academic-research-skills

Academic Research Skills（ARS） 是由开发者 Imbad0202 发起并持续维护的开源学术研究技能套件，核心定位是“为 Claude Code 配备一支覆盖研究、写作、评审、修订到定稿全流程的学术出版流水线”——它不满足于做一份通用的文献检索工具或零散的论文写作提示词，而是将深度研究、学术论文写作、同行评审、完整性验证、跨模型交叉验证、实验溯源审计等 6 大核心阶段与 40+ 种可切换模式整合于一套完整的技能体系中，全部配有 /ars-plan 苏格拉底式对话引导、/ars-lit-review 单次文献综述测试、Stage 2.5/4.5 双重完整性门禁（7 模式阻断检查清单）、跨模型交叉验证、实验溯源护照、以及中英日韩四语种支持与 MIT 开源协议。市面大多学术写作 AI 工具要么是泛泛的“帮我写论文”式提示（缺乏结构化的学术流程），要么是依赖黑盒模型的自动生成工具（结果不可控、幻觉频发）——但很少有项目能将“人机协作的学术流水线”与“可审计的完整性验证体系”同时做到，ARS 解决的正是这个问题。

一、Academic Research Skills 是什么

Academic Research Skills 采用“技能套件 + 阶段门禁 + 跨模型验证”三位一体的使用体验，通过 GitHub 完全开源免费发布，采用 MIT 许可证。项目由开发者 Imbad0202 发起并持续维护，核心定位是“a comprehensive suite of Claude Code skills for academic research, covering the full pipeline from research to publication.”。用户只需在 Claude Code 中执行 /plugin marketplace add Imbad0202/academic-research-skills 和 /plugin install academic-research-skills 两条命令，30 秒内即可完成安装。然后尝试 /ars-plan 即可通过苏格拉底式对话梳理论文结构，或直接运行 /ars-lit-review "your topic" 测试文献综述能力。项目支持英语、简体中文、繁体中文、日语、韩语五种语言。

ARS 的运作机制与市面常见的“全自动 AI 写论文工具”有本质区别。它不是让 AI 代替研究者完成论文，而是以人为中心、以 AI 为协作者的学术生产流水线。项目明确指出：“AI is your copilot, not the pilot. This tool won't write your paper for you. It handles the grunt work—hunting down references, formatting citations, verifying data, checking logical consistency—so you can focus on the parts that actually require your brain”。ARS 的设计哲学直接回应了 Lu 等人（2026，Nature）关于 The AI Scientist 的研究——全自动 AI 研究系统会继承实现 Bug、幻觉结果、捷径依赖、方法论捏造、框架锁定、引用幻觉等固有失败模式。ARS 的立场是：“被 AI 增强的人类研究者比二者单独运作更能避免这些失败模式”。Stage 2.5 和 Stage 4.5 的完整性门禁运行 7 模式阻断检查清单；Zhao 等人（2026）审计了 arXiv、bioRxiv、SSRN、PMC 上 250 万篇论文中的 1.11 亿条参考文献，保守估计 2025 年仅幻觉引用就达 146,932 条——ARS v3.7.x 正是基于这一发现而迭代，v3.8 新增了可选的声明审计通道，对每个引用锚点判断声明是否真正得到支持。

二、Academic Research Skills 能做什么

ARS 的核心能力可以精炼地概括为：研、写、评、验、协、审，围绕这六大维度提供了从研究构思到论文发表的完整学术路径，覆盖学术研究全生命周期的全方位需求，具体包括：

深度研究（研） ——不是“随便搜几篇文献”，而是“8 种模式按需切换的深度研究引擎”。ARS 的 Deep Research 技能（v2.12.1）由 13 个代理组成的研究团队驱动，提供 8 种模式：full 完整研究、quick 快速简报、systematic-review 带 PRISMA 的系统综述、socratic 苏格拉底式引导探索、fact-check 事实核查、lit-review 文献综述、three-way-scan 按 WHY/HOW/WHAT 格式对比论文、review 研究质量评审。

学术论文写作（写） ——不是“AI 替你写论文”，而是“12 个代理按 11 种模式协同完成论文写作”。Academic Paper 技能（v3.3.1）由 12 个代理组成的论文写作流水线驱动，提供 11 种模式：full 完整写作、plan 苏格拉底式引导规划、outline-only 仅生成大纲、revision 根据审稿意见修订、revision-coach 审稿意见解析为路线图、abstract-only 仅写摘要、lit-review 文献综述论文、format-convert 格式转换（LaTeX/引用格式）、citation-check 引用核查、disclosure AI 披露声明生成、rebuttal-audit 反驳信审计。输出支持 MD + DOCX（Pandoc 可用时）+ LaTeX（APA 7.0/IEEE/Chicago）→ PDF（tectonic）。

同行评审（评） ——不是“AI 给个分数就结束”，而是“7 个代理从多视角进行标准约束的叙事判断”。Academic Paper Reviewer 技能（v1.11.1）由 7 个代理组成的多视角评审团驱动，提供 6 种模式：full 完整评审（Journal-Fit Reviewer + R1/R2/R3 + Devil's Advocate）、quick 快速评估、guided 引导式改进、methodology-focus 方法论聚焦、re-review 修订后重审、calibration 校准模式（可测量自身的假阴性率/假阳性率）。评审采用标准约束的叙事判断，不将任何数值总分映射为接收/小修/大修/拒稿。

完整性验证与引用审计（验） ——不是“信源不可追溯”，而是“双重完整性门禁 + 逐声明引用审计”。ARS 在 Stage 2.5 和 Stage 4.5 设置了 MANDATORY 完整性门禁，运行 7 模式阻断检查清单。v3.7.3 为每条引用增加了三层定位锚点；v3.8 新增可选的声明审计通道（ARS_CLAIM_AUDIT=1），针对每个锚点获取被引来源并判断声明是否真正得到支持，新增 5 个 HIGH-WARN 类别：声明不被支持、负约束违反、捏造引用、无锚点、未引用约束违反。

跨模型交叉验证与模式分层（协） ——不是“单一模型判断不可靠”，而是“通过多模型交叉验证提升可信度”。ARS 支持 ARS_CROSS_MODEL 环境变量，在质量门禁和最终评审步骤中通过跨模型交叉验证提升判断的可靠性。v3.17+ 引入了规范化的跨模型交接信封，以机器稳定的格式固定了所有三个检查点所有者的同意/分歧/格式错误路由。

实验溯源与完整性边界声明（审） ——不是“实验数据无法审计”，而是“实验溯源护照 + 声明级完整性门禁”。ARS 的 Material Passport 支持 experiment_provenance[] 字段，记录学者在外部运行的实验（ARS 从不运行实验）。Stage 1 会检测论文是否包含实验支撑的声明，并设置一个 fail-closed 的 experiment_intake_declaration。完整性门禁对每个实验支撑的声明进行审计——ALIGNED / OVERSTATED / NOT_SUPPORTED_BY_PROVENANCE / PROVENANCE_INSUFFICIENT。

三、Academic Research Skills 适合谁用

ARS 的内容设计使其适配各类希望通过 AI 增强学术生产力的研究者与学术写作者，核心聚焦那些“论文写作过程中文献调研耗时、引用格式繁琐、审稿意见难以系统回应、AI 生成的论文缺乏完整性验证”，希望从“手动完成全流程”升级为“AI 辅助的学术生产流水线”的人群，主要涵盖以下几类：

学术研究者与博士生——需要完成从文献综述到论文发表的全流程学术工作，但希望将引用查找、格式排版、完整性校验等繁琐工作交给 AI。ARS 的“人机协作”定位和 Stage 2.5/4.5 完整性门禁，让研究者可以在保持学术自主性的同时获得 AI 的效率提升。项目展示的真实案例显示，Stage 2.5 完整性报告捕获了 15 条伪造引用和 3 处统计错误。

期刊审稿人与学术编辑——需要快速评估稿件质量、检查引用完整性和方法论严谨性。ARS 的 Academic Paper Reviewer 技能提供了 Journal-Fit Reviewer + 3 位评审人 + Devil's Advocate 的多视角评审体系。v3.8 的声明审计通道可对每条引用进行逐声明验证。

跨学科研究者与多语言学者——ARS 支持英语、简体中文、繁体中文、日语、韩语五种语言。苏格拉底模式和规划模式采用意图驱动激活——检测请求的含义而非特定关键词，因此理论上可在任何语言中工作。

对 AI 幻觉有警惕性的研究者——关注 AI 生成内容中的引用幻觉、方法论捏造和框架锁定问题。ARS 的设计哲学直接回应了 Zhao 等人（2026）发现的学术文献中大规模引用幻觉问题，并通过完整性门禁、跨模型验证和声明审计通道提供多层防护。

希望从“全自动 AI 写论文”回归“人机协作”的研究者——不信任“AI 替你写论文”的黑盒模式，希望保持对研究问题、方法论选择和结果解释的完全掌控。ARS 明确声明：“This tool won't write your paper for you. It handles the grunt work”。

四、Academic Research Skills 的应用场景是什么

基于其内容设计与定位，ARS 的应用场景主要围绕学术论文全流程写作、文献综述与系统综述、同行评审与稿件评估、审稿意见回应与修订、以及学术诚信与引用审计，覆盖从个人研究到期刊发表的全链条，具体包括：

学术论文从零到发表场景——研究者有一个研究想法，需要完成从文献调研到论文发表的全流程。ARS 提供了一条“/ars-plan 苏格拉底式对话梳理结构→ Stage 1 深度研究（8 模式可选）→ Stage 2 论文写作（11 模式可选）→ Stage 2.5 完整性门禁（7 模式阻断检查）→ Stage 3 同行评审（6 模式可选）→ Stage 4 修订→ Stage 4.5 最终完整性门禁→ Stage 6 流程总结”的完整路径。

文献综述与系统综述场景——研究者需要快速了解一个领域的研究现状或完成 PRISMA 系统综述。Deep Research 技能的 lit-review 模式可生成文献综述；systematic-review 模式可带 PRISMA 框架执行系统综述。

稿件评审与质量评估场景——审稿人收到一篇稿件，需要快速评估其研究质量、方法论严谨性和引用完整性。Academic Paper Reviewer 技能提供多视角评审（Journal-Fit Reviewer + 3 位评审人 + Devil's Advocate）。Stage 2.5 完整性门禁可捕获伪造引用和统计错误。

审稿意见回应与修订场景——作者收到审稿意见后，需要系统化地回应每一条意见并完成修订。Academic Paper 技能的 revision 模式可根据审稿意见修订论文；revision-coach 模式将审稿意见解析为可执行的修订路线图；rebuttal-audit 模式可审计反驳信草稿。

学术诚信与引用审计场景——期刊编辑部或研究机构需要对已发表或待发表论文进行引用完整性审计。ARS 的 v3.8 声明审计通道（ARS_CLAIM_AUDIT=1）可对每条引用进行逐声明验证。项目展示的 Post-Publication Audit Report 显示，独立全引用审计在 3 轮完整性检查后仍发现了 21/68 个遗漏问题。

五、Academic Research Skills 为什么值得关注

ARS 之所以值得关注，核心在于它将“学术研究从依赖个人经验和零散工具升级为可审计、可验证、可复现的 AI 辅助流水线”，并具备“人机协作而非全自动的哲学定位、双重完整性门禁、跨模型交叉验证、声明级引用审计、MIT 开源”的独特价值，具体体现在以下几点：

从“全自动黑盒”到“人机协作流水线”的哲学定位。大多数 AI 学术工具追求“让 AI 替你写论文”——但 Lu 等人（2026）的研究表明，全自动 AI 研究系统会继承实现 Bug、幻觉结果、捷径依赖、方法论捏造、框架锁定、引用幻觉等固有失败模式。ARS 的立场是清醒的：AI 处理繁琐工作，人类负责定义问题、选择方法、解释数据和撰写核心论点。这种“人机协作”而非“人机替代”的定位，让研究者始终掌控学术生产的方向盘。

从“引用不可追溯”到“逐声明审计”的完整性革命。Zhao 等人（2026）审计了 250 万篇论文中的 1.11 亿条参考文献，发现 2025 年仅幻觉引用就达 146,932 条。ARS v3.8 的声明审计通道，对每条引用进行逐声明验证——不是“检查引用是否存在”，而是“检查引用是否真正支持了它所支撑的声明”。这种“声明级”而非“文献级”的审计粒度，是 ARS 区别于所有文献管理工具最核心的价值。

从“单一模型判断”到“跨模型交叉验证”的可信度保障。单一模型的判断可能受框架锁定影响——ARS v3.0 的优化中发现了“验证 AI 和生成 AI 共享相同的认知框架”这一结构性问题。ARS 通过 ARS_CROSS_MODEL 实现跨模型交叉验证，并通过规范化的跨模型交接信封固定所有检查点的路由协议。这种“多模型交叉验证”的设计，让判断的可信度不再依赖单一模型的可靠性。

从“实验数据无法审计”到“实验溯源护照”的透明边界。大多数 AI 学术工具不处理实验数据——要么忽略，要么假设数据可信。ARS 的 Material Passport 要求学者在 Stage 1 明确声明是否进行了实验，如有则记录每个实验的 ID、可复现锁、计划与执行对比、阴性结果和已知局限。完整性门禁对每个实验支撑的声明进行分级审计。同时 ARS 明确声明其验证边界：ARS 检查手稿和报告流程，但不建立程序是否实际执行、原始数据是否真实或结果是否可复现。这种“诚实的边界声明”在 AI 工具中极为罕见。

40+ 种模式 × 6 大阶段 × 5 种语言的覆盖广度。ARS 不是“一个技能”，而是“一套技能生态”——Deep Research（8 模式）、Academic Paper（11 模式）、Academic Paper Reviewer（6 模式）、Academic Pipeline（10 阶段）。覆盖从研究到发表的完整学术生命周期。支持英语、简体中文、繁体中文、日语、韩语五种语言。项目展示的真实流水线输出包含完整 APA 7.0 论文、完整性报告、评审报告、审稿回应和发表后审计报告。

开源 MIT + 活跃迭代 + 社区共建。ARS 采用 MIT 许可证，完全开源免费。项目持续迭代——v3.7.x 受 Zhao 等人（2026）的引用幻觉研究驱动，v3.8 新增声明审计通道，v3.17+ 新增跨模型交接信封。项目还提供了配套的 Experiment Agent和 Teaching Skills。

现实挑战与生态成熟度。ARS 并非没有短板。首先，ARS 的完整性验证门禁虽然强大，但官方明确承认：“一些检查是抽样或 LLM 中介的……一致报告的捏造可以通过这些检查”。其次，ARS 的声明审计通道（v3.8）仍处于 opt-in 阶段，其校准证据尚待验证。