夜雨聆风
1 4个skill，跑通整套科研流程
ARS的核心架构由4个skill组成，它们各司其职，拼在一起就是一条从选题到交稿的完整链路。
Deep Research是一支13个Agent的研究团队。
负责文献调研、研究问题构建、方法论设计，还能写系统性的PRISMA综述。
有专门做文献溯源的Agent，会调用Semantic Scholar API验证每一篇引用的真实性；有苏格拉底导师Agent，通过对话引导研究者理清思路；还有魔鬼代言人Agent，专门挑刺，防止研究者在早期就陷入思维定式。
Academic Paper是一支12个Agent的写作团队。
从大纲设计、论证构建、草稿撰写，到双语摘要生成、图表可视化、引用格式转换，全流程覆盖。
支持风格校准功能，AI会学习你过往作品的写作风格，让输出更像你自己写的，而不是千篇一律的AI味。
输出格式支持Markdown、DOCX、LaTeX，最终可以编译成APA 7.0或IEEE格式的PDF。
Academic Paper Reviewer是一支7个Agent的审稿团队。
模拟真实学术期刊的评审流程，由主编EIC带领三位领域审稿人，再加上一个魔鬼代言人，从方法论、学科视角、跨学科价值等多个维度打分。
评分采用0到100的量化标准，80分以上接受，65到79小修，50到64大修，50以下拒稿。
审稿团队还会输出详细的修改路线图，告诉作者下一步该做什么。
Academic Pipeline是流程编排器，把前面三个团队串联成一条10阶段的流水线。
从研究、写作、完整性检查、同行评审、修订、最终检查，到发表准备和流程总结，每个阶段都有明确的产物和检查点。
在任意阶段插入，比如已经有了初稿，就从Stage 2.5的完整性检查开始；收到了审稿意见，直接从Stage 4的修订切入。
2 系统性防止AI搞砸学术研究
引用核验。
AI写论文最忌讳的，就是幻觉引用——不只是编造不存在的文章，还包括标题相似但作者年份全错、DOI真实但内容对不上等更隐蔽的情况。
ARS在Deep Research阶段就埋了一个引用核验机制，每一篇文献都要过Semantic Scholar API的存在性确认。
不是简单查一下标题对不对，而是用Levenshtein相似度算法做模糊匹配，阈值设在0.70以上才算通过。
实测中，这套机制在一篇真实论文里抓到了15个伪造引用和3个统计错误。
完整性闸门。
在流水线的Stage 2.5和Stage 4.5，有两道不可跳过的完整性闸门，会运行一份7项AI失败模式检查清单。
这份清单直接来自2026年Nature上发表的一项全自主AI科研研究，其中总结了7种翻车模式，覆盖引用幻觉、数据捏造、方法论造假等情形。
任何在2.5被标记为SUSPECTED的问题，必须在4.5变成CLEAR，或者由人工手动覆盖并留下记录。
设计逻辑是：把「我相信AI不会出错」变成「我要求AI证明它没出错」。
反谄媚协议。
大多数AI工具都有一个隐形毛病——讨好用户。
你让它改，它就改，哪怕改得更差。
审稿团队里的Devil's Advocate（魔鬼代言人）专门负责挑刺，但挑完刺之后还有让步阈值协议：DA的反驳会被评分1到5，如果低于4分，写作团队不允许承认。换
AI不能为了显得好合作就轻易让步。
评分轨迹也会被追踪，任何维度的分数下降都会被标记为回归——改一个地方不能搞砸另一个地方。
三层数据隔离。
ARS把数据流严格分成三层：Layer 1是原始输入（默认不可信），Layer 2是通过完整性验证后的产物，Layer 3是评分标准、参考答案和金标数据——这层材料永远不能出现在写作AI的上下文中。
写作团队和审稿团队分两次独立调用，写作AI只能收到审稿AI的自然语言反馈，但看不到原始的评分标准，也不知道每个维度占多少分。
诚实文档化。
学术界经常遇到「这个结果我复现不了」的问题。
ARS给每个产物生成一个repro_lock文件，记录运行时的完整配置。
文件里有一段强制声明：LLM输出不是字节级可复现的，模型提供商会更新权重而不改模型ID，外部API每天返回不同的数据。
这个文件只是配置文档，不是重放保证。
3 费用透明，安装简单
作者推荐使用Claude Opus 4.7搭配Max订阅计划。完整跑完10个阶段，单次可消耗超过20万输入token和10万输出token，单独使用某个子模块则少得多。
一篇1.5万字的论文，全程跑下来大约4到6美元。以往，完成一篇深度研究通常需要漫长的人力调研与多次反复修改，而今，通过4-6美元的算力成本即可跑通一套自动化流水线。
安装方式也很简单。如果你已经在用Claude Code，只需要两行命令：
/plugin marketplace add Imbad0202/academic-research-skills/plugin install academic-research-skills/ars-plan验证安装是否成功运行：/ars-plan
如果你偏好单条命令测试，也可以用：/ars-lit-review "你的研究主题"。
最简单的安装办法，其实是直接把SKILL.md上传到claude.ai项目知识。
4 重构学术生产范式
从AI辅助科研的演进来看，ARS标志着从「语义生成」到「流程工程」的范式跨越。
过去两年，学术界对AI的讨论多集中在模型输出的准确度上，而ARS将学术写作从「对话生成」转变为「过程可控、验证严谨」的工程化流水线。
技术演进背后是商业与生态的深远变革。
当写作变得廉价，同行评审的重心将不可避免地从「文本质量」向「方法论创新」和「实证真实性」转移。
未来期刊审稿系统可能会直接接入此类API，对论文草稿进行预审稿。
科研界将出现类似于「GitHub」的技能商店，研究员可以直接下载课题组公认的优质研究路径。
谁能在AI学术浪潮中沉淀出最高效、最合规的Skill流程资产，谁就掌握了未来知识生产的主动权。
在AI可以轻松模仿人类学术风格的未来，人类学者的核心价值将是来源于对AI生产路径的审慎批判与方向指引——问题识别、方法选择、数据解读，以及「我认为……」后面那一句独到的见解。
链接：https://github.com/Imbad0202/academic-research-skills
