La compétence Normalisation juridique FR nettoie un document Word rédigé en français juridique. Elle distingue deux régimes : les corrections déterministes (apostrophes courbes, guillemets français, espaces insécables, insécables des références — art. 1240, n° 21-12.345, 50 % —, ordinaux 1ère → 1re, ligatures œ, la loi dispose et non stipule, anglicismes-calques), appliquées directement ; et les réécritures de jugement (virgule avant « et », ternaires creux, formules emphatiques, harmonisations), posées en révisions Word soumises à votre acceptation. Chaque changement est consigné et restitué en tableau récapitulatif : on revient en arrière mot à mot — « défais 3, 7-10 ». La normalisation des citations reste purement formelle. Fonctionne en Cowork ou sur fichier Word.
中文简介正在准备中。当前显示原文说明。
实测评分 未实测
查看安装方法安装前可以查看交给 AI 代理的指令内容。
Compétence conçue avec Christophe Quézel-Ambrunaz. Elle corrige directement un document Word juridique, de façon autonome, puis rend dans la conversation un tableau récapitulatif compact et réversible.
Deux régimes de modification, qu'il ne faut jamais confondre :
scripts/normaliser.py.references/.Les normalisations déterministes sont appliquées directement, sans suivi des modifications — pour ne pas alourdir la relecture ; leur réversibilité est entièrement assurée par le registre (défais). Seules les réécritures de jugement sont posées en révisions Word (w:ins/w:del) : ce sont les seules à examiner, l'utilisateur les accepte ou les rejette dans Word, et le registre permet aussi de les défaire. Le suivi peut être étendu au lexique déterministe via l'option --track-lexical (désactivée par défaut).
Garde-fou cardinal sur les citations : la normalisation des références est purement formelle (abréviations, ordre, espaces). Ne jamais modifier le fond d'une référence (juridiction, date, numéro), ne jamais en inventer. En cas de doute sur l'exactitude, signaler, ne pas « corriger ».
.docx. En chat simple sans fichier, demander le document et l'environnement adéquat.docx (toujours disponible) : scripts/office/unpack.py → édition de word/document.xml (et footnotes.xml/endnotes.xml) → scripts/office/pack.py → validation ; scripts/comment.py pour les commentaires ; scripts/accept_changes.py pour produire la version propre. Consulter la SKILL.md de docx pour les patrons exacts de w:ins/w:del. Auteur des révisions : « Claude — normalisation » (sauf consigne contraire).Identifier le fichier .docx cible et le périmètre : corps seul, ou corps + notes de bas de page + bibliographie (par défaut : tout, l'utilisateur l'a validé). Si le fichier est un .doc, le convertir d'abord (docx/scripts/office/soffice.py).
Extraire le texte (extract-text de docx) et le lire en entier avant toute modification. La lecture sert au régime de jugement ; le déterministe, lui, est traité par script sans relecture humaine.
python scripts/normaliser.py apply \
--in "<document.docx>" \
--out "<document — normalisé.docx>" \
--registry "<.normjur/registre.json>" \
--scope all # all | body | body+notes
Le script applique les règles déterministes (typographie et lexique sûr) directement, sans suivi des modifications, écrit le .docx corrigé et le registre JSON. Option --track-lexical pour poser le lexique en révisions. Détail des règles : references/typographie.md, references/lexique-juridique.md, references/anglicismes.md (section « noyau sûr »).
En t'appuyant sur references/marqueurs-ia.md, references/anglicismes.md (section « contextuel ») et references/citations-reflex.md, pose en révisions Word les réécritures de jugement, via le patron docx. Pour chaque réécriture, enregistre une entrée de jugement dans le registre :
python scripts/registre.py add-jugement \
--registry "<.normjur/registre.json>" \
--cle emphase --libelle "Emphase creuse réécrite" --categorie stylistique \
--avant "<texte d'origine>" --apres "<texte réécrit>" --wids "101,102"
Règles d'or du jugement :
—). Ne pas les remplacer.references/marqueurs-ia.md (§10) et references/orthographe-harmonisation.md.python scripts/registre.py recap --registry "<.normjur/registre.json>"
Coller le tableau (compact, agrégé par règle) dans la conversation, suivi de la phrase d'invite à l'annulation (voir ci-dessous).
python scripts/registre.py verify --registry … --doc "<corrigé.docx>" (idempotence, comptes, validité OOXML via docx/scripts/office/validate.py).Fichier JSON écrit hors conversation (dans .normjur/ à côté du document) ; la conversation n'affiche que le tableau agrégé. Schéma : voir references/registre-schema.md. Chaque modification est rattachée à un groupe de règle numéroté n et porte un indice intra-groupe i. Les groupes déterministes sont numérotés en premier (ordre fixe), les groupes de jugement à la suite, dans l'ordre où tu les ajoutes.
| N° | Règle | Type | Occ. | Exemple (avant → après) |
|----|--------------------------------------|-------------|------|--------------------------------|
| 1 | Apostrophes courbes | détermin. | 42 | l'article → l’article |
| 2 | Insécables (; : ! ? « ») | détermin. | 37 | art. 9 ; → art. 9 ; |
| 5 | stipuler → disposer (loi/texte) | détermin. | 3 | la loi stipule → la loi dispose|
| 7 | Emphase creuse resserrée | STYLISTIQUE | 5 | « il importe de souligner… » → …|
Mettre les lignes STYLISTIQUE en évidence (l'utilisateur doit pouvoir vérifier d'abord le registre subjectif). Terminer par :
Pour revenir sur des changements, répondez par ex. : défais 3, 7-10, 12 (groupe entier) ou défais 7.2 (une occurrence). refais pour rétablir.
L'utilisateur répond en langage naturel ; interpréter et exécuter :
python scripts/registre.py undo "3, 7-10, 12" \
--registry "<.normjur/registre.json>" \
--in "<document.docx — ORIGINAL>" \
--out "<document — normalisé.docx>"
défais 3 → désactive tout le groupe 3 ; défais 7-10 → groupes 7 à 10 ; défais 7.2 → la 2ᵉ occurrence du groupe 7.w:id enregistrés).refais 7 réactive le groupe ; défais tout / refais tout pour la bascule globale.Après chaque undo/redo, réafficher le tableau recap mis à jour (compact).
Ne jamais déverser le contenu du registre dans la conversation : seul le tableau agrégé y figure. Les exemples « avant → après » sont tronqués (≈ 40 caractères). Pour un document volumineux, traiter par sections lors de la passe de jugement, mais n'écrire dans la conversation que le récapitulatif consolidé.
references/marqueurs-ia.md — marques d'écriture IA en français et leur traitement (apostrophes, virgule avant et, ternaires, emphase, tirets, formules creuses).references/anglicismes.md — noyau sûr (script) / contextuel (jugement) / liste blanche des termes de la matière conservés.references/lexique-juridique.md — impropriétés juridiques (stipuler/disposer, juridiction/justice, arrêt/jugement…).references/typographie.md — apostrophes, insécables (schéma retenu), guillemets, tirets, majuscules accentuées.references/citations-reflex.md — norme RefLex SNE 2022, tolérances, harmonisation par usage majoritaire.references/orthographe-harmonisation.md — harmonisation des graphies 1990 selon l'usage majoritaire (jugement).references/registre-schema.md — schéma JSON du registre.docx.w:id est au mieux fiable tant que l'utilisateur n'a pas déjà accepté/rejeté ces révisions dans Word ; dans ce cas, basculer sur un remplacement après → avant lu dans le registre.还没有评价。欢迎分享你的使用感受。
无需登录即可发表。欢迎分享使用感受、提问，或说明在哪些环境下无法运行。
还没有评论。来写第一条吧。
Public-safe preliminary screen for challenges to the impartiality of an AI evaluator, LLM-as-a-judge, decision-support agent, or adjudicative system based on prior outputs, suspected bias, unstable reasoning, or self-reinforcing memory. Use when asked whether an AI should be recused, disqualified, replaced, audited, or escalated. Does not decide real cases or claim that human judicial-recusal doctrine automatically applies.
中文简介正在准备中。当前显示原文说明。
Creates an Agent Authority Charter for enterprise or regulated AI agents before deployment. Use this Skill when a user needs to define what an AI agent is allowed to do, who delegated authority to it, what actions are permitted or prohibited, when human approval is required, what evidence must be preserved, and how the agent can be suspended, revoked, or escalated.
中文简介正在准备中。当前显示原文说明。
EU AI Act Knowledge Engine — authoritative regulatory Q&A grounded in 70 official EU source documents (including the 2026 Commission draft guidelines on Art. 6 high-risk classification — general principles, Annex I, Annex III). Answers any question about the AI Act with article-level citations from the full regulation text, Commission guidelines, EDPB/EDPS opinions, codes of practice, harmonised standards, FRIA guides, incident templates, and sector-specific guidance. This skill should be used when the user asks about the "EU AI Act", "AI Act regulation", "Regulation 2024/1689", "KI-Verordnung", asks to "explain an AI Act article", "what does Article X say", "AI Act requirements", "AI Act penalties", "AI Act timeline", "GPAI obligations", "high-risk AI", "prohibited AI practices", "AI Act and GDPR", "fundamental rights impact assessment", "AI Act standards", "AI Act national implementation", "AI literacy", "serious incident reporting", "Digital Omnibus", "AI regulatory sandbox", or any question about EU artificial intelligence regulation. Also triggers on German terms: "KI-Gesetz", "KI-Verordnung", "Hochrisiko-KI", "KI-Kompetenz", "Grundrechte-Folgenabschaetzung", "GPAI-Verhaltenskodex". For assessment workflows that produce a classification decision rather than a knowledge answer, offer to run a structured risk-tier classification in-session.
中文简介正在准备中。当前显示原文说明。
This skill builds a structured audit trail of an AI-assisted task: what the tool was asked to do, what materials it was given, what it produced, how the output was verified, and what was ultimately relied upon. It documents the workflow for supervision and later review without ruling on privilege or disclosure, so the record stays accurate rather than self-serving.
中文简介正在准备中。当前显示原文说明。
Use this skill when the user wants an AI governance, legal-risk, privacy, compliance, procurement, or vendor-risk review of an internal AI use case, an AI product feature, an LLM workflow, or a third-party AI vendor. The skill asks intake and clarifying questions first when facts or evidence are missing, identifies required documentation and missing evidence, maps the use case to AI governance frameworks and applicable legal domains, and produces a preliminary or final governance review with scorecards, findings, owners, remediation actions, and follow-up questions.
中文简介正在准备中。当前显示原文说明。
Turn an interpretive-ambiguity audit of a legal text — contract, statute, regulation, or judicial opinion — into a polished deliverable. Produces a multi-page website (default), a single-page interactive site, a Microsoft Word document, a PowerPoint deck, or a LaTeX/PDF. Use whenever a user has a stress-test result, ambiguity audit, or "where will this be litigated" scenarios and wants to publish, present, or share them. Triggers on "publish the audit," "make a report from this," "turn this into a website / deck / brief / Word doc," "make a Netlify site," "build slides of these ambiguities," "render the scenarios," "package this stress test," "produce a LaTeX version," and similar. Pairs with the ambiguity-stress-test skill (the underlying analysis) but works on any structured or semi-structured ambiguity analysis. Visual design is opinionated but the user can override colors, fonts, and brand label. Most formats need Python and a writable filesystem; single-file HTML works where the host has neither.
中文简介正在准备中。当前显示原文说明。