夜雨聆风全文约 3636 字 · 阅读约 9 分钟
项目信号：★370 stars、25 forks、0 人 watch、1 个未解决 issue，主要语言 Python，MIT 协议，创建于 2026-04-27，最近一次推送停在 2026-04-29。两天写完，三个月没再动过，星数却涨到 370，说明有人在用，作者暂时没有继续维护。
关键词及解析：
- Skill：一套写给 AI 的说明书，把某个专业活的方法、规则和参考资料打包成文件，模型读了就照着做。
- 文本评估引擎：用正则表达式和术语表逐行扫描你的稿子，命中预设模式就报错，整个判断过程不经过大模型。
- 防幻觉规则 R1-R4：作者写在所有写作指导前面的四条硬规定，不编造文献、不虚构引文、不捏造数据。
- 五层文献拆解法：把一篇文献按元信息、论证结构、证据标记、与你论文的关系、跨文献比对五层拆开读。
它把"论文该怎么写"拆成了两半，一半是喂给模型的方法论，另一半是压根不经过模型的确定性检查。
项目结构
对着结构图能看清这两半各在哪。`SKILL.md` 是主文件，作者把核心指令压在 250 行以内，agent 启动时加载；`references/` 里十份参考文档按需加载，写作模板、20 位理论家速查、350 多条中英术语对照、格式规范、文献综述方法、五层拆解法、散碎材料整合、英文翻译、评估维度说明、平台适配各一份，用到哪份发哪份，省 token。`scripts/` 底下是两个命令行入口，`search.py` 管检索、`review.py` 管评估，再往下 `lib/` 九个公共模块，`sources/` 九个数据源模块。
值钱的一块在 `lib/review_rules.py`。21 条规则分六个维度，全部靠正则匹配加术语表比对来判定。
| 维度 | 规则编号 | 抓什么 |
|---|---|---|
| 可信度 | R1-01 ~ R3-01 | 模糊引用、未来年份引用、过度断言 |
| 术语 | T-01 | 同一概念多个译名混用 |
| 格式 | F-01 ~ F-04 | 空脚注、参考文献缺 [M][J] 标识、中英标点混用、标题编号混用 |
| 语体 | S-01 ~ S-02 | 口语化、自称不统一 |
| 论证逻辑 | L-01 ~ L-08 | 连续断言无论证、引文后缺分析、因果前提未论证、强度词缺论据 |
| 结构 | ST-01 ~ ST-02 | 缺摘要/关键词/参考文献、引言缺论点句 |
这个设计的要害在于绕开了模型自查。 让模型复核模型写的东西，用的是同一套判断标准，同一个盲点会被漏掉两次。正则不会，「有学者指出」后面没跟具体文献就是没跟，写了 2027 年的引用就是可疑，这类表面毛病用死规则抓最稳，输出还带行号、错误/警告/提示三级和一句修改建议。
检索这一路分成两半处理。英文文献由 `search.py` 一条命令跨 OpenAlex、Semantic Scholar、CORE、CrossRef 四个免费库搜，`lib/` 里 `query.py` 做中英双语查询展开、`score.py` 打分排序、`dedupe.py` 跨库去重、`citation.py` 生成引文。中文这边作者做了相反的选择，知网、万方、国家哲社文献中心、Google Scholar 四个源都标着实验性，README 直接建议你自己去平台搜、导出结果再交给 AI 分析。打不过反爬的那一段，作者干脆还给了人，这个取舍比硬撑一个不稳定的中文爬虫诚实。
上手难度评易，三条路任选一条。最省事的是打开 `SKILL.md` 全选复制，粘进 Coze、Kimi、豆包、通义千问或 ChatGPT 的指令框，零技术门槛，`references/` 里的文档要用哪份再发哪份。第二条是在 Claude Code 或 OpenClaw 里让 agent 自己去装。第三条是命令行，`git clone` 之后 `pip install -r requirements.txt`，然后 `python scripts/search.py "查询词"` 搜文献、`python scripts/review.py paper.md` 查稿子。
关键配置 scripts/.env.example
配置模板里几乎全是注释掉的可选项，这是它上手容易的实证。 四个英文库不配也能用，填个邮箱或申请一把免费 key 只是提速；国家哲社和万方直接可用；要用知网得从浏览器开发者工具里复制自己的 Cookie 贴进来；Google Scholar 走 SerpApi 的免费账号。文件开头那句写得很清楚，没有配置的数据源会被自动跳过或以免费模式运行。依赖也轻，`requirements.txt` 里是 beautifulsoup4、requests、PyMuPDF、pdfplumber、python-docx 五个常见库，OCR 那两项注释掉了，只在读扫描件 PDF 时才需要，还得先在系统里装 tesseract。
代码本身 MIT 开源、全部免费，四个英文检索库也免费，真正的账单在你把 SKILL.md 粘进哪个平台。 那份模型调用费归那家平台收，跟这个仓库无关。要留意的是三个月没有更新这件事，检索源的反爬一变、评估规则一误报，都得你自己动手改。
它落在四个环节，选题打磨、英文文献检索、文献精读、定稿前自查。前三个是方法论指导，把有经验的导师会追问你的那些问题写成了流程。第四个是能跑的代码，也是四个里最实在的一个。
跑一次 `review.py` 只要几秒，空脚注、参考文献漏标文献类型、中英标点混用、术语前后译名不一致这类毛病一次性列出来。同样的活人工通读两万字的稿子要一两个小时，还容易看漏，据此估算，一篇稿子每轮自查能省下半小时到一小时的机械通读，改到定稿跑五六轮，累计省几个小时。
有四件事不能可靠交给它。论点是第一件，README 自己就写着这是写作辅助工具，作者明确说核心论点和原创分析必须来自你自己。文献信息是第二件，R1-R4 加上未来年份引用检测能拦下一部分露馅的编造，拦不住格式完全正确、内容却错位的引用，README 建议作者名、标题、年份、页码逐条人工核实。第三件是论证本身，21 条规则读的是文本表面的模式，一句话可以一条规则都不触发，同时论证是错的。第四件是术语表覆盖不到的地方，350 多条对照覆盖 19 个学科，超出范围时它会联网搜、再不行用拼音加解释兜底，这时候给出的译名要自己确认。
这个项目的三条使用路线，数据风险完全不同，选错一条，你的未发表稿子就出去了。
命令行这条最干净。README 说文本评估靠正则匹配加术语表比对做确定性校验、不依赖模型自我判断，据此判断 `review.py` 这一步在你自己机器上跑完，稿子不发给任何模型。`search.py` 发出去的只有检索关键词，收件方是 OpenAlex、Semantic Scholar、CORE、CrossRef 这几个公开学术接口。
粘贴和 agent 安装这两条路线，稿子去哪由平台决定。粘进 Kimi、豆包、通义千问、ChatGPT 或 Coze，你发进去的每一段草稿都在那家的服务器上；装进 Claude Code 或 OpenClaw，就发给对应的模型。这个仓库本身不碰你的数据，它只是一份说明书，决定权在你选的那个平台以及那家平台的条款。
还有一处容易忽略的地方，`.env` 里那行知网 Cookie 等同于你机构账号的登录凭据。仓库的 `.gitignore` 已经把 `.env` 排除在版本控制外，但这份文件不要传给别人，也不要跟着项目一起打包发出去。
稳妥的分工是稿子留在本地跑评估，只把关键词和已公开的文献交给检索脚本。 把含受访者信息、未发表数据的整章稿子粘进云端平台换修改意见，才是真正的泄露口子，做访谈和涉密档案的研究者尤其要把这两种用法分开。
它适合已经动笔、需要一双机械的眼睛替自己扫一遍的人文社科研究者，尤其是要交英文摘要、要统一术语译名的那部分人。它不适合想让 AI 直接产出一篇论文的人，作者从一开始就没打算做那个东西。
来源：humanities-thesis-skill，ganzhi-black/humanities-thesis-skill，https://github.com/ganzhi-black/humanities-thesis-skill，370 stars，MIT 协议。
