Claude Code学术研究技能集
一套完整的Claude Code学术研究技能集，涵盖从研究到发表的全流程。
30秒安装指南 (Claude Code CLI / VS Code / JetBrains, v3.7.0+):
/plugin marketplace add Imbad0202/academic-research-skills
/plugin install academic-research-skills安装后可通过/ars-plan命令使用苏格拉底式对话规划论文结构，或查看快速安装了解传统符号链接安装流程。
AI是您的副驾驶，而非主驾驶。 本工具不会代写论文。它负责处理繁琐工作——检索文献、格式化引用、验证数据、检查逻辑一致性——让您能专注于真正需要大脑的工作：定义研究问题、选择方法、解读数据含义，以及撰写”我认为…”之后的观点陈述。
与”人性化”工具不同，本工具不帮助掩盖AI使用痕迹，而是提升写作质量。风格校准功能会从您过往作品中学习写作风格。写作质量检查能捕捉机器生成文本的特征模式。我们的目标是提升质量，而非作弊。
为何采用人机协同而非全自动化？
Lu等人(2026,《自然》651:914-919)开发的AI科学家——首个通过顶级机器学习会议(ICLR 2025研讨会，评分6.33/10 vs 研讨会平均4.87)盲审的全自动AI研究系统。其”局限性”章节列举了全自动AI研究流程的固有缺陷：实现错误、虚构结果、捷径依赖、将错误重构为洞见、方法论捏造、框架锁定、引用幻觉。
ARS基于以下前提开发：人类研究者与AI协同工作能更好地规避这些缺陷。阶段2.5和阶段4.5的完整性检查包含7种阻断模式(参见academic-pipeline/references/ai_research_failure_modes.md)；审阅模块提供可选校准模式，可根据用户提供的标准数据集测量自身的假阴性/假阳性率。
Zhao等人(2026-05)审计了arXiv、bioRxiv、SSRN和PMC上250万篇论文的1.11亿条引用。其保守估计仅2025年就有146,932条虚构引用，并在2024年中观察到拐点；在bioRxiv到PMC的配对中，预印本到发表版本的持续性达85.3%。该论文将”使用真实引用来支持被引文献实际并未提出的主张”列为开放挑战。ARS v3.7.1新增了来源溯源的信任链元数据；v3.7.3增加了定位器基础设施(三层引用锚点)用于未来声明级审计，并在引用时显示风险提示(ARS内部将声明忠实度差距标记为”L3”，此为ARS术语而非论文术语)。v3.7.x版本受Zhao等人大规模研究发现启发；ARS本身的大规模评估仍是未来工作。
v3.8版本解决了L3差距的后半部分。v3.7.3让每个引用携带定位锚点；v3.8新增可选审计流程(ARS_CLAIM_AUDIT=1)，会获取被引来源并判断主张是否确实得到支持。新增了五…