夜雨聆风Academic Research Skills（ARS）是一套运行在 Claude Code 上的学术研究技能套件，覆盖从文献检索、论文撰写、同行评审到修改定稿的完整科研流程。本文将从安装部署到高级配置，系统讲解如何利用 32+ 个 AI Agent 协作完成高质量学术论文，适合需要提升科研效率的研究者、研究生和学术作者阅读。
目录
概述 1.1 项目背景 1.2 核心特性 环境准备与安装 2.1 环境要求 2.2 安装方式一：插件安装（推荐） 2.3 安装方式二：符号链接安装 2.4 验证安装 快速上手 3.1 五分钟入门 3.2 四种核心技能概览 3.3 模式选择指南 功能操作详解 4.1 Deep Research：13 Agent 研究团队 4.2 Academic Paper：12 Agent 写作流水线 4.3 Academic Paper Reviewer：7 Agent 多视角评审 4.4 Academic Pipeline：10 阶段编排器 配置与定制 5.1 环境变量 5.2 Material Passport 与文献语料库 5.3 Claim Audit 声明审计 5.4 跨模型验证 使用技巧与最佳实践 6.1 成本控制 6.2 质量保障策略 6.3 中断恢复 6.4 多语言支持 常见问题与故障排除 实战案例 8.1 案例一：系统文献综述 8.2 案例二：从零撰写完整论文 总结
1. 概述
Academic Research Skills（ARS）是由 Cheng-I Wu（吳政宜）开发的开源 Claude Code 技能套件，在 GitHub 上已获得超过 10,700 颗星标和 1,100 次复刻。它通过将完整学术研究流程拆解为四个核心技能模块，用 32 个以上的专业 AI Agent 协同工作，将研究者从繁琐的文献检索、引用格式、数据校验等机械劳动中解放出来。
ARS 的设计哲学是"AI 是副驾驶，不是机长"——AI 负责查找参考文献、格式化引用、验证数据和检查逻辑一致性，而研究者始终掌握提出研究问题、选择方法论、解读数据和构建论证的主动权。
1.1 项目背景
学术写作的痛点集中体现在三个方面：文献检索耗时且容易遗漏关键研究；写作过程中引用格式和排版规范繁琐易错；修改阶段缺乏系统性的质量审查。ARS 针对这些痛点，将 Google PaperOrchestra（Song et al., 2026）的学术编排理念和 Anthropic automated-w2s-researcher 的验证机制工程化为可落地的 Claude Code 技能包。
1.2 核心特性
四技能模块化架构：Deep Research、Academic Paper、Academic Paper Reviewer、Academic Pipeline，可独立使用也可串联运行 完整性验证门禁：基于 Lu et al.（2026, Nature 651:914-919）的 7 模式 AI 故障检查清单，Stage 2.5 和 4.5 的完整性门禁不可跳过 三级数据隔离：原始数据（raw）、脱敏数据（redacted）、验证数据（verified_only）严格分离，写作 Agent 无法"看到答案" 引用定位系统：三层引用锚点（quote, page, section, paragraph），支持 Semantic Scholar、OpenAlex、Crossref 三索引交叉验证 写作风格校准：从过往论文中学习研究者写作习惯，避免生成千篇一律的"AI 风格"文本 反讨好协议：Devil's Advocate Agent 使用让步阈值（1-5 级），反驳强度不足 4 分时拒绝让步 成本低廉：完成一篇 15,000 字的论文全流程仅需约 $4-6 美元 API 费用 双语支持：英语和繁体中文，支持 APA 7.0（含中文规范）、Chicago、MLA、IEEE、Vancouver 引用格式 论文结构：IMRaD、专题文献综述、理论分析、案例研究、政策简报、会议论文
2. 环境准备与安装
2.1 环境要求
Claude Code（最新版本），可通过 curl -fsSL https://claude.ai/install.sh | bash安装已导出 ANTHROPIC_API_KEY环境变量可选依赖：Pandoc（用于 DOCX 输出）、tectonic + 思源宋體 TC（用于 APA 7.0 PDF 输出）
2.2 安装方式一：插件安装（推荐）
适用于 Claude Code v3.7.0 及以上版本，安装过程约 30 秒：
1 2
/plugin marketplace add Imbad0202/academic-research-skills/plugin install academic-research-skills
执行完成后，10 个斜杠命令和 3 个插件 Agent 会自动注册到当前 Claude Code 环境中。
2.3 安装方式二：符号链接安装
适用于需要精细控制技能文件位置的场景：
1 2 3 4 5 6 7
git clone https://github.com/Imbad0202/academic-research-skills.git ~/academic-research-skillscd /path/to/your/projectmkdir -p .claude/skillsln -s ~/academic-research-skills/deep-research .claude/skills/deep-researchln -s ~/academic-research-skills/academic-paper .claude/skills/academic-paperln -s ~/academic-research-skills/academic-paper-reviewer .claude/skills/academic-paper-reviewerln -s ~/academic-research-skills/academic-pipeline .claude/skills/academic-pipeline
每个技能必须位于 .claude/skills/<skill-name>/SKILL.md 路径下，Claude Code 才能自动发现。全局安装（~/.claude/skills/）和 Cowork 集成方式详见 docs/SETUP.md。
2.4 验证安装
在 Claude Code 中输入以下命令验证安装成功：
1
/ars-plan启动后将进入苏格拉底式对话，系统通过问答帮助你明确研究问题和论文章节结构。或者使用单次测试命令：
1
/ars-lit-review "your research topic"该命令直接触发文献综述模式，返回相关文献的摘要和分析。
3. 快速上手
3.1 五分钟入门
ARS 的使用门槛极低——你不需要记忆任何模式名称或参数。只需用自然语言描述你的研究意图，系统会自动识别意图并路由到正确的技能和模式。
启动 Claude Code 后，尝试以下任一场景：
表达模糊的研究想法：系统进入苏格拉底模式，通过 5-15 轮对话帮助你理清研究问题和研究方法 请求撰写论文：系统自动触发 Academic Paper 技能，可选计划模式逐步确认章节结构 请求评审论文：提供论文后系统启动多视角同行评审 表达完整论文需求：系统触发 10 阶段全流程编排
流程执行说明：
意图检测阶段：系统自动区分"探索性意图"（用户还在思考阶段）和"目标导向意图"（用户明确知道要什么） 模式路由阶段：从 40 多种模式组合中选择最匹配的技能和模式 任务执行阶段：多个 Agent 协同工作，用户可在任意阶段介入指导
3.2 四种核心技能概览
3.3 模式选择指南
4. 功能操作详解
4.1 Deep Research：13 Agent 研究团队
Deep Research 负责学术研究的"输入端"——文献检索、文献综述、事实核查和系统性回顾。它是全流程中最先启动的模块。
7 种运行模式：
full：完整研究流程，包含多次迭代和验证 quick：快速文献摘要，适合初步了解一个领域 systematic-review：遵循 PRISMA 指南的系统文献综述 socratic：苏格拉底式引导研究，适合还在厘清研究思路的阶段 fact-check：对特定声明进行事实核查，调用 Semantic Scholar API 验证 lit-review：针对性文献综述 review：对已有研究成果进行批判性审视
流程执行说明：
苏格拉底模式每 5 轮对话进行一次对话健康度评估，防止 AI 陷入"框架锁定"——即在给定框架内不断优化但无法质疑框架本身 Semantic Scholar API 验证作为机器门禁自动运行，不依赖用户手动确认 文献语料库（Literature Corpus）支持从 Zotero、Obsidian、本地文件夹导入，参考适配器脚本位于 scripts/adapters/
关键命令：
1 2 3
/ars-deep-research 启动完整深度研究/ars-lit-review "topic" 快速文献综述/ars-plan 苏格拉底式研究规划
4.2 Academic Paper：12 Agent 写作流水线
Academic Paper 是论文撰写的主力模块，负责从大纲规划到最终定稿的完整写作流程。
10 种运行模式：
full：完整论文撰写，包含所有阶段 plan：交互式章节规划（苏格拉底对话引导） outline-only：仅生成论文大纲 revision：基于审稿意见的修改 revision-coach：修改辅导模式，教你如何回应审稿意见 abstract-only：仅生成摘要 lit-review：生成文献综述章节 format-convert：引用格式转换（APA、Chicago、MLA、IEEE、Vancouver） citation-check：引用完整性检查 disclosure：AI 使用声明生成
流程执行说明：
风格校准是可选步骤，需要用户提供过往论文作为风格参考，AI 从中提取写作习惯和表达偏好 质量检查器在每次草稿生成后自动运行，检查逻辑一致性、引用完整性和学术规范 输出格式支持 APA 7.0（默认，含中文引用规范）、Chicago、MLA、IEEE、Vancouver 论文结构可选择 IMRaD、专题文献综述、理论分析、案例研究、政策简报、会议论文
关键命令：
1 2 3 4 5 6
/ars-outline 生成论文大纲/ars-abstract 生成摘要/ars-citation-check 引用完整性检查/ars-disclosure AI 使用声明/ars-revision 修改工作流/ars-full 完整论文撰写
4.3 Academic Paper Reviewer：7 Agent 多视角评审
Academic Paper Reviewer 模拟真实学术期刊的同行评审流程，提供多视角、多轮次的审稿意见。
6 种运行模式：
full：完整评审流程（主编 + 3 位动态评审人 + Devil's Advocate） quick：快速评审 guided：引导式评审 methodology-focus：方法论专项评审 re-review：修订后重新评审 calibration：评审标准校准
评审决策阈值：
流程执行说明：
Sprint Contract 机制：评审人在看到论文正文之前先提交评审计划，确保评审标准独立于论文内容 Devil's Advocate 使用让步阈值（1-5 级），只有当反驳强度评分 >= 4 时才会让步，防止 AI 过度讨好用户 R&R 可追溯矩阵记录每轮修改与审稿意见的对应关系，修改覆盖度可视化 支持跨模型验证（ ARS_CROSS_MODEL），用第二个模型进行独立的批判性审查
4.4 Academic Pipeline：10 阶段编排器
Academic Pipeline 是 ARS 的核心编排器，将上述三个技能串联为完整的 10 阶段研究流水线，并管理各阶段之间的数据流转和质量门禁。
10 个阶段：
门禁类型说明：
[决策] 决策节点：需要用户做出选择或确认 [强制] 强制门禁：机器自动验证，不通过不能进入下一阶段 [自动] 机器门禁：自动检查，咨询性不阻塞
流程执行说明：
Stage 2.5 使用基于 Lu et al.（2026）的 7 模式 AI 故障检查清单，包括：实施 bug、幻觉结果、方法论编造、引用幻觉、捷径依赖、框架锁定、过度自信 Stage 4.5 是"零容忍"深度复查：2.5 阶段标记为 SUSPECTED 的任何模式在 4.5 阶段必须为 CLEAR 或用户手动 Override 才能通过 自适应检查点有三种级别：FULL（完整检查）、SLIM（简化）、MANDATORY（不可跳过） Material Passport 在 Stage 2.5 和 4.5 之间传递，携带文献语料库和来源追踪信息
5. 配置与定制
5.1 环境变量
ARS_CROSS_MODEL | ||
ARS_CROSS_MODEL_SAMPLE_INTERVAL | ||
ARS_SOCRATIC_READING_PROBE=1 | ||
ARS_PASSPORT_RESET=1 | ||
ARS_CLAIM_AUDIT=1 |
5.2 Material Passport 与文献语料库
Material Passport 是跨会话的数据传递机制，允许研究者在不同工作会话之间保持上下文连续性。
核心功能：
携带可选的 literature_corpus[]字段，导入已有文献库三个参考适配器位于 scripts/adapters/：folder_scan.py（文件夹扫描）、zotero.py（Zotero 导入）、obsidian.py（Obsidian 导入）通过 scripts/check_literature_corpus_schema.py验证格式
文献语料库四条铁律：
语料库和外部检索使用相同的纳入/排除标准 不允许静默跳过任何文献条目 只读访问（不允许修改原文） 解析失败时优雅降级，输出 [CORPUS PARSE FAILURE: <cause>]并回退到外部数据库检索
跨会话恢复：
1
resume_from_passport=<hash>前提是上一个会话启用了 ARS_PASSPORT_RESET=1。
5.3 Claim Audit 声明审计
v3.8.0 引入的可选 L3 声明忠实度审计，通过 ARS_CLAIM_AUDIT=1 启用。
工作流程：
系统检索每个引用锚点对应的源文本 claim_ref_alignment_audit_agent判断论文声明是否确实得到引用来源的支持五类 HIGH-WARN 标注：付费墙阻挡、伪造引用、无锚点声明、审计工具失败、不支持的断言 最终判定矩阵覆盖 8 种情形，在 Stage 5 触发格式化器 REFUSE 规则 6-10
校准标准： 在 20 元组黄金验证集上要求 FNR < 0.15 且 FPR < 0.10。
5.4 跨模型验证
通过设置 ARS_CROSS_MODEL 环境变量，可以启用第二个 AI 模型进行独立的批判性审查。这个机制在以下场景特别有效：
同行评审阶段：用不同模型作为独立的 Devil's Advocate 评审校准：用第二个模型验证评审结论的一致性 对抗性分析：发现单一模型可能遗漏的逻辑漏洞
6. 使用技巧与最佳实践
6.1 成本控制
一篇 15,000 字的论文通过完整 10 阶段流水线的 API 费用约为 $4-6 美元 选择 quick 模式或 lit-review 模式可以显著降低成本（约减少 60-70%） 在初步探索阶段使用 socratic 模式，对话成本极低，适合反复推敲研究思路 分阶段运行比一次性全流程运行更经济，便于在每个阶段检查结果后决定是否继续
6.2 质量保障策略
Stage 2.5 和 4.5 的完整性门禁不可跳过，这是保障论文质量的核心机制 建议始终启用跨模型验证（ ARS_CROSS_MODEL），用第二个模型的"陌生视角"发现潜在问题如果论文将提交到期刊，建议启用 ARS_CLAIM_AUDIT=1进行声明忠实度审计利用 R&R 可追溯矩阵确保每条审稿意见都有对应的修改回应
6.3 中断恢复
在可能中断的长流程前设置 ARS_PASSPORT_RESET=1，系统会在每个 FULL 检查点写入恢复边界恢复命令格式： resume_from_passport=<hash>恢复边界使用 JSON Canonical Form + SHA-256 哈希，通过 scripts/check_passport_reset_contract.py验证完整性并发控制使用 POSIX fcntl.flock LOCK_EX，超时 60 秒
6.4 多语言支持
默认支持英语和繁体中文，意图检测可在任意语言下工作 APA 7.0 引用格式自动适配中文引用规范 双语摘要（中文 + 英文）自动生成
7. 常见问题与故障排除
安装后 /ars-plan无法识别：检查技能文件是否位于.claude/skills/<skill-name>/SKILL.md路径下，确保符号链接未断裂苏格拉底模式过早收敛：系统已内置意图检测机制区分探索性和目标导向意图，若问题持续可明确表达"我还在探索阶段"来触发 文献检索结果不相关：尝试使用 systematic-review 模式，该模式遵循 PRISMA 指南，检索更系统化 Stage 2.5 完整性验证反复失败：检查是否有文献引用来源不可靠或数据支撑不足，这是门禁按设计运作的表现；最多支持 3 次重试 Material Passport 恢复失败：确认上一个会话启用了 ARS_PASSPORT_RESET=1，且使用的哈希值正确引用格式不符合期刊要求：使用 academic-paper 的 format-convert 模式，手动指定目标格式（APA、Chicago、MLA、IEEE、Vancouver） API 费用超出预期：检查是否启用了不必要的可选功能（如跨模型验证、声明审计），在探索阶段使用 quick 或 socratic 模式
8. 实战案例
8.1 案例一：系统文献综述
场景： 一位教育学博士生需要完成关于"AI 在高等教育质量保障中的应用"的系统文献综述，需要遵循 PRISMA 指南。
操作步骤：
在 Claude Code 中输入： /ars-lit-review "AI in higher education quality assurance -- systematic review"系统自动进入 Deep Research 的 systematic-review 模式 AI 检索 Semantic Scholar 和相关数据库，返回结构化的文献列表 用户确认纳入/排除标准后，系统生成 PRISMA 流程图和文献综述草稿 用户补充自己的 Zotero 文献库（通过 Material Passport 导入），约 30 篇已有文献 系统将语料库文献与外部检索结果合并，按"语料库优先、检索补充"原则去重 最终生成包含 80+ 篇文献的系统综述初稿，耗时约 45 分钟
关键收获：
PRISMA 流程图自动生成，节省了大量手动整理的时间 语料库导入功能避免了已有文献的重复检索 完整性门禁在 2.5 阶段标记了 3 篇引用来源可疑的文献，用户核实后手动排除了其中 2 篇
8.2 案例二：从零撰写完整论文
场景： 一位社会学研究者需要撰写关于"人口下降对私立大学的影响"的完整学术论文，从研究设计到最终定稿。
操作步骤：
在 Claude Code 中描述完整研究意图 Stage 1-2：系统进入 socratic 模式，通过 8 轮对话明确研究问题、理论框架和研究方法 用户确认研究简报（RQ Brief）和大纲 Stage 2.5：完整性门禁自动验证 7 个维度，全部 CLEAR 通过 Stage 3：Academic Paper 生成初稿（约 12,000 字） Stage 3'：Academic Paper Reviewer 提供三视角评审，Devil's Advocate 找出 4 处逻辑弱点 Stage 4：根据评审意见修改，R&R 矩阵追踪每条建议的处理状态 Stage 4.5：零容忍复查，之前的 SUSPECTED 项全部转为 CLEAR Stage 5：格式化为 APA 7.0，引用自动转换为目标期刊格式 Stage 6：最终交付，包含论文正文、参考文献和 AI 使用声明
总耗时： 约 3 小时（含用户决策和修改时间）总费用： 约 $5.2 美元 API 费用成果： 15,000 字完整论文，包含 67 条引用，符合 APA 7.0 格式要求
9. 总结
Academic Research Skills 是目前最完整的开源学术研究 AI 辅助工具集，它的核心价值不在于替代研究者的思考，而在于承担那些重复性高、机械性强却不可省略的环节。
适合使用 ARS 的场景：有明确研究问题但需要文献梳理和写作辅助；需要系统性文献综述且遵循 PRISMA 等标准；英文论文写作需要引用格式和语言润色；已有论文需要多视角的模拟同行评审 不适合使用 ARS 的场景：研究问题本身尚未经过充分思考；需要高度原创的理论建构；涉及敏感数据或需要高度保密的研究项目 学习路径建议：从 /ars-plan开始体验苏格拉底式对话，然后用/ars-lit-review尝试文献综述，最后逐步探索完整流水线ARS 的开源社区活跃，问题可通过 GitHub Issues 反馈，项目地址：https://github.com/Imbad0202/academic-research-skills
参考文献
[1] Academic Research Skills GitHub 仓库：https://github.com/Imbad0202/academic-research-skills
[2] ARS 快速入门指南：https://github.com/Imbad0202/academic-research-skills/blob/main/QUICKSTART.md
[3] ARS 架构文档：https://github.com/Imbad0202/academic-research-skills/blob/main/docs/ARCHITECTURE.md
[4] ARS 繁体中文 README：https://github.com/Imbad0202/academic-research-skills/blob/main/README.zh-TW.md
[5] Lu et al. (2026). "AI failure modes in academic research." Nature, 651, 914-919
[6] Song et al. (2026). PaperOrchestra — academic pipeline orchestration
[7] Claude Code 官方文档：https://docs.anthropic.com/en/docs/claude-code
