mirror of
https://gitcode.com/JianFeeeee/homeagent-sdk.git
synced 2026-09-20 00:48:12 +00:00
17 KiB
17 KiB
📖 Geng Skill 多平台使用指南
本文档详细说明 Geng Skill 在各主流 AI 编程助手和开发环境中的使用方法。
目录
- 通用命令行使用
- 在 Claude (Anthropic) 中使用
- 在 Cursor 中使用
- 在 ChatGPT / GPT-4 中使用
- 在 OpenAI Codex / API 中使用
- 在 GitHub Copilot 中使用
- 在 Jupyter Notebook 中使用
- 作为 Python 库导入使用
- CI/CD 自动化集成
1. 通用命令行使用
1.1 安装
# 克隆仓库
git clone https://github.com/YOUR_USERNAME/geng-skill.git
cd geng-skill
# 安装依赖
pip install -r requirements.txt
1.2 一键综合检测
cd scripts
python3 geng_assess.py \
--input ../examples/fake_data_demo.csv \
--domain biomedical \
--output ../report/
参数说明：
| 参数 | 必填 | 说明 | 可选值 |
|---|---|---|---|
--input / -i |
✅ | 输入 CSV 文件路径 | 任意 .csv 文件 |
--domain |
❌ | 研究领域（影响检测策略） | biomedical, chemistry, physics, social_science, clinical, general |
--output / -o |
❌ | 输出报告目录 | 默认 ./report |
--delimiter / -d |
❌ | CSV 分隔符 | 默认 , |
1.3 单项检测
# 末位数字检测
python3 last_digit_test.py -i data.csv -c "column_name" -o result.json
# 本福特定律检测
python3 benford_test.py -i data.csv -c "measurement" -o result.json
# GRIM 测试（单个均值）
python3 grim_test.py --mean 3.47 --n 25 --scale "1-5" --decimals 2
# GRIM 测试（批量，从 JSON）
python3 grim_test.py -i batch_means.json -o grim_results.json
# 固定关系检测
python3 fixed_relation_test.py -i data.csv --col1 "group_a" --col2 "group_b"
# 小数位一致性检测
python3 decimal_consistency_test.py -i data.csv -c "value"
# 图像重复检测
python3 image_duplicate_test.py -i ./figures/ -t 0.85
1.4 输出格式
所有模块输出标准 JSON 格式，包含以下统一字段：
{
"test_name": "检测模块名称（中英文）",
"status": "completed | insufficient_data | error",
"risk_level": "low | medium | medium-high | high",
"risk_score": 0-100,
"interpretation": "中文可读解释",
"...": "模块特定字段"
}
2. 在 Claude (Anthropic) 中使用
2.1 Claude Web / Claude Pro
方法 A：直接粘贴数据让 Claude 分析
我有以下实验数据，请用"耿同学"的方法帮我检查是否存在数据造假迹象：
sample,control,treatment_a,treatment_b
1,2.34,4.68,7.02
2,3.12,6.24,9.36
3,1.87,3.74,5.61
...
请检查：
1. 末位数字分布是否均匀
2. 各组数据之间是否存在固定比值或差值关系
3. 小数位模式是否异常
方法 B：上传 CSV 文件让 Claude 用代码分析
请帮我运行学术数据打假检测。我上传的 CSV 文件包含论文中的实验数据。
请用以下方法逐一检测：
- Last Digit Test（末位数字检测）
- Benford's Law Test（本福特定律检测）
- Fixed Relationship Detection（固定关系检测）
- Decimal Consistency Test（小数位一致性检测）
最后给出综合风险评分和建议。
2.2 Claude API (Artifacts / Tool Use)
import anthropic
client = anthropic.Anthropic()
# 将 Geng Skill 的 SKILL.md 作为 system prompt
with open('SKILL.md', 'r') as f:
skill_doc = f.read()
message = client.messages.create(
model="claude-sonnet-4-20250514",
max_tokens=4096,
system=f"你是学术数据打假助手。请严格按照以下 Skill 文档执行检测：\n\n{skill_doc}",
messages=[{
"role": "user",
"content": "请对以下数据执行完整的 Geng 打假检测...[数据]"
}]
)
2.3 Claude MCP (Model Context Protocol)
将 Geng Skill 注册为 MCP Server：
// claude_desktop_config.json
{
"mcpServers": {
"geng-skill": {
"command": "python3",
"args": ["/path/to/geng-skill/scripts/mcp_server.py"],
"env": {}
}
}
}
3. 在 Cursor 中使用
3.1 作为 Cursor Rules 使用
在项目根目录创建 .cursor/rules/geng-skill.mdc：
---
description: 学术数据打假检测工具
globs: ["*.csv", "*.xlsx", "data/**"]
alwaysApply: false
---
# Geng Skill — 学术数据打假检测
当用户要求检测数据是否造假时，按以下步骤执行：
1. 确认数据格式（CSV/Excel/直接粘贴）
2. 识别数值列
3. 对每个数值列执行：
- 末位数字检测（卡方检验 vs 均匀分布）
- 本福特定律检测（适用于跨数量级数据）
- 小数位一致性检测
4. 对数值列两两执行：
- 固定关系检测（差值/比值/线性）
5. 综合评分（0-100）并给出建议
核心原则：自然数据具有随机性，人为编造的数据会呈现不自然的规律性。
3.2 在 Cursor Chat 中使用
@geng-skill 请检测这份数据文件 data/experiment_results.csv 是否存在造假迹象
重点关注：
- 不同实验组之间是否有固定数学关系
- 末位数字分布是否正常
- 小数位模式是否异常
3.3 Cursor Composer 自动化
在 Cursor Composer 中直接引用脚本：
请运行 geng-skill/scripts/geng_assess.py 对 data/paper_results.csv 进行检测，
领域设为 biomedical，输出到 report/ 目录。
然后帮我解读报告中的关键发现。
4. 在 ChatGPT / GPT-4 中使用
4.1 ChatGPT Web (Code Interpreter / Advanced Data Analysis)
步骤：
- 上传 CSV 数据文件
- 同时上传
scripts/目录下的 Python 脚本 - 提示词：
我上传了一组学术论文数据和几个检测脚本。请按照以下步骤执行学术数据打假检测：
1. 先读取 CSV 数据，识别所有数值列
2. 对每个数值列运行 last_digit_test.py 中的 last_digit_test() 函数
3. 对适用的列运行 benford_test.py 中的 benford_test() 函数
4. 对所有数值列对运行 fixed_relation_test.py 中的 fixed_relation_test() 函数
5. 对每个数值列运行 decimal_consistency_test.py 中的 decimal_consistency_test() 函数
最后综合所有结果，给出：
- 综合风险评分（0-100）
- 关键发现（哪些数据可疑，为什么）
- 建议行动
4.2 GPT-4 API + Function Calling
import openai
import json
# 定义 Geng Skill 工具
tools = [
{
"type": "function",
"function": {
"name": "geng_last_digit_test",
"description": "检测数据末位数字是否偏离均匀分布。自然数据末位应均匀分布，造假数据往往集中在某些数字。",
"parameters": {
"type": "object",
"properties": {
"values": {
"type": "array",
"items": {"type": "string"},
"description": "待检测的数值列表（字符串形式保留精度）"
},
"method": {
"type": "string",
"enum": ["all_digits", "decimal_last"],
"description": "检测方法"
}
},
"required": ["values"]
}
}
},
{
"type": "function",
"function": {
"name": "geng_fixed_relation_test",
"description": "检测两组数据间是否存在固定差值、比值或完美线性关系。独立实验数据不应有精确数学关系。",
"parameters": {
"type": "object",
"properties": {
"col1": {"type": "array", "items": {"type": "number"}, "description": "第一列数据"},
"col2": {"type": "array", "items": {"type": "number"}, "description": "第二列数据"},
"col1_name": {"type": "string"},
"col2_name": {"type": "string"}
},
"required": ["col1", "col2"]
}
}
},
{
"type": "function",
"function": {
"name": "geng_benford_test",
"description": "检测数据首位数字是否符合本福特定律。适用于跨多个数量级的自然数据。",
"parameters": {
"type": "object",
"properties": {
"values": {"type": "array", "items": {"type": "string"}, "description": "数值列表"}
},
"required": ["values"]
}
}
}
]
# 调用 GPT-4 带工具
response = openai.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "你是学术数据打假助手，使用 Geng Skill 检测论文数据。"},
{"role": "user", "content": "请检测以下数据..."}
],
tools=tools,
tool_choice="auto"
)
4.3 Custom GPT (GPTs Store)
创建自定义 GPT，在 Instructions 中粘贴完整的 SKILL.md 内容，并上传所有脚本文件作为 Knowledge。
GPT 名称建议: "学术数据卫士 — Geng Fraud Detector"
Instructions 要点：
你是基于"耿同学"方法论的学术数据打假检测 GPT。
当用户上传数据或粘贴数据时，自动执行以下检测流程...
5. 在 OpenAI Codex / API 中使用
5.1 Codex CLI
# 安装 Codex CLI
npm install -g @openai/codex
# 使用 Geng Skill 检测数据
codex "请对 data.csv 文件运行学术数据打假检测：\
1. 读取所有数值列 \
2. 检测末位数字分布 \
3. 检测列间固定关系 \
4. 给出风险评分" \
--file data.csv \
--file scripts/last_digit_test.py \
--file scripts/fixed_relation_test.py
5.2 Codex 作为自动化 Agent
# codex_geng_agent.py
"""
将 Geng Skill 封装为 Codex Agent 可调用的工具链
"""
import subprocess
import json
def run_geng_assessment(csv_path, domain="general"):
"""调用 Geng 综合评估引擎"""
result = subprocess.run(
["python3", "scripts/geng_assess.py",
"--input", csv_path,
"--domain", domain,
"--output", "./report/"],
capture_output=True, text=True
)
# 读取报告
with open("./report/geng_assessment_report.json", "r") as f:
report = json.load(f)
return report
6. 在 GitHub Copilot 中使用
6.1 Copilot Chat in VS Code
在 VS Code 中打开数据文件，然后使用 Copilot Chat：
@workspace /explain 请分析 data.csv 中的数据是否存在学术造假迹象，
使用 geng-skill/scripts/ 中的检测模块
6.2 Copilot in Terminal
# GitHub Copilot CLI
gh copilot suggest "run geng academic fraud detection on experiment_data.csv"
6.3 作为 GitHub Action
# .github/workflows/geng-check.yml
name: Academic Data Integrity Check
on:
pull_request:
paths:
- 'data/**/*.csv'
jobs:
geng-check:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v4
- name: Setup Python
uses: actions/setup-python@v5
with:
python-version: '3.10'
- name: Install dependencies
run: pip install -r geng-skill/requirements.txt
- name: Run Geng Assessment
run: |
cd geng-skill/scripts
for csv_file in $(find ../../data -name "*.csv"); do
echo "🔍 Checking: $csv_file"
python3 geng_assess.py -i "$csv_file" -o ../../report/
done
- name: Upload Report
uses: actions/upload-artifact@v4
with:
name: geng-report
path: report/
7. 在 Jupyter Notebook 中使用
# Cell 1: 安装与导入
!pip install numpy scipy Pillow scikit-image -q
import sys
sys.path.insert(0, '../scripts')
from last_digit_test import last_digit_test
from benford_test import benford_test
from fixed_relation_test import fixed_relation_test
from decimal_consistency_test import decimal_consistency_test
from grim_test import grim_test_single, grim_test_batch
import pandas as pd
import json
# Cell 2: 加载数据
df = pd.read_csv('../examples/fake_data_demo.csv')
print(f"数据形状: {df.shape}")
df.head()
# Cell 3: 末位数字检测
result = last_digit_test(df['control_group'].astype(str).tolist())
print(json.dumps(result, ensure_ascii=False, indent=2))
# Cell 4: 固定关系检测
result = fixed_relation_test(
df['control_group'].tolist(),
df['treatment_a'].tolist(),
'control_group', 'treatment_a'
)
print(f"🎯 风险评分: {result['risk_score']}/100")
print(f"📝 {result['interpretation']}")
# Cell 5: 可视化
import matplotlib.pyplot as plt
import numpy as np
fig, axes = plt.subplots(1, 3, figsize=(15, 4))
# 散点图：展示固定比值关系
axes[0].scatter(df['control_group'], df['treatment_a'], c='red', alpha=0.7)
axes[0].set_xlabel('Control Group')
axes[0].set_ylabel('Treatment A')
axes[0].set_title('⚠️ 完美 2x 关系')
axes[0].plot([0, 6], [0, 12], 'k--', alpha=0.3)
# 末位数字分布
from collections import Counter
digits = [int(str(v)[-1]) for v in df['control_group'].astype(str)]
counts = Counter(digits)
axes[1].bar(range(10), [counts.get(i, 0) for i in range(10)])
axes[1].axhline(y=len(digits)/10, color='r', linestyle='--', label='期望值')
axes[1].set_xlabel('末位数字')
axes[1].set_ylabel('频次')
axes[1].set_title('末位数字分布')
axes[1].legend()
# 比值分布
ratios = df['treatment_a'] / df['control_group']
axes[2].hist(ratios, bins=20, edgecolor='black')
axes[2].set_xlabel('Treatment_A / Control')
axes[2].set_ylabel('频次')
axes[2].set_title(f'⚠️ 比值全部 = {ratios.mean():.1f}')
plt.tight_layout()
plt.savefig('../report/detection_visualization.png', dpi=150)
plt.show()
8. 作为 Python 库导入使用
8.1 基础用法
import sys
sys.path.insert(0, '/path/to/geng-skill/scripts')
from last_digit_test import last_digit_test
from benford_test import benford_test
from fixed_relation_test import fixed_relation_test
from decimal_consistency_test import decimal_consistency_test
from grim_test import grim_test_single
# 单列检测
values = ['2.34', '3.12', '1.87', '4.56', '2.98']
result = last_digit_test(values)
print(f"风险评分: {result['risk_score']}")
# 两列关系检测
col_a = [2.34, 3.12, 1.87, 4.56, 2.98]
col_b = [4.68, 6.24, 3.74, 9.12, 5.96]
result = fixed_relation_test(col_a, col_b, 'GroupA', 'GroupB')
print(f"风险等级: {result['risk_level']}")
# GRIM 测试
result = grim_test_single(mean='3.47', n=25, decimals=2, scale_min=1, scale_max=5)
print(f"一致性: {result['consistent']}")
8.2 批量处理多篇论文
import os
import glob
import json
from geng_assess import run_assessment
# 批量检测目录下所有 CSV
csv_files = glob.glob('/path/to/papers/*/data.csv')
results = []
for csv_path in csv_files:
paper_name = os.path.basename(os.path.dirname(csv_path))
report = run_assessment(csv_path, domain='biomedical')
results.append({
'paper': paper_name,
'score': report['summary']['overall_risk_score'],
'level': report['summary']['overall_risk_level']
})
print(f" {paper_name}: {report['summary']['overall_risk_level_cn']}")
# 排序输出高风险论文
results.sort(key=lambda x: x['score'], reverse=True)
print("\n🔴 高风险论文：")
for r in results:
if r['score'] >= 50:
print(f" [{r['score']:.0f}] {r['paper']}")
9. CI/CD 自动化集成
9.1 Pre-commit Hook
# .pre-commit-config.yaml
repos:
- repo: local
hooks:
- id: geng-data-check
name: Geng Academic Data Check
entry: python3 geng-skill/scripts/geng_assess.py
language: python
files: '\.csv$'
args: ['--input']
9.2 Docker 容器化
# Dockerfile
FROM python:3.10-slim
WORKDIR /app
COPY requirements.txt .
RUN pip install --no-cache-dir -r requirements.txt
COPY scripts/ ./scripts/
COPY SKILL.md .
ENTRYPOINT ["python3", "scripts/geng_assess.py"]
CMD ["--help"]
# 构建与运行
docker build -t geng-skill .
docker run -v $(pwd)/data:/data geng-skill -i /data/paper.csv -o /data/report/
常见问题
Q: 数据量有什么要求？
| 检测模块 | 最小数据量 | 推荐数据量 |
|---|---|---|
| 末位数字检测 | 10 | 50+ |
| 本福特定律 | 30 | 100+ |
| GRIM 测试 | 1（单项） | N/A |
| 固定关系检测 | 5对 | 20+ 对 |
| 小数位一致性 | 5 | 30+ |
| 图像重复 | 2张 | 10+ 张 |
Q: 支持什么输入格式？
- ✅ CSV（默认逗号分隔，可指定其他分隔符）
- ✅ 直接传入数值列表（Python API）
- ✅ JSON（GRIM 批量测试）
- ✅ 图片目录（PNG/JPG/TIF/BMP）
- ❌ Excel（需先转 CSV）
- ❌ PDF（需先提取数据表格）
Q: 如何降低误报率？
- 确认数据范围是否适合该检测（如本福特需跨数量级）
- 多模块交叉验证，不要仅凭单一结果下结论
- 考虑合理解释：仪器精度限制、数据预处理步骤等
- 结果需领域专家复核
Geng Skill v1.0.0 — 致敬"耿同学讲故事"