ARS Academic Research Skills：42-Agent 学术流水线的人机协作战术手册

> **一句话定位**：一套针对 Claude Code 的学术研究技能包，**42 个 Agent 分布在 4 个技能、25+ 种模式**中，用流水线调度器串联研究→写作→审稿→修订→出版的完整流程。它不是全自动论文生成器，而是**以"人机协作优于全自动"为核心假设**构建的学术质量控制系统。 ## 一、核心架构：不是 Prompt 模板，而是 Agent 编排系统 很多人看到 "Claude Code skills" 会以为是 prompt 合集。ARS 的野心要大得多——它是一个**多智能体编排框架**，有自己的： - **Agent 体系**：42 个专职 Agent，每个都有具体职责和约束 - **模式系统**：25+ 种操作模式（full / socratic / revision / calibration 等） - **调度器**：10 阶段 Pipeline 自动协调 checkpoint 和质量门控 - **Schema 层**：9 个 handoff schema 定义跨 Agent 的数据传递格式 - **CI/Lint**：GitHub Actions 驱动的 spec consistency 校验 - **外部验证**：Semantic Scholar API、DOI 校验、VLM 图表验证 四大技能分工： | 技能 | Agent 数 | 核心职责 | 版本 | |------|---------|---------|------| | Deep Research | 13 | 文献调研、PRISMA 系统回顾、苏格拉底引导 | v2.8 | | Academic Paper | 12 | 论文撰写、风格校准、LaTeX 输出 | v3.0 | | Academic Paper Reviewer | 7 | 多视角同行评审、0-100 量表、魔鬼代言人 | v1.8 | | Academic Pipeline | 10 | 全流程调度、诚信门控、协作质量评估 | v3.7 | 10 阶段 Pipeline 概览： ``` Stage 1: 研究规划（Research） Stage 2: 写作起草（Drafting） Stage 2.5: ⚠️ 诚信验证 INTEGRITY GATE（不可跳过） Stage 3: 第一轮同行评审（Review） Stage 3': 修订验证审查（Re-Review） Stage 4: 修订与回应（Revision） Stage 4.5: ⚠️ 最终诚信验证 FINAL INTEGRITY（不可跳过） Stage 5: 定稿与格式（Finalization） Stage 6: 过程记录与 AI 自我反思 ``` ## 二、哲学定位：为什么是"人机协作"而不是"全自动"？ 这是 ARS 最核心的设计决策，也是它与 The AI Scientist（Lu et al., 2026, Nature）的根本分歧。 ### 2.1 The AI Scientist 的突破与局限 Lu 等人 2026 年在 *Nature* 发表了 **The AI Scientist**——第一个端到端全自动 AI 研究系统，生成的论文通过了 ICLR 2025 workshop 的盲审（评分 6.33/10，workshop 平均 4.87）。这是一个里程碑式的突破。 但 Lu 等人自己的 Limitations 段落列出了 **7 类结构性失败模式**： 1. **Implementation bug passing AI self-review** — 代码有 bug 但输出"看起来合理"，AI 直接采纳 2. **Hallucinated experimental result** — 没有跑实验就写"观察到 12% 提升" 3. **Shortcut reliance** — 取巧特征依赖（模型利用捷径而非真正理解） 4. **Bug-as-insight reframing** — 把实现错误包装成"意外发现" 5. **Methodology fabrication** — 方法论文伪造（声称做了没做的事） 6. **Frame-lock** — 框架锁定（AI 无法质疑人类给定的框架本身） 7. **Citation hallucination** — 引用幻象 ARS 的核心假设是：**人类研究者 + AI 的组合，比纯自动或纯人工都更能避开这些失败模式**。 ### 2.2 Zhao et al. (2026-05) 的 corpus-scale 证据 Zhao 等人审计了 arXiv、bioRxiv、SSRN、PMC 上 **250 万篇论文**中的 **1.11 亿笔引用**，保守估计 **2025 年单年就有 146,932 笔幻象引用**，2024 年中是上升的拐点。更惊人的是：bioRxiv-to-PMC 这条配对的"预印本进到正式发表"幻觉存活率达到 **85.3%**——意味着幻象引用在审稿流程中存活了。 这个数据直接催生了 ARS v3.7.x 的三层引用 anchor（locator 基础设施）和 trust-chain frontmatter。 ### 2.3 PaperOrchestra (Google, 2026) 的技术启发 ARS v3.3 整合了 PaperOrchestra（Song et al., 2026, arXiv:2604.05018）的四个关键技术： - **Semantic Scholar API 验证**：Levenshtein ≥ 0.70 标题比对，DOI 不符侦测，S2 ID 去重 - **反泄漏协议**：优先使用 session 内材料，缺失内容标记 `[MATERIAL GAP]` 而非用 LLM 记忆填补 - **VLM 图表验证**：视觉模型闭环检查生成图表，10 项检核清单，最多 2 轮修正 - **分数轨迹追踪**：跨修订轮次的逐维度评分差异追踪（7 个维度），退步触发强制 checkpoint ## 三、关键对抗机制：系统工程式防幻觉 ARS 不是"希望 AI 别幻觉"，而是**用多层架构系统性对抗幻觉**。 ### 3.1 7 类 AI 研究失败模式检查清单（v3.2） 在 **Stage 2.5 和 Stage 4.5** 的 MANDATORY 诚信门控中，integrity reviewer 必须逐条检查 7 类失败模式。这不是建议，是**阻断行为**——如果检测到疑似失败，pipeline 被阻塞直到用户确认。 ### 3.2 引用幻象 5 类分类法（v2.7） 来自 GPTZero × NeurIPS 2025 研究的分类： - TF: Title Fabrication（捏造标题） - PAC: Partial Author Claim（作者部分错误） - IH: Inaccurate Hallucination（不准确但存在的引用被歪曲） - PH: Partial Hallucination（部分真实部分虚构） - SH: Synthesis Hallucination（合成引用——多个真实来源拼成一个虚假引用） ### 3.3 魔鬼代言人让步门槛（v3.0） Devil's Advocate（魔鬼代言人）是 reviewer 团队中的第 7 个 agent，专门负责从反面攻击论点。 发现的问题是：每次被反驳时，DA 让步得太快。v3.0 引入**让步门槛协议**： - 反驳必须评分 1-5，≥4 才允许让步 - 不允许连续让步 - 框架锁定侦测：如果 DA 的反驳总在同一框架内打转，标记为 frame-lock 事件 ### 3.4 反谄媚机制（v3.0 / v3.5.0） - **对话健康度指标**：每 5 轮静默自检，侦测持续同意、回避冲突、过早收束 - **协作深度观察员**（v3.5.0）：4 维度评分（Delegation Intensity / Cognitive Vigilance / Cognitive Reallocation / Zone Classification），**分数 ≥7 必须附具体对话 turn 引用**——禁止空泛夸奖 - **反谄媚规范**：Zone 3 触发 re-audit，禁止鼓励性语言 ### 3.5 跨模型验证（v3.0） 设置 `ARS_CROSS_MODEL` 环境变量后，用第二 AI 模型（GPT-5.4 Pro 或 Gemini 3.1 Pro）做 30% 抽样独立审查。这不仅是"交叉验证"，更是一种**元认知机制**——让 AI 知道自己可能被其他 AI 检查，从而自我约束。 ## 四、版本演进中的关键创新 ARS 从 v1.0（2026-02）到 v3.7.0（2026-05-05），三个月内迭代了 15+ 个版本。这不是"功能堆砌"，而是围绕一个核心命题的持续深化：**如何让 AI 辅助学术研究时，幻觉和结构性偏见可被检测、可被追踪、可被人类介入**。 | 版本 | 时间 | 核心突破 | |------|------|---------| | v1.0 | 2026-02 | 初版：4 技能、基础研究→写作→审稿流程 | | v2.7 | 2026-03-09 | **诚信验证 v2.0**：反幻觉全面改版，5 类引用幻象分类 | | v2.8 | 2026-03-22 | **SCR Loop**：State-Challenge-Reflect 反思机制 | | v2.9 | 2026-03-27 | **风格校准**：从用户过去 3+ 篇论文学习写作声音 | | v3.0 | 2026-04-03 | **反谄媚 + 跨模型验证 + AI 自我反思** | | v3.1 | 2026-04-06 | **29 条 Anti-Patterns + 22 个 IRON RULE**，教 Agent"如何思考" | | v3.2 | 2026-04-09 | **Lu 2026 Nature 整合**：7 类 AI 研究失败模式 | | v3.3 | 2026-04-09 | **PaperOrchestra 启发**：S2 API 验证、反泄漏、VLM 图表验证 | | v3.4 | 2026-04-20 | **Compliance Agent**：PRISMA-trAIce 17 项 + RAISE 四原则 | | v3.5.0 | 2026-04-21 | **协作深度观察员**：人机协作 4 维度量化评估 | | v3.6.2 | 2026-04-23 | **Sprint Contract Hard Gate**：审稿人先盲承诺评分准则 | | v3.6.7 | 2026-04-30 | **Pattern Protection**：18 个已知幻觉模式硬性防护 | | v3.6.8 | 2026-05-03 | **Generator-Evaluator Contract**：写作者与评估者双盲承诺 | | v3.7.0 | 2026-05-05 | **Claude Code Plugin 打包**：10 个 slash command + 3 个 plugin agent | ### 4.1 两个被反复强化的工程纪律 **CI/Lint 驱动开发**：几乎每个新版本都伴随新的 lint script 和单元测试： - `scripts/check_spec_consistency.py` — 防文档漂移 - `scripts/check_sprint_contract.py` — sprint contract 验证（71 条测试） - `scripts/check_v3_6_7_pattern_protection.py` — 29 条 mutation 测试 - `scripts/check_data_access_level.py` — data_access_level 强制执行 - `scripts/check_corpus_consumer_protocol.py` — 9 条 consumer 协定不变式 **Schema 版本控制**：从 Schema 9 到 Schema 13.1，Material Passport 作为跨 Agent 数据传递的标准格式，append-only 的 `compliance_history[]` 和 `reset_boundary[]` 确保审计追踪完整性。 ### 4.2 实际产出验证：出版后审计 项目公开了一份 **post_publication_audit_2026-03-09.pdf**：对全部 68 篇引用做 WebSearch 逐一验证，发现 **21 篇有问题（31% 错误率）**——关键是，这发生在"通过了 3 轮诚信审查"之后。这个数据极其重要：它证明了**诚信门控不能完全消除错误，但能系统性降低错误率**，且审计本身就是持续改进的驱动力。 审计后的修正：移除 4 篇捏造引用、修正 6 篇作者错误、修正 7 篇书目细节、修正 2 篇格式问题。 ## 五、费曼视角：命名≠理解，框架≠质疑 用费曼的视角审视 ARS，会发现它做对了什么、回避了什么： ### 5.1 它做对了的 **"货物崇拜检测"（Cargo Cult Detection）**：ARS 明确区分"看起来像学术"和"真正是学术"。写作品质检查中的 25 个 AI 高频词汇警告、em dash 限制（≤3）、"三项列举强迫症"侦测——这些不是为了"逃避 AI 检测"，而是**对抗 AI 自身产生的模式化写作**。 **"教思考，不是给步骤"**：v3.1 引入的认知框架（Toulmin 模型、Bradford Hill 因果推理、三镜头法）不是 prompt 模板，而是**教 agent 如何推理**。这和费曼说的"如果你不能向大一新生解释清楚，你就没理解"是一个逻辑。 ### 5.2 它回避了的 **"全自动"的诱惑**：ARS 反复声明"AI 是副驾驶，不是机长"。但一个诚实的问题是：如果底层模型能力持续提升（Lu 2026 的 scaling law 暗示这一点），人机协作的边界会如何移动？ARS 的 MANDATORY checkpoint 设计是否会成为瓶颈？ **"学术评价标准本身"**：ARS 用 0-100 量表、≥80 接受等标准做审稿决策。但这些标准本身（如 ICLR 的评分体系）是否也值得被审视？框架锁定不仅发生在 AI 端，也发生在人类端。 ### 5.3 一个有价值的张力 ARS v3.7.0 的 README 有一段话： > "这些优化不能完全解决 AI 的结构性限制——它们让限制变得可见、可追踪、可被人類介入。" 这句话本身就是费曼式的诚实。**承认不能完全解决，但坚持让问题可见**——这比声称"我们已经解决了幻觉"更有价值。 ## 六、适用边界 ### 适合的场景 - 需要**系统性文献回顾**（PRISMA 协议支持） - 论文写作需要**多轮修订和审稿反馈** - 对**引用准确性和数据可验证性**有严格要求 - 研究者愿意投入时间做**人机协作**（不是"一键生成论文"） - 使用 **Claude Code** 作为主力开发/写作环境 ### 不适合的场景 - 期望全自动生成可发表论文（项目明确反对这个定位） - 不使用 Claude Code（虽然有 Codex CLI 姊妹版，但核心设计围绕 Claude Code plugin 体系） - 追求速度而非质量（完整 pipeline 约 $4-6 一篇 15k 字论文，但时间投入远大于费用） - 商业用途（CC-BY-NC 4.0 限制） ## 七、技术亮点：被低估的工程细节 ### 7.1 Material Passport 设计 一个 YAML 格式的"素材护照"，记录论文创作全过程中的所有关键决策和验证结果： - `literature_corpus[]` — 用户提供的预筛选文献 - `compliance_history[]` — 合规检查历史（append-only） - `reset_boundary[]` — 上下文重置边界（跨 session 恢复用） - `repro_lock` — 可选的可重现性锁定文件 这不是简单的日志，而是**可审计的决策追踪系统**。 ### 7.2 苏格拉底模式的"意图匹配" deep-research 和 academic-paper 的 socratic/plan 模式不比对关键词，而是**检测用户的意图信号**（"用户不确定如何开始""用户想要逐步引导"）。这意味着支持任何语言——**模式路由是基于意图，不是基于语言**。 ### 7.3 SessionStart Announce Hook v3.7.0 的 plugin 架构中，`scripts/announce-ars-loaded.sh` 在 plugin 加载时自动注入 10 个 slash command、3 个 plugin agent、token 预算指引。`startup` 和 `clear` 拿完整 announce，`resume` 和 `compact` 只拿一行确认——**精确控制 context burn**。 ## 参考信息 - **GitHub**: https://github.com/Imbad0202/academic-research-skills - **最新版本**: v3.7.0（2026-05-05） - **作者**: 吴政宜 (Cheng-I Wu) - **许可证**: CC-BY-NC 4.0（非商业性） - **姊妹版**: [Imbad0202/academic-research-skills-codex](https://github.com/Imbad0202/academic-research-skills-codex)（Codex CLI 适配） - **配套工具**: [Imbad0202/experiment-agent](https://github.com/Imbad0202/experiment-agent) **相关论文引用**（保留在项目文档中）： - Lu, C. et al. (2026). "Towards end-to-end automation of AI research." *Nature* 651, 914-919. - Zhao, X. et al. (2026-05). Citation hallucination audit. arXiv:2605.07723. - Song, Y. et al. (2026). "PaperOrchestra: A Multi-Agent Framework for Automated AI Research Paper Writing." arXiv:2604.05018. - Wang, S. \& Zhang, H. (2026). "Pedagogical partnerships with generative AI in higher education." *IJETHE* 23:11. #学术工具 #AI协作 #多智能体 #ClaudeCode #人机协作 #反幻觉