# Course Quality Editor

> 对整门课程和单章执行认知交付、模块顺序、逻辑连续、信息密度、口播节奏、事实证据与 AI 写作坏味道审校，生成 review.jsonl 和保留讲师立场的修订稿。Use when the user says 课程审校、检查课程逻辑、去 AI 味、检查逐字稿、精修课程、检查事实证据，或 Course Producer 进入 quality_review 阶段。

- Skill: `ivor-ncut/course-quality-editor` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add ivor-ncut/course-quality-editor`
- Raw SKILL.md: https://api.skillmd.com/api/skills/ivor-ncut/course-quality-editor/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: Ivor-NCUT (https://skillmd.com/u/ivor-ncut)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/ivor-ncut/course-quality-editor

---


# 课程质量审校

围绕已有稿件审校和修订，不另起炉灶重写整门课。开始前读取课程定位、蓝图、知识卡、全部章节，以及 `知识库/方法论/课程审校.md`。

## 审校顺序

1. 若源文档带评论，先读取全部评论、回复和解决状态，生成 `comment-resolution.md`：逐条记录评论位置、原意、采用动作和目标章节。评论没有全部进入清单前，不开始改稿；不要用“已读”替代回复线程里的补充要求。
2. 运行 `node tools/course-lint.mjs <lessons-dir> --output <review.jsonl>`，得到可复现的禁用句式、模板转场、字幕式断行和证据提示。
3. 做课程级检查：模块是否按学习成果排序，第一、第二模块能否独立交付结果，章节是否螺旋复用，承诺是否越过定位边界；把相邻章节首尾连读，检查问候、回收、承接和预告是否真的连续。
4. 做章节级检查：教学任务、认知起终点、挑战情境、段落到段落的因果/动作连接、信息密度、术语解释和前后桥接。
   - 融合 `dbs-logic-continuity` 的三项扫描：前一段结尾到后一段开头是否缺少中间推理；某段是否重复或用很多话说一个已懂结论；句子是否适合自然口播。
   - 对每个承担核心判断的小标题检查“承接句—反面故事—正面故事—判断回收”。故事要有情境、动作、后果或反馈；只有抽象例子不算故事。
   - 不要求开场、练习、表格、纯故事章和类型说明凑正反两例。已有故事同时展示错误路径与正确路径时视为覆盖；故事导致篇幅膨胀、重复或遮住判断时优先删减。
5. 核查事实证据：数字、案例、背书、高风险承诺是否对应 `knowledge_card_id` 与来源；找不到时标为补材料，不能润色成确定事实。
6. 对每个问题选择动作：
   - `auto_fix`：不改变观点的措辞、重复、缺桥接、段落节奏与明确格式问题；
   - `needs_evidence`：缺数据、案例、授权或原始来源；
   - `needs_decision`：课程承诺、品牌立场、目标人群、价格、公开风险或证据冲突需要用户判断。
7. 先复制原稿到 `.course-producer/artifacts/revised-lessons/` 再应用 `auto_fix`。不覆盖已确认原稿，除非用户明确要求原位修改。
8. 把所有发现逐行写入 `.course-producer/artifacts/review.jsonl`；修复后更新 `status` 与 `revision_locator`，保留问题原始证据。
9. 重新运行确定性扫描并做课程级复核；把全部章节首尾和相邻主题连读，额外检查因
   分章修改叠加产生的重复预告、练习说明、同义收口和重复结尾。只修命中的章节，
   不为保持批次整齐而重写已通过章节。
10. 按 `comment-resolution.md` 逐条回放，确认每条修改意见都能定位到成稿证据；生成
    待交付章节清单及正文 SHA。高风险问题、跨课重复或未覆盖评论存在时不能把
    quality_review 标记完成。

## review.jsonl 契约

```json
{"review_id":"rev-001","scope":"lesson","artifact":"lessons/01.md","locator":"## 方法","category":"logic_gap","severity":"high","evidence":"上一段产物没有进入本段动作","action":"auto_fix","status":"fixed","suggestion":"补充产物到动作的桥接","revision_locator":"revised-lessons/01.md#方法"}
```

`category` 可使用 `course_order`、`logic_gap`、`logic_continuity`、`story_contrast`、`repetition`、`density`、`spoken_flow`、`ai_smell`、`unexplained_term`、`unsupported_claim`、`position_conflict`。不要输出主观“AI 概率”。

## 保真边界

- 可以改结构、顺序、句群、转场、重复和术语解释。
- 不改变讲师观点、战略立场、案例因果、数字口径和课程承诺。
- 对观点有疑问时写 `needs_decision`，不要用审校者立场替换。
- 逐字原话只在确认是引用错误时改；普通口语不因“不够精致”被抹平。

## 完成检查

- 课程级与章节级审校都已执行。
- review 每条有位置、具体证据、严重度、动作和状态。
- 自动修复后的稿件可回放，原稿仍可恢复。
- 数字、案例、背书和高风险承诺有来源或明确待补。
- 没有用概率分数代替具体文本证据。
- 修订没有改变讲师观点和战略立场。
- 所有源评论及回复都有明确处置，人物与案例归属已和访谈原文交叉核对。
- 跨课终审已检查重复预告、练习提示、同义收口和重复结尾；只重修命中章节。
- 核心教学小节能顺着前文进入判断，并用正反故事形成认知对照；没有把这一结构机械复制到所有标题。

完成后可进入 `course-lark-delivery`；用户对修订结果反馈时按审美对齐入口处理。

## Feedback Learning

用户对修订稿给出反馈、亲自改稿、选择版本或明确满意时，先判断是否只是当前作品修改。用户确认要沉淀后，调用 `course-aesthetic-alignment` 记录 edit trace、正反例或 preference pair；单次满意不能直接更新本 Skill 的审校规则。