学术科研技能：Claude Code 全流程研究助手

这是什么

Imbad0202/academic-research-skills (简称 ARS) 是一个基于 Claude Code 的综合性学术研究技能套件（Plugin），旨在覆盖从选题、文献综述到论文撰写及发表的完整学术工作流。该项目在 GitHub 上获得 22,735+ Star，主语言为 Python。

与试图直接“代写”论文的 AI 工具不同，ARS 定位为“副驾驶”（Copilot）。它通过苏格拉底式对话引导用户梳理论文结构，处理检索文献、格式化引用、数据验证和逻辑一致性检查等繁琐工作，让用户专注于核心智力活动：定义研究问题、选择方法、解读数据以及撰写核心论点。

该项目强调学术诚信，通过风格校准（Style Calibration）和学习用户过往写作习惯，帮助用户写出更符合个人风格且避免“机器感”的文本，而非掩盖 AI 的使用痕迹。

解决的问题

ARS 针对当前 AI 辅助学术研究中存在的几个核心痛点：

1. AI 幻觉与引用造假：引用 Zhao et al. (2026) 对 arXiv、bioRxiv 等平台上 250 万篇论文的审计数据，2025 年 alone 就有约 14.7 万条幻觉引用。ARS 通过引入信任链前置元数据（Trust-chain frontmatter）和三层引用锚点（Locator infrastructure），在引用时即提供风险信号，并在 v3.8 版本中增加了可选的审计流程，验证引用来源是否真正支持当前论点。
2. 完全自主 AI 研究的局限性：参考 Lu et al. (2026) 关于 The AI Scientist 的研究，完全自主的 AI 研究系统存在实现 bug、幻觉结果、捷径依赖、方法论捏造等固有缺陷。ARS 基于“人类研究者 + AI 增强”优于单一模式的假设，在流程中嵌入了 7 种模式的阻断检查清单（Integrity Gates），以规避这些失败模式。
3. 写作风格同质化：传统 AI 生成的文本往往具有明显的“机器生成”模式。ARS 提供风格校准功能，从用户过往作品中学习其独特语调，并通过写作质量检查捕捉并修正这些模式，提升文本的自然度和质量。
4. 学术工作流碎片化：从文献检索、实验执行到论文撰写、同行评审模拟，传统流程涉及多个工具。ARS 提供端到端的管道编排，整合了语义验证、图表验证和跨模型一致性检查。

核心功能

ARS 采用模块化架构，主要包含以下核心技能模块：

• Deep Research（深度研究）：
  • 集成 13 个智能体，支持苏格拉底式引导模式。
  • 支持 PRISMA 系统综述、意图检测和对话健康监控。
  • 可选跨模型对话代理（DA）和 Semantic Scholar API 验证。
• Academic Paper（学术论文撰写）：
  • 12 个智能体协作，涵盖风格校准、写作质量检查、LaTeX 硬化、可视化生成、修改辅导、引用转换。
  • 包含防泄露协议和 VLM（视觉语言模型）图表验证功能。
• Academic Paper Reviewer（论文评审模拟）：
  • 7 个智能体模拟多视角同行评审，包括编辑（EIC）、3 个动态评审员和“魔鬼代言人”。
  • 提供 0-100 分的质量评分量表，支持让步阈值协议和攻击强度保留。
  • 可选跨模型 DA 批评/校准，以及 R&R（修改重投）可追溯矩阵。
• Academic Pipeline（学术管道编排）：
  • 10 阶段管道协调器，具备自适应检查点、声明验证、材料护照（Material Passport）。
  • 支持可选的 repro_lock 和跨模型完整性验证。
• Experiment Agent（实验智能体）：
  • 填补 ARS Stage 1（研究）与 Stage 2（撰写）之间的空白。
  • 执行代码实验（Python, R 等）并实时监控，管理人类研究协议（含 IRB 伦理清单）。
  • 提供 11 种类型的统计谬误检测和可重复性验证。

版本演进亮点：

• v3.7.x：引入信任链前置元数据和三层引用锚点，应对大规模引用幻觉问题。
• v3.8：关闭 L3 声明保真度缺口，增加可选审计流程（ARS_CLAIM_AUDIT=1），对每个锚点抓取引用源并判断论点是否被支持。新增 5 个 HIGH-WARN 类（如 claim-not-supported, fabricated-reference）以通过格式化终端硬门控拒绝输出。

亮点 / 与同类相比

1. 强调“增强”而非“替代”： 大多数 AI 写作工具侧重于生成内容，而 ARS 明确区分了“人类飞行员”与“AI 副驾驶”的角色。它通过 Style Calibration 和 Writing Quality Check 帮助用户提升写作质量，而非简单地掩盖 AI 痕迹。

2. 严格的引用验证与审计机制： 针对 AI 幻觉引用的顽疾，ARS 在 v3.7.3 和 v3.8 中引入了行业领先的引用锚点和审计功能。它不仅仅生成引用，还通过 ARS_CLAIM_AUDIT 主动验证引用源是否支持论点，并标记“L3”保真度差距，这在同类工具中极为罕见。

3. 多智能体协作与模拟评审： 不同于单一线性的写作助手，ARS 模拟了真实的学术生产环境，包括多视角同行评审（模拟 EIC 和 Devil's Advocate）和深度研究团队。这种多智能体架构能提供更全面的反馈和更严谨的逻辑检查。

4. 数据访问与任务类型标注： 从 v3.3.2 开始，每个技能都声明了 data_access_level（raw/redacted/verified_only）和 task_type（open-ended/outcome-gradable），并遵循 Anthropic 的自动化研究模式。这提高了系统的透明度和安全性。

5. 跨模型验证与一致性检查： 支持跨模型（Cross-model）验证，确保在不同 AI 模型间的一致性，减少单一模型偏差带来的风险。

适合谁用 / 上手

适合人群：

• 高校研究生与博士生：需要处理大量文献综述、数据分析和论文撰写的研究人员。
• 学术作者：希望提升写作质量、确保引用准确性并模拟同行评审的学者。
• 需要严格遵循学术规范的研究团队：重视数据访问控制、实验可重复性和引用真实性的团队。

上手指南：

1. 环境要求：

   • 需要安装最新版本的 Claude Code (CLI 或 VS Code/JetBrains 插件)。
   • 设置 ANTHROPIC_API_KEY。
   • 可选：Pandoc (用于 DOCX 输出), tectonic + Source Han Serif TC (用于 APA 7.0 PDF 输出)。

2. 安装步骤 (v3.7.0+)：

   /plugin marketplace add Imbad0202/academic-research-skills
   /plugin install academic-research-skills
   

3. 快速验证：

   • 运行 /ars-plan 并描述一篇正在撰写的论文，ARS 将通过苏格拉底式对话引导你构建章节结构。
   • 或运行 /ars-lit-review "your topic" 进行单次文献综述测试。

4. 使用 Codex CLI 的用户：

   • 请安装兄弟项目 Imbad0202/academic-research-skills-codex，它提供了相同的流程内容，但以 Codex 原生打包形式提供，包含 ars-* 别名。

5. 文档资源：

   • docs/ARCHITECTURE.md：完整管道视图、流程图、