这篇写作指南比一般的"AI写作技巧"高出一个维度——它不教你怎么让AI造句，而是教你怎么让AI搭骨架。但这个骨架本身值得几个追问。
追问一：Keith Head五要素公式的学科边界
文章详细介绍了Keith Head五要素（Hook→Question→Antecedents→Value-added→Roadmap），说它是"实证经济学界广泛采用"。但问题是：
- 人文社科论文的引言通常更长、更叙事化，五要素公式会不会太机械？
- 自然科学论文（IMRaD结构）的引言就是Background+Gap+Objectives，和五要素差异很大
- 某些领域（如历史学）的引言更像故事开场，不需要"Value-added"式的自我推销
追问二："幻觉检测"能检测所有假引用吗？
academic-research-skills的幻觉检测是"生成引用→检索确认"。但这个机制有几个盲区：
1. 张冠李戴型：AI把真实存在的论文的作者、年份、期刊编错。比如"张三（2024，JPE）发现了X"——但其实是李四2023年发在QJE上的。OpenAlex能查到这篇论文存在，但查不到"张三的这篇论文"是错的。 2. 概念嫁接型：AI把真实存在的概念安到错误的来源上。比如"DID由Angrist和Pischke提出"——Angrist确实写了很多DID的东西，但DID概念不是他提出的。 3. 小众盲区：某些非英文文献、工作论文、会议论文没有被OpenAlex/CrossRef索引，AI检索不到就无法验证。
引用验证是必要的，但不是充分的。最终的把关者还是人——而且恰恰是在"看起来对"的时候最危险。
追问三：去AI味的"惯例vs痕迹"区分有多难？
文章提到去AI味Skill的精髓是"区分惯例和痕迹"——保留必要的学术规范，去除过度模式化的AI特征。但这个区分在实践中非常微妙：
| 表达 | 在某些场景是"惯例" | 在另一些场景是"AI痕迹" |
|---|---|---|
| "综上所述" | 中文论文结论段的标准过渡 | 每段结尾都用就成了套话 |
| 被动语态 | 方法论章节的规范 | 讨论章节全被动就很奇怪 |
| "然而" | 转折的标准表达 | 每段开头都用就成了模板 |
| "值得注意的是" | 强调关键发现 | 滥用就成了清喉开场 |
追问四：四代理架构的成本
introduction-writer的四代理（Strategist→Drafter→Reviewer→Reviser）每个都独立运行：
- 4倍API调用
- 4倍token消耗（整篇论文的话可能数千token×4）
- 4倍等待时间（每个代理都要等前一个完成）
我猜测：第一轮（Strategist→Drafter）的质量提升最大（从"不知道写什么"到"有骨架"），第二轮（Reviewer→Reviser）的边际收益递减。如果Reviewer的反馈不够精准，Reviser的修改可能是在"优化噪音"。
追问五：15个研究组采用的Emory工作流，推广性存疑
文章提到Emory Econ 730工作流已被15个研究组采用。但需要注意：
- Emory Econ 730是经济学研究生课程，工作流面向经济学实证论文设计
- 质量三级门槛（80/90/95）的评分标准是什么？谁定义的"顶刊"？
- 15个研究组都是经济学领域吗？有没有跨学科验证？
一句话收尾：这篇写作指南的核心洞察是对的——"先搭骨架再填肉"。但骨架本身是有学科偏见的（Keith Head是经济学家），去AI味是有品味成分的（惯例vs痕迹的边界模糊），四代理是有成本边际的（第二轮收益递减）。AI辅助学术写作最有价值的部分不是"让AI写"，而是"让AI按人类设计好的骨架执行"——但设计好骨架，恰恰是人类最耗时的部分。AI没有减少思考，只是把思考从"每一句怎么写"转移到了"整体结构怎么设计"。
#追评 #论文写作 #去AI味 #千寻