1. 科研投稿场景下的 response letter 模板到底解决什么问题投稿被要求大修最耗时的往往不是补实验而是写 response letter。审稿人给了一二十条意见编辑要求逐条回复还要在正文里标红修改位置。手工写一份结构完整、语气得体、覆盖全部审稿点的回复信通常要花掉一整个下午。response letter 模板的核心价值是把「逐条引用审稿意见 说明理解 指出原文写法 描述修改动作 引用修改后段落」这套固定结构固化下来。你只需要把审稿意见和修改内容填进占位符剩下的格式、语气、编号交给模板和模型处理。适合谁用正在准备 major revision / minor revision 的硕博生、青年老师、科研助理。尤其是同时投了多篇、手里攒着好几份审稿意见要回的人。我试过纯手工写三份 response letter写到第二份就开始复制粘贴上一份的句式结果编号错乱、漏回一条意见被编辑在 decision letter 里点名。后来把模板骨架和变量占位符固定下来再用统一 Key 调 API 生成草稿最后人工核对覆盖度整个流程压缩到四十分钟以内。这篇要讲的就是这套流程一份可复制的 response letter 模板骨架、变量占位符怎么配、用 TaoToken 统一 Key 调 API 生成草稿与做格式校验、以及替换占位符后怎么验证回复覆盖了全部审稿点。核心检索词先摆出来response letter 模板是一份结构化的回复信骨架能帮你逐条回应审稿意见、标注修改位置、保持礼貌语气它适合科研投稿返修场景配合大模型 API 可以快速生成草稿并做覆盖度校验。下面从模板骨架开始一步步走到可运行的 API 调用和验证动作。2. TaoToken 统一 Key 的前置准备与 response letter 工作流定位在讲配置之前先说清楚 TaoToken 在这套工作流里扮演什么角色。它提供统一的 API 入口你用同一个 Key 就能调用不同的大模型来完成 response letter 的草稿生成、语气润色、覆盖度检查。官网地址是 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_mediumcsdnutm_campaignrewriteutm_content API 入口是 https://taotoken.net/api 。为什么科研场景适合用统一 Keyresponse letter 的生成任务其实分好几步草稿生成需要长上下文和较强的指令遵循能力语气润色需要偏学术的表达覆盖度校验需要模型能逐条比对。不同步骤对模型偏好不同统一 Key 的好处是你不用为每个模型单独管理一套鉴权和计费切换模型只改一个 model 字段。前置准备分三件事。第一件拿到 API Key。进入控制台创建 Key地址是 https://taotoken.net/console?utm_sourcetaotoken_aicg_blog_endutm_contentconsoleutm_campaignrewrite 创建后在 API Keys 页面复制地址是 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。Key 只显示一次复制后存到本地环境变量别写进代码仓库。第二件确认你要用的模型 ID。response letter 这种任务建议选长上下文、指令遵循稳的模型。具体模型 ID 以控制台和文档里列出的为准文档地址 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite 。不要凭记忆写模型名写错了会直接报 model not found。第三件想清楚工作流的分工。我的做法是模板骨架自己维护占位符自己填模型只负责把填好的结构化输入转成通顺的回复段落以及最后做一遍覆盖度自检。这样模型出错的影响面可控你也不会拿到一封看起来漂亮但漏了意见的信。如果你后续要把这套流程做成长期跑的脚本或者接进自己的 Agent 工作流可以考虑 Coding Plan地址 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。单纯写 response letter 的话按量调用就够了。这里要提醒一句TaoToken 是 API 接入层不是编辑器也不替代你的 Word/LaTeX 排版。它负责生成文本最终排版、标红、编号核对还是要在你的写作工具里完成。环境变量先配好后面所有步骤都依赖它export TAOTOKEN_API_KEYsk-你的Key export TAOTOKEN_BASE_URLhttps://taotoken.net/api配完用echo $TAOTOKEN_API_KEY确认非空。这一步看着简单但后面 401 报错十有八九是这里没生效比如在另一个终端窗口跑的脚本。3. 可复制的 response letter 模板骨架与变量占位符配置这一节给出可以直接抄走的模板骨架以及配套的 JSON 配置文件。模板分两部分给编辑的 cover letter 部分和逐条回复部分。先看模板骨架。占位符统一用双花括号方便后续用脚本替换也避免和正文里的普通括号冲突。Dear {{EDITOR_TITLE}} {{EDITOR_FAMILY_NAME}}, Thank you very much for your letter and the opportunity to revise our manuscript entitled {{MANUSCRIPT_TITLE}} (Manuscript ID: {{MANUSCRIPT_ID}}). We have carefully considered all the comments and revised the manuscript accordingly. The amendments are highlighted in {{HIGHLIGHT_COLOR}} in the revised manuscript. Point-by-point responses are listed below. We would like to express our sincere thanks to the reviewers for the constructive and positive comments. Replies to Reviewer {{REVIEWER_INDEX}} Comment {{COMMENT_INDEX}}: {{COMMENT_QUOTE}} Answer: {{ANSWER_BODY}} {{#if REVISED_TEXT}} The related statement in the revised manuscript is as follows ({{REVISED_LOCATION}}): {{REVISED_TEXT}} {{/if}} We hope that the revised version is now acceptable for publication in your journal. I look forward to hearing from you soon. With best wishes, Yours sincerely, {{CORRESPONDING_AUTHOR}}这个骨架里{{COMMENT_QUOTE}}一定要放审稿人原文不要转述。直接引用原文有两个好处一是表明你没有歪曲意见二是编辑核对时一眼能对上。{{ANSWER_BODY}}是模型主要帮你生成的部分结构建议按「理解意见 → 原文写法 → 修改动作 → 修改后段落」四段走。接下来是变量占位符的配置文件。用 JSON 存路径建议放在项目根目录的response_letter/config.json和你的稿件放一起方便版本管理。{ EDITOR_TITLE: Dr., EDITOR_FAMILY_NAME: Smith, MANUSCRIPT_TITLE: Performance Analysis of Rate Adaptation in Dense WLANs, MANUSCRIPT_ID: J-SAC-2024-0123, HIGHLIGHT_COLOR: red, CORRESPONDING_AUTHOR: Zhang Wei, REVIEWERS: [ { REVIEWER_INDEX: 1, COMMENTS: [ { COMMENT_INDEX: 1, COMMENT_QUOTE: The reference to Bianchis model published in 2000 is a bit obsolete., ANSWER_BODY: , REVISED_LOCATION: Paragraph 2, Section I, REVISED_TEXT: } ] } ] }ANSWER_BODY和REVISED_TEXT先留空交给模型生成或你自己填。REVISED_LOCATION要写清楚是第几段第几节编辑和审稿人会去核对。如果你用 Claude Code 或 Cline 这类工具来跑这套流程配置里要写全三件套Base URL、Key、Model ID。以 Claude Code 的 settings 为例路径是~/.claude/settings.json{ env: { ANTHROPIC_BASE_URL: https://taotoken.net/api, ANTHROPIC_API_KEY: sk-你的Key, ANTHROPIC_MODEL: 你的模型ID } }注意 Base URL 这里不带 UTM 参数就是纯 API 地址。Model ID 以文档为准别照抄示例里的占位。模板和配置准备好之后下一步就是写调用脚本把 JSON 里的每条 comment 喂给模型生成ANSWER_BODY。这里有个细节不要把整份 JSON 一次性丢给模型让它输出完整 JSON模型容易在长输出里丢字段。更稳的做法是逐条 comment 调用每次只让它生成一条的 answer然后你回填到 JSON 里。4. 用统一 Key 调用 API 生成草稿并做格式校验这一节给出可运行的 Python 脚本分两个功能生成 answer 草稿以及做覆盖度校验。先装依赖pip install openai用 OpenAI 兼容的 SDK 调 TaoToken因为接口是兼容的改 base_url 就行。生成草稿的脚本保存为gen_answer.pyimport json import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) SYSTEM_PROMPT You are an academic response letter assistant. Given a reviewer comment and the authors revision notes, write the Answer body. Structure the answer as four parts: 1. Restate your understanding of the comment. 2. Describe how the original manuscript was written (if relevant). 3. Describe what you changed and why. 4. Quote the revised text if provided. Keep the tone polite and academic. Do not invent experiments or data. If the author disagrees with the comment, provide a reasoned, evidence-based explanation. Output plain text only, no markdown headers. def gen_answer(comment_quote, revision_notes, revised_text): user_prompt fReviewer comment: {comment_quote} Author revision notes: {revision_notes} Revised text (may be empty): {revised_text} Write the Answer body. resp client.chat.completions.create( model你的模型ID, messages[ {role: system, content: SYSTEM_PROMPT}, {role: user, content: user_prompt}, ], temperature0.3, ) return resp.choices[0].message.content.strip() if __name__ __main__: with open(response_letter/config.json, r, encodingutf-8) as f: cfg json.load(f) for reviewer in cfg[REVIEWERS]: for c in reviewer[COMMENTS]: if c[ANSWER_BODY]: continue notes input(fReviewer {reviewer[REVIEWER_INDEX]} Comment {c[COMMENT_INDEX]} 修改说明: ) c[ANSWER_BODY] gen_answer( c[COMMENT_QUOTE], notes, c.get(REVISED_TEXT, ) ) print(--- generated ---) print(c[ANSWER_BODY]) with open(response_letter/config_filled.json, w, encodingutf-8) as f: json.dump(cfg, f, ensure_asciiFalse, indent2)跑之前确认model字段填的是文档里列出的真实模型 ID。运行python gen_answer.py脚本会逐条问你修改说明生成 answer 后写回config_filled.json。temperature 设 0.3 是为了让输出稳定response letter 不需要创意。生成完草稿做覆盖度校验。这一步是防止漏回审稿点。脚本保存为check_coverage.pyimport json import os from openai import OpenAI client OpenAI( api_keyos.environ[TAOTOKEN_API_KEY], base_urlos.environ[TAOTOKEN_BASE_URL], ) CHECK_PROMPT You are a strict reviewer. Given a list of reviewer comments and a response letter draft, check whether every comment is addressed. For each comment, output one line: Comment index: COVERED or MISSING - reason Be strict. A comment is COVERED only if the draft explicitly responds to it. def check(comments, draft): user_prompt Comments:\n for i, c in enumerate(comments, 1): user_prompt f{i}. {c}\n user_prompt f\nDraft:\n{draft}\n\nNow check coverage. resp client.chat.completions.create( model你的模型ID, messages[ {role: system, content: CHECK_PROMPT}, {role: user, content: user_prompt}, ], temperature0, ) return resp.choices[0].message.content.strip() if __name__ __main__: with open(response_letter/config_filled.json, r, encodingutf-8) as f: cfg json.load(f) comments [] draft_parts [] for r in cfg[REVIEWERS]: for c in r[COMMENTS]: comments.append(c[COMMENT_QUOTE]) draft_parts.append(fComment {c[COMMENT_INDEX]}: {c[COMMENT_QUOTE]}\nAnswer: {c[ANSWER_BODY]}) draft \n\n.join(draft_parts) print(check(comments, draft))运行python check_coverage.py输出会逐条告诉你 COVERED 还是 MISSING。MISSING 的回去补 answer再跑一遍。这一步比人工核对快而且不会因为看花了眼漏掉。格式校验还有一层检查占位符有没有残留。用一条命令扫grep -n {{ response_letter/config_filled.json如果还有{{说明有占位符没替换回去补。这一步很关键我见过有人把{{EDITOR_FAMILY_NAME}}原样发出去编辑看到直接退回。5. 本篇常见报错排查401、local proxy failed、reading choices、OAuth跑这套流程时报错基本集中在几个地方。逐个说清楚现象、原因、解决。401 Unauthorized。现象是调用直接返回 401提示 invalid api key 或 authentication failed。原因通常是环境变量没生效或者 Key 复制时带了空格。排查顺序先echo $TAOTOKEN_API_KEY看是不是空再看有没有多余空格最后确认 Key 没被撤销。如果你在 Claude Code 里遇到 401检查~/.claude/settings.json里的ANTHROPIC_API_KEY是不是写成了别的变量名或者 Base URL 写错了路径。local proxy failed。现象是连接被拒绝或超时提示 proxy 相关。这个报错通常和本地网络配置有关。检查你的环境变量里有没有HTTP_PROXY、HTTPS_PROXY这类设置如果有先 unset 掉再跑。另外确认TAOTOKEN_BASE_URL写的是https://taotoken.net/api不要多写或少写路径段。reading choices 报错。现象是KeyError: choices或AttributeError: NoneType object has no attribute choices。原因是返回体结构和你预期的不一样常见于模型 ID 写错、请求被拒、或者返回了错误对象。排查把resp整个打印出来看结构确认resp.choices存在。如果返回的是错误信息里面会写清楚原因比如 model not found 或 context length exceeded。模型 ID 一定以文档为准别用记忆里的名字。OAuth 相关报错。现象是提示需要登录或 token 过期。如果你用的是 Claude Code 这类工具它可能默认走 OAuth 登录流程而不是 API Key。这时候要在 settings 里显式配置 API Key 和 Base URL让它走 Key 鉴权。配置三件套写全Base URL、Key、Model ID缺一个都可能回退到 OAuth 流程然后失败。还有一个不报错但很坑的情况模型返回了 answer但内容是空的或者只有一句「Thank you」。这通常是 prompt 里没给足够的修改说明模型没东西可写。解决是把revision_notes写具体比如「我把 reference [3] 更新为 2005 年的版本并在 Section I 第二段补充了说明」而不是只写「更新了引用」。覆盖度校验返回全 MISSING。先确认你传给 check 的 draft 是不是空的再看 comments 列表有没有正确加载。如果 draft 正常但全 MISSING可能是模型太严格把「间接回应」也算成没覆盖。这时候人工看一眼确认确实回应了就放行。最后提醒所有报错排查完跑通一次完整流程后把环境变量和配置固定下来别每次改来改去。科研场景下流程稳定比参数调优重要。6. 从模板到成稿把 response letter 工作流固定下来走到这里你已经有了模板骨架、JSON 配置、生成脚本、校验脚本。剩下的就是把它变成你的固定流程。我的做法是建一个response_letter目录里面放config.json、gen_answer.py、check_coverage.py每次返修复制一份改MANUSCRIPT_ID。生成完草稿后人工过一遍语气和事实再贴回 Word 排版标红。验证动作再强调一遍替换完所有占位符后跑check_coverage.py确认每条 comment 都是 COVERED再grep {{确认没有残留占位符。这两步做完回复信才算可以发。如果你要把这套流程接进更长的科研工作流比如自动读审稿意见邮件、自动生成草稿、自动校验可以考虑用 Coding Plan 来跑长期任务地址 https://taotoken.net/coding-plan?utm_sourcetaotoken_aicg_blog_endutm_contentcoding-planutm_campaignrewrite 。单纯写 response letter按量调用就够。需要快速验证模型输出效果可以到模型对话页面直接试地址 https://taotoken.net/?utm_sourcetaotoken_aicg_blog_endutm_contentmodel-chatutm_campaignrewrite 。接入文档在 https://taotoken.net/doc?utm_sourcetaotoken_aicg_blog_endutm_contentdocutm_campaignrewrite API Key 在 https://taotoken.net/api-keys?utm_sourcetaotoken_aicg_blog_endutm_contentapi-keysutm_campaignrewrite 。最后说个实用技巧response letter 里最容易出错的是编号。Reviewer 1 的 Comment 3 和 Reviewer 2 的 Comment 3 是两回事模板里用REVIEWER_INDEX和COMMENT_INDEX两级编号就是为了避免混淆。生成草稿后把编号和审稿意见原文对一遍确认没有错位。这一步花两分钟能省掉编辑退回重改的一周。