用途：该技能用于产出研究性文字，包括文献综述、综合、分析、方法描述、讨论部分与摘要等。核心是识别并改写五类AI生成文风：对冲堆砌（每段不确定性词超过两个）、套话过渡（Furthermore、Moreover、Additionally、It is important to note等）、结构单调（连续三段字数相近）、抽象空泛（various studies、the literature等无具体指代）、作者声音消失（it can be argued、it was found等被动表述）。
主要能力：按学科调整语体，理工科重方法与统计报告，社会科学常用第一人称复数并报告效应量，人文学科多用第一人称单数、长分析段落，跨学科默认主动语态并明确定义术语。引用整合区分叙述式引用、括号式引用、直接引语与综合式引用。
使用方式：先确定学科与读者，再以具体信息起草（点名研究、方法、样本量、年份），有意变换段落形态，过渡词只表达真实逻辑关系。提交前自查：对冲词、套话过渡、段落长度差异、抽象表述、被动句式。若引用文献，需将文献写入文件并运行 uv run <literature-review-dir>/scripts/verify_citations.py --input refs.txt，退出码须为0；若归因于综述工作区中的文献，需保存草稿至 $DRAFT 并写入非空 claims.json，每条含 claim、paper_id、citation 与逐字 supporting_quote，再运行 uv run <literature-review-dir>/scripts/check_claims.py --claims claims.json --workspace "$WS" --synthesis "$DRAFT"，数字引用还需先用 refs.json 校验参考文献表。
适用场景：科研论文、综述、摘要、方法学与讨论部分等学术写作。
限制：未验证的引用不得呈现；解析失败的引用须修正或删除；invalid_binding 表示引用未唯一对应可信语料记录；背景条目只能覆盖无数字的语境；被引句子中非年份数字须出现在已验证的匹配主张中。原文未提供脚本实现细节与具体学科样式模板。