一款名为 academic-research-skills（简称 ARS）的开源项目在 GitHub 上引发轰动，目前已收获 6.4k 星标。该项目是一套专为 Claude Code 打造的技能包，通过两行命令即可部署，旨在为研究人员提供从选题调研到审稿定稿的全流程自动化流水线。
ARS 的核心由四个功能模块组成。首先是 Deep Research 模块，由 13 个 Agent 组成的研究团队负责文献调研、方法论设计及 PRISMA 综述编写。为了防止 AI 幻觉，系统通过调用 Semantic Scholar API 对每一条引用进行真实性验证。其中还包含“苏格拉底导师”Agent 引导思路，以及“魔鬼代言人”Agent 防止思维定式。
其次是 Academic Paper 写作模块，拥有 12 个 Agent。它不仅涵盖大纲、论证和图表生成，还具备风格校准功能，能学习作者过往的写作风格以避免“AI 味”。输出格式支持 Markdown、DOCX 及可编译为 APA 或 IEEE 格式的 LaTeX。随后是 Academic Paper Reviewer 审稿模块，由主编、三位审稿人和魔鬼代言人组成的 7 席团队对论文进行 0-100 分的量化打分，并提供详细的修改路线图。
最后，Academic Pipeline 流程编排器将前述步骤串联成 10 个阶段的流水线。用户可以从任意阶段切入，例如仅进行完整性检查或响应审稿意见。据测算，完成一篇 1.5 万字论文的全流程费用约为 4 到 6 美元。
ARS 在技术底层设计上具有极高的严谨性。为防止幻觉，它采用了基于 Levenshtein 相似度算法（阈值 0.70 以上）的模糊匹配机制来核验文献。此外，系统设置了两道不可跳过的“完整性闸门”，运行 Nature 论文定义的 7 项 AI 失败模式检查清单，强制要求 AI 证明其未造假。
针对 AI 容易出现的“谄媚”问题，ARS 设计了反谄媚协议。魔鬼代言人的反驳必须达到特定评分阈值，写作团队才被允许采纳，且审稿评分轨迹会被严格追踪以防回归。此外，ARS 采用三层数据隔离架构（Layer 1-3），确保写作团队无法“偷看”评分标准和金标数据，从而保证结果的真实泛化。每个产物还会附带 repro_lock 文件记录配置，践行“AI 是副驾驶而非飞行员”的设计哲学。
