用途：submission-audit 用于稿件后期质量检查，适合结构已基本成型、图片与图注大体定稿、临近投稿、返修或内部传阅时使用，对稿件做一次投稿前预检。它不适用于早期头脑风暴、初次起草章节、从零发现引文，或需要大幅结构重写的场景（后者属于 manuscript-optimizer）。
主要能力：审计顺序包括前半部分对齐（标题、摘要、引言、讨论与实际结果是否一致，是否出现强于下游证据的主张）；图表与图注覆盖（正文引用的主图面板和补充面板是否真实存在，面板字母、指标、数据集与数字在图、图注和正文间是否一致）；方法与补充材料锚定；术语与指标（每个概念只用一个规范名称）；风险检查（过度声明、证据缺口、无依据的机制语言、期刊风格漂移）；来源清洁（LaTeX 注释会随源码公开，可用 arxiv_latex_cleaner 或等效步骤清理并确认清理后可编译）；审稿人视角拒稿检查（贡献是否充分、清晰度与可复现性、实证强度、评估完整性、设计合理性）。
使用方式：需要快速本地检查图片引用时运行：python ~/.agents/skills/submission-audit/scripts/check_figure_refs.py path/to/manuscript.md。Claude Code 全局安装将 ~/.agents/skills 替换为 ~/.claude/skills；项目本地安装替换为 .claude/skills。发现问题按 High（阻碍投稿或扭曲主张）、Medium（可信度或读者摩擦）、Low（一致性）排序，每条包含确切文件引用、问题、影响和最小安全修复。结尾给出准备度评估、剩余最大风险和投稿前最优先修复项。
适用场景与限制：适用于 Nature Portfolio 等期刊投稿前检查 reporting summary、数据与代码可用性声明、登记号与共享限制、图像完整性、竞争利益、作者贡献、生成式 AI 声明等；也适用于 ML 会议检查测试数据是否参与模型选择、每次报告数字背后的运行次数与波动、可复现性与 LLM 使用声明。若缺少编译或视觉检查，应标注为未检查。资料中未提供该技能的收费、价格或平台支持信息。