比较会议时阅读 references/venue-review-styles.md；当从 OpenReview、公开评审、接收论文讨论、官方审稿人指南或示例论文学习时阅读 references/example-review-mining.md；当保存或重用特定会议的审稿人知识时阅读 references/memory-model.md；完整评审报告使用 references/report-template.md。在评分或会议特定标准重要时，应验证当前官方审稿人指南和评审表格。
使用方式遵循九个步骤：第一步定义评审背景，包括目标会议和年份、轨道或主题领域、论文类型（方法、理论、实证研究、基准、数据集、系统、分析、应用或混合）、论文阶段（大纲、早期草稿、完整草稿、rebuttal、camera-ready）、评审模式（快速、完整、对抗、rebuttal）以及可用证据。如果用户未提供模式，完整草稿默认完整模式，大纲或部分草稿默认快速模式。第二步阅读论文证据，优先使用主要论文文件而非摘要，查找 main.tex、paper.tex、sections/*.tex、附录、补充材料、标题、摘要、引言、贡献列表、方法/理论部分、假设、定理陈述、算法框、实验、基线、消融、数据集、指标、定性示例、图表、相关工作、局限性、伦理/更广泛影响、检查清单、先前评审或作者笔记，并构建论文快照。第三步学习会议和主题的审稿风格，阅读 references/venue-review-styles.md，然后从当前来源更新评审背景，包括官方审稿人指南和评审表格、评分标准和置信度量表、伦理/可复现性/检查清单要求、公开的 OpenReview 示例和讨论、同一会议/主题的接收/口头/ spotlight 论文、以及类似论文的评审。研究示例时阅读 references/example-review-mining.md，并在评分前生成紧凑的评审风格矩阵。不要依赖静态记忆获取当前评审表格；如果确切分数或标准重要，应从官方来源验证。第四步配置审稿小组，阅读 references/review-panel.md。完整评审创建 3-5 名审稿人：R1 技术专家（深入理解方法/理论）、R2 怀疑的通用主义者（询问贡献是否重要）、R3 实证/可复现性审稿人（检查实验、基线、消融、统计支持）、R4 相关工作/新颖性审稿人（检查定位和缺失引用）、AC 元审稿人（综合决策风险并询问什么会改变结果）。根据论文定制小组：理论密集型论文添加假设/证明审稿人；基准/数据集论文添加数据质量/评估审稿人；系统论文添加可扩展性/可复现性审稿人；应用论文添加领域有效性审稿人；CV/NLP 论文添加任务特定基准审稿人。第五步运行独立评审。每位审稿人应输出：以审稿人语气总结论文、优点、缺点、给作者的问题、请求的实验/分析/证明、使用目标会议量表时的评分和置信度、可能的推荐（接收/边缘/拒绝）。审稿人在合理时应分歧，不要平均掉重要冲突。对于每项批评，识别论文中的位置、审稿人担心什么、问题是证据、清晰度、新颖性、正确性、定位、可复现性还是范围、以及提交前什么会降低风险。第六步撰写领域主席元审稿。元审稿应综合共识优点、共识缺点、两极分化的问题、可能的讨论动态、决策风险、什么最能提高分数、论文是因科学弱点还是展示弱点被拒绝。使用决策语言：可能接收、边缘接收、边缘拒绝、可能拒绝、不完整/不可评审。添加置信度：低/中/高。第七步构建风险登记表。阅读 references/risk-register.md。将审稿人反对意见转化为排名风险登记表：必须修复（可能导致拒绝）、应该修复（实质性提高接收几率）、最好修复（润色或审稿人便利）、仅 rebuttal（提交前无法修复但可准备回应）。每个风险必须包括：审稿人关注点、论文证据、严重性、概率、修复工作量、推荐行动、负责人（如果已知）。第八步准备 rebuttal 就绪性。对于首要风险，生成：可能的审稿人问题、最佳提交前修复、后备 rebuttal 答案、使 rebuttal 可信所需的证据。如果风险无法通过新实验/证明修复，明确说明。第九步更新审稿人记忆。阅读 references/memory-model.md。当研究会议示例或真实评审时，更新 .agent/reviewer-simulator/venues/<venue>.md、.agent/reviewer-simulator/examples/<venue>-<year>-reviews.md、.agent/reviewer-simulator/project-risk-register.md。记忆必须区分：观察到的审稿人模式、推断的会议审稿风格、当前论文的风险、未解决的问题。不要存储长段复制的评审文本。转述评审模式并包含来源 URL。如果项目使用 research-project-memory，还要更新 memory/risk-board.md、memory/action-board.md、memory/claim-board.md、memory/evidence-board.md、reviewer/.agent/reviewer-status.md。不要将模拟评审视为真实评审。使用推断的确定性预测审稿人行为。
输出模式包括：快速评审（阴影评审：快速风险扫描，包含论文快照、预测决策、前 5 个拒绝风险、最快修复、审稿人会问的问题）、完整评审（使用 references/report-template.md）、对抗评审（关注拒绝路径，包含最强拒绝案例、Reviewer 2 批评、如果为真则致命、提交前如何解除、无法通过写作修复的风险）、rebuttal 模式（rebuttal 就绪性，包含评审声明、审稿人是否正确、可用证据、最佳回应、需要的论文修订）。
最终检查包括：目标会议/年份和评审模式明确；论文原型已说明；审稿人标准来自当前官方指南或明确标记的记忆；示例评审观察已转述并链接来源；批评与论文证据相关联；预测评分包含置信度和不确定性；首要风险按接收影响排名；修复区分写作变化与新实验/证明；研究会议示例时写入记忆更新；模拟风险应持续时更新项目记忆。
适用场景包括机器学习/人工智能论文提交前的自我审查、目标会议选择、rebuttal 准备、修订优先级规划。限制方面，该技能不直接重写论文，不编造缺失结果，不依赖静态记忆获取当前评审表格，且模拟评审不应视为真实评审。