一句话定位一个覆盖查文献 → 写论文 → 模拟审稿 → 流水线编排的完整学术技能套件真正与众不同的是它内置的integrity_verification_agent反幻觉内核——100% 验证每一篇引用、每一条数据专治AI 编造参考文献这种学术毒药。本篇把仓库自带的openalex_client.py真实跑了一遍检索验证它的严格匹配门控确实生效。1. 它是什么来源GitHubImbad0202/academic-research-skills镜像Upcreat当前 v3.19.0本机副本在.trae-cn/skills/academic-research-skills-3.19.0/。许可证CC BY-NC 4.0非商用——这是和另外两个技能最大的不同商用项目要注意授权。组成4 个可独立调用的组件 1 个反幻觉内核deep-research13 个 agent苏格拉底式选题引导、文献调研、系统综述PRISMAacademic-paper12 个 agent从零写论文 / 逐章规划academic-paper-reviewer7 个 agent模拟审稿含可选的校准模式测自己的漏报/误报率academic-pipeline编排器一条龙跑完研究→写→审→修→投integrity_verification_agent横切所有阶段对每个引用/数据点做可溯源验证设计哲学写得很直白“AI 是你的副驾驶不是驾驶员”——它不替你写论文只处理苦活找文献、格式化引用、验证数据、查逻辑一致性让你把脑子花在真正需要判断的地方。2. 核心架构图2 academic-research-skills研究→写作→评审→定稿 反幻觉内核deep-research(13 agents)academic-paper(12 agents)academic-paper-reviewer(7 agents)academic-pipeline(orchestrator)integrity_verification_agent反幻觉·100% 文献/数据验证反幻觉内核不是摆设Stage 2.5 / Stage 4.5 完整性门控跑一个 7 模式 blocking 检查表v3.7.3 起每条引用带 locator 锚点v3.8 更进一步提供 opt-in 的 claim auditARS_CLAIM_AUDIT1会去抓取被引原文逐条判断这个 claim 到底有没有被支持并设有 HIGH-WARN 类claim-not-supported、fabricated-reference 等硬门控。3. 怎么安装它提供插件市场和软链两种装法。本机用的是软链副本下面是原版 README 的官方装法方式 A插件市场v3.7.0 推荐/plugin marketplace add Imbad0202/academic-research-skills /plugin install academic-research-skills方式 B软链本机采用的形态gitclone 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每个技能必须落在.claude/skills/skill-name/SKILL.md才能被宿主发现。前置依赖核心研究/写作/审稿技能是纯提示词驱动不需要 Python只在用到写保护范围守卫、修订补丁、投稿包校验等少数 opt-in 功能时才需要真实 PythonWindows 上注意python3常被 Microsoft Store 占位符顶替要装真 Python 或winget install python且守卫脚本需要 Git Bash。快速启动后直接对话即可触发对应模式你我有个模糊想法AI 对高校质量保障的影响但不知道怎么定研究问题能引导我吗 → 进入 deep-research 苏格拉底模式5–15 轮对话后收敛出聚焦的研究问题。 你帮我写一篇关于少子化对私立大学影响的论文 → academic-paper 你Review 这篇论文粘贴/附上 PDF → academic-paper-reviewer 你我要一篇完整的关于 agentic AI 重塑学习评估的论文 → academic-pipeline全 10 阶段约 $4–6 API 费用 2–4 小时协作4. 真实测试深度版数据层三件套 反幻觉门控全解构下面把仓库自带的三套反幻觉数据层工具全部真跑一遍OpenAlex / arXiv / Crossref 三个检索客户端再直接在代码层拆开核心的_text_similarity相似度门控看它到底怎么拦住幻觉。4.1 OpenAlex 真实检索严格匹配门控仓库scripts/里自带openalex_client.py、arxiv_client.py、crossref_client.py以及一大票check_*.py守卫脚本。我直接实例化OpenAlexClient做了一次真检索验证它的标题 0.70 相似度门控是否真的能拦住幻觉。测试脚本academic_openalex_demo.py复用技能自带脚本零改动importsysfrompathlibimportPath SKILL_SCRIPTSPath(rD:/1-document/16-AI-writer/.trae-cn/skills/academic-research-skills-3.19.0/scripts)sys.path.insert(0,str(SKILL_SCRIPTS))fromopenalex_clientimportOpenAlexClient clientOpenAlexClient(polite_emaildemoexample.com)defshow(label,title,yearNone):print(f\n{label})resclient.title_search(title,yearyear)ifnotres:print(result: None (被 0.70 标题相似度门控拒绝))returnprint(result: MATCH)print( title :,res.get(title))print( doi :,res.get(doi))print( authors:,[a.get(author,{}).get(display_name)forainres.get(authorships,[])][:4])# 1) 真实存在的论文精确标题→ 应命中show(真实论文(精确标题),Retrieval-Augmented Generation for Large Language Models: A Survey,year2023)# 2) 故意改动的标题 → 应被门控拒绝show(改动标题(弱匹配),Retrieval Augmented Generation for LLMs A Survey,year2023)真实运行输出 真实论文(精确标题) query: Retrieval-Augmented Generation for Large Language Models: A Survey year2023 result: MATCH title : Retrieval-Augmented Generation for Large Language Models: A Survey year : 2023 doi : https://doi.org/10.48550/arxiv.2312.10997 authors: [Yunfan Gao, Yun Xiong, Xinyu Gao, Kangxiang Jia] 改动标题(弱匹配) query: Retrieval Augmented Generation for LLMs A Survey year2023 result: None (被 0.70 标题相似度门控拒绝)实测解读✅精确匹配真的回来了真实元数据标题、年份、DOI10.48550/arxiv.2312.10997、作者Yunfan Gao 等全部正确——说明客户端网络可达、解析正常。✅弱匹配被硬拒只把 “for Large Language Models” 改成 “for LLMs”、去掉连字符相似度跌到 0.70 阈值以下直接返回None不编造任何近似条目。这正是反幻觉设计在检索层的体现——宁可漏、绝不编。这一道 0.70 门控直接对应它100% 验证引用的承诺。对比一些会凑一个看起来像的参考文献的工具这个守护价值极大。4.2 arXiv 真实检索第二个数据源验证多源检索可用除 OpenAlex 外仓库还自带arxiv_client.py。直接实例化ArxivClient检索同一篇 RAG 综述 1) ArxivClient.title_search真实网络检索 命中 arXiv 条目 title : Retrieval-Augmented Generation for Large Language Models: A Survey year : 2023说明精简返回体里作者/arxiv_id 字段为空但标题年份精确匹配返回证明 arXiv 客户端网络可达、解析正常。OpenAlex / arXiv / Crossref 三套客户端互为三角校验是它反幻觉的数据底座。4.3 Crossref 真实检索 DOI 标题交叉校验crossref_client.py能按标题取回完整书目出版方、类型、作者且doi_lookup_with_title_check会再做一次 0.70 标题交叉校验——DOI 命中且标题对得上才返回否则判DOI_MISMATCH返回 None。实测以 ResNet 论文为例 2) CrossrefClient.title_search真实网络检索取回完整书目 命中 Crossref 条目 title : [Deep Residual Learning for Image Recognition] year : [[2016, 6]] doi : 10.1109/cvpr.2016.90 publisher : IEEE type : proceedings-article authors: [Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun] 2b) doi_lookup_with_title_checkDOI 命中 0.70 标题交叉校验 ✔ 校验通过DOI 存在 且 标题相似度 ≥ 0.70非伪造引用 returned DOI: 10.1109/cvpr.2016.90实测解读Crossref 返回了真实出版信息IEEE / CVPR 2016 / Kaiming He 等四位作者随后用它自己返回的 DOI 和标题回查交叉校验通过——意味着凭空编一个 DOI在这里过不了关。4.4 反幻觉门控全解构_similarityexact_normalized_title前面 4.1 有个现象把标题缩写改写后相似度仍有 0.85却仍被拒。直接调用核心函数_text_similarity._similarity和exact_normalized_title拆开看阈值 THRESHOLD 0.70 [精确标题] sim 1.000 → MATCH (放行) [仅大小写/标点差异] sim 1.000 → MATCH (放行) [缩写改写(弱)] sim 0.850 → MATCH (放行) [完全不同主题] sim 0.311 → REJECT (拒识/不编造) 4) 真实拒识原理相似度够了还不够还要 exact_normalized_title [精确标题] sim1.000 (≥0.70? 是) exact_normalized_titleTrue → 综合判定: MATCH 放行 [缩写弱改写] sim0.850 (≥0.70? 是) exact_normalized_titleFalse → 综合判定: REJECT 拒识/不编造关键结论实际门控是相似度 ≥ 0.70且归一化标题精确相等二者同时满足才放行。缩写弱改写虽 sim0.85但归一化标题不精确相等仍被拒——这正是它宁可漏、绝不编的工程体现比单纯 0.70 阈值严谨得多。5. 特色功能反幻觉内核是底座引用带 locator 锚点 opt-in claim audit能抓fabricated-reference / claim-not-supported / anchorless等硬伤。规模化的 agent 阵容deep-research 13、academic-paper 12、reviewer 7分角色专精不是单 prompt 硬扛。人审在环human-in-the-loop明确反对全自动写论文把易翻车的实现 bug、结果幻觉、方法论造假等失败模式挡在门外。审稿可校准reviewer 提供 opt-in 校准模式用你给的 gold set 测自己的漏报率(FNR)/误报率(FPR)。多语言文档齐全简中/繁中/日/韩 README 都有。6. 适用场景与局限维度说明✅ 最适合想端到端做一项研究从选题到成稿到模拟审稿对引用真实性有硬要求英文论文为主⚠️ 局限CC BY-NC 非商用商业用途需另寻授权完整流水线 API 成本高~$4–6/篇依赖 Claude Code 生态❌ 不适合只想要一个轻量润色器那用 nature-skills 更轻中文基金本子写作见实测④ fund-*7. 实测结论academic-research-skills 是四个里工程化最重、反幻觉最彻底的一个。它把引用不能编这件事做成了可执行的代码门控0.70 相似度 locator claim audit而不是一句请勿编造的提醒。对那些参考文献造假会毁掉学术生涯的场景这个内核就是它的护城河。本次深度实测已把它跑通三层① OpenAlex / arXiv / Crossref 三个真实客户端全部返回真实元数据DOI、出版方、作者② Crossref 的 DOI标题交叉校验确认通过③ 核心_text_similarity门控被拆开证明——它要的是相似度≥0.70且归一化标题精确相等双条件所以即便 sim0.85 的缩写弱改写仍被拒。反幻觉不是口号是这三层都验证过的代码行为。下一篇③ PaperSpine —— 每个阶段都是带硬关卡的 gate跑一次完整性审计能直接 BLOCK 你。 
长河君 · 2026/8/8 8:07:53 · 阅读 1.2k 论文撰写SKILLS实测二｜academic-research-skills：带“反幻觉内核“的研究→写作→评审全流水线
一句话定位一个覆盖查文献 → 写论文 → 模拟审稿 → 流水线编排的完整学术技能套件真正与众不同的是它内置的integrity_verification_agent反幻觉内核——100% 验证每一篇引用、每一条数据专治AI 编造参考文献这种学术毒药。本篇把仓库自带的openalex_client.py真实跑了一遍检索验证它的严格匹配门控确实生效。1. 它是什么来源GitHubImbad0202/academic-research-skills镜像Upcreat当前 v3.19.0本机副本在.trae-cn/skills/academic-research-skills-3.19.0/。许可证CC BY-NC 4.0非商用——这是和另外两个技能最大的不同商用项目要注意授权。组成4 个可独立调用的组件 1 个反幻觉内核deep-research13 个 agent苏格拉底式选题引导、文献调研、系统综述PRISMAacademic-paper12 个 agent从零写论文 / 逐章规划academic-paper-reviewer7 个 agent模拟审稿含可选的校准模式测自己的漏报/误报率academic-pipeline编排器一条龙跑完研究→写→审→修→投integrity_verification_agent横切所有阶段对每个引用/数据点做可溯源验证设计哲学写得很直白“AI 是你的副驾驶不是驾驶员”——它不替你写论文只处理苦活找文献、格式化引用、验证数据、查逻辑一致性让你把脑子花在真正需要判断的地方。2. 核心架构图2 academic-research-skills研究→写作→评审→定稿 反幻觉内核deep-research(13 agents)academic-paper(12 agents)academic-paper-reviewer(7 agents)academic-pipeline(orchestrator)integrity_verification_agent反幻觉·100% 文献/数据验证反幻觉内核不是摆设Stage 2.5 / Stage 4.5 完整性门控跑一个 7 模式 blocking 检查表v3.7.3 起每条引用带 locator 锚点v3.8 更进一步提供 opt-in 的 claim auditARS_CLAIM_AUDIT1会去抓取被引原文逐条判断这个 claim 到底有没有被支持并设有 HIGH-WARN 类claim-not-supported、fabricated-reference 等硬门控。3. 怎么安装它提供插件市场和软链两种装法。本机用的是软链副本下面是原版 README 的官方装法方式 A插件市场v3.7.0 推荐/plugin marketplace add Imbad0202/academic-research-skills /plugin install academic-research-skills方式 B软链本机采用的形态gitclone 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每个技能必须落在.claude/skills/skill-name/SKILL.md才能被宿主发现。前置依赖核心研究/写作/审稿技能是纯提示词驱动不需要 Python只在用到写保护范围守卫、修订补丁、投稿包校验等少数 opt-in 功能时才需要真实 PythonWindows 上注意python3常被 Microsoft Store 占位符顶替要装真 Python 或winget install python且守卫脚本需要 Git Bash。快速启动后直接对话即可触发对应模式你我有个模糊想法AI 对高校质量保障的影响但不知道怎么定研究问题能引导我吗 → 进入 deep-research 苏格拉底模式5–15 轮对话后收敛出聚焦的研究问题。 你帮我写一篇关于少子化对私立大学影响的论文 → academic-paper 你Review 这篇论文粘贴/附上 PDF → academic-paper-reviewer 你我要一篇完整的关于 agentic AI 重塑学习评估的论文 → academic-pipeline全 10 阶段约 $4–6 API 费用 2–4 小时协作4. 真实测试深度版数据层三件套 反幻觉门控全解构下面把仓库自带的三套反幻觉数据层工具全部真跑一遍OpenAlex / arXiv / Crossref 三个检索客户端再直接在代码层拆开核心的_text_similarity相似度门控看它到底怎么拦住幻觉。4.1 OpenAlex 真实检索严格匹配门控仓库scripts/里自带openalex_client.py、arxiv_client.py、crossref_client.py以及一大票check_*.py守卫脚本。我直接实例化OpenAlexClient做了一次真检索验证它的标题 0.70 相似度门控是否真的能拦住幻觉。测试脚本academic_openalex_demo.py复用技能自带脚本零改动importsysfrompathlibimportPath SKILL_SCRIPTSPath(rD:/1-document/16-AI-writer/.trae-cn/skills/academic-research-skills-3.19.0/scripts)sys.path.insert(0,str(SKILL_SCRIPTS))fromopenalex_clientimportOpenAlexClient clientOpenAlexClient(polite_emaildemoexample.com)defshow(label,title,yearNone):print(f\n{label})resclient.title_search(title,yearyear)ifnotres:print(result: None (被 0.70 标题相似度门控拒绝))returnprint(result: MATCH)print( title :,res.get(title))print( doi :,res.get(doi))print( authors:,[a.get(author,{}).get(display_name)forainres.get(authorships,[])][:4])# 1) 真实存在的论文精确标题→ 应命中show(真实论文(精确标题),Retrieval-Augmented Generation for Large Language Models: A Survey,year2023)# 2) 故意改动的标题 → 应被门控拒绝show(改动标题(弱匹配),Retrieval Augmented Generation for LLMs A Survey,year2023)真实运行输出 真实论文(精确标题) query: Retrieval-Augmented Generation for Large Language Models: A Survey year2023 result: MATCH title : Retrieval-Augmented Generation for Large Language Models: A Survey year : 2023 doi : https://doi.org/10.48550/arxiv.2312.10997 authors: [Yunfan Gao, Yun Xiong, Xinyu Gao, Kangxiang Jia] 改动标题(弱匹配) query: Retrieval Augmented Generation for LLMs A Survey year2023 result: None (被 0.70 标题相似度门控拒绝)实测解读✅精确匹配真的回来了真实元数据标题、年份、DOI10.48550/arxiv.2312.10997、作者Yunfan Gao 等全部正确——说明客户端网络可达、解析正常。✅弱匹配被硬拒只把 “for Large Language Models” 改成 “for LLMs”、去掉连字符相似度跌到 0.70 阈值以下直接返回None不编造任何近似条目。这正是反幻觉设计在检索层的体现——宁可漏、绝不编。这一道 0.70 门控直接对应它100% 验证引用的承诺。对比一些会凑一个看起来像的参考文献的工具这个守护价值极大。4.2 arXiv 真实检索第二个数据源验证多源检索可用除 OpenAlex 外仓库还自带arxiv_client.py。直接实例化ArxivClient检索同一篇 RAG 综述 1) ArxivClient.title_search真实网络检索 命中 arXiv 条目 title : Retrieval-Augmented Generation for Large Language Models: A Survey year : 2023说明精简返回体里作者/arxiv_id 字段为空但标题年份精确匹配返回证明 arXiv 客户端网络可达、解析正常。OpenAlex / arXiv / Crossref 三套客户端互为三角校验是它反幻觉的数据底座。4.3 Crossref 真实检索 DOI 标题交叉校验crossref_client.py能按标题取回完整书目出版方、类型、作者且doi_lookup_with_title_check会再做一次 0.70 标题交叉校验——DOI 命中且标题对得上才返回否则判DOI_MISMATCH返回 None。实测以 ResNet 论文为例 2) CrossrefClient.title_search真实网络检索取回完整书目 命中 Crossref 条目 title : [Deep Residual Learning for Image Recognition] year : [[2016, 6]] doi : 10.1109/cvpr.2016.90 publisher : IEEE type : proceedings-article authors: [Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun] 2b) doi_lookup_with_title_checkDOI 命中 0.70 标题交叉校验 ✔ 校验通过DOI 存在 且 标题相似度 ≥ 0.70非伪造引用 returned DOI: 10.1109/cvpr.2016.90实测解读Crossref 返回了真实出版信息IEEE / CVPR 2016 / Kaiming He 等四位作者随后用它自己返回的 DOI 和标题回查交叉校验通过——意味着凭空编一个 DOI在这里过不了关。4.4 反幻觉门控全解构_similarityexact_normalized_title前面 4.1 有个现象把标题缩写改写后相似度仍有 0.85却仍被拒。直接调用核心函数_text_similarity._similarity和exact_normalized_title拆开看阈值 THRESHOLD 0.70 [精确标题] sim 1.000 → MATCH (放行) [仅大小写/标点差异] sim 1.000 → MATCH (放行) [缩写改写(弱)] sim 0.850 → MATCH (放行) [完全不同主题] sim 0.311 → REJECT (拒识/不编造) 4) 真实拒识原理相似度够了还不够还要 exact_normalized_title [精确标题] sim1.000 (≥0.70? 是) exact_normalized_titleTrue → 综合判定: MATCH 放行 [缩写弱改写] sim0.850 (≥0.70? 是) exact_normalized_titleFalse → 综合判定: REJECT 拒识/不编造关键结论实际门控是相似度 ≥ 0.70且归一化标题精确相等二者同时满足才放行。缩写弱改写虽 sim0.85但归一化标题不精确相等仍被拒——这正是它宁可漏、绝不编的工程体现比单纯 0.70 阈值严谨得多。5. 特色功能反幻觉内核是底座引用带 locator 锚点 opt-in claim audit能抓fabricated-reference / claim-not-supported / anchorless等硬伤。规模化的 agent 阵容deep-research 13、academic-paper 12、reviewer 7分角色专精不是单 prompt 硬扛。人审在环human-in-the-loop明确反对全自动写论文把易翻车的实现 bug、结果幻觉、方法论造假等失败模式挡在门外。审稿可校准reviewer 提供 opt-in 校准模式用你给的 gold set 测自己的漏报率(FNR)/误报率(FPR)。多语言文档齐全简中/繁中/日/韩 README 都有。6. 适用场景与局限维度说明✅ 最适合想端到端做一项研究从选题到成稿到模拟审稿对引用真实性有硬要求英文论文为主⚠️ 局限CC BY-NC 非商用商业用途需另寻授权完整流水线 API 成本高~$4–6/篇依赖 Claude Code 生态❌ 不适合只想要一个轻量润色器那用 nature-skills 更轻中文基金本子写作见实测④ fund-*7. 实测结论academic-research-skills 是四个里工程化最重、反幻觉最彻底的一个。它把引用不能编这件事做成了可执行的代码门控0.70 相似度 locator claim audit而不是一句请勿编造的提醒。对那些参考文献造假会毁掉学术生涯的场景这个内核就是它的护城河。本次深度实测已把它跑通三层① OpenAlex / arXiv / Crossref 三个真实客户端全部返回真实元数据DOI、出版方、作者② Crossref 的 DOI标题交叉校验确认通过③ 核心_text_similarity门控被拆开证明——它要的是相似度≥0.70且归一化标题精确相等双条件所以即便 sim0.85 的缩写弱改写仍被拒。反幻觉不是口号是这三层都验证过的代码行为。下一篇③ PaperSpine —— 每个阶段都是带硬关卡的 gate跑一次完整性审计能直接 BLOCK 你。