📌 项目地址：Imbad0202/academic-research-skills | ⭐ 10,678 颗星 | 🔧 Python | 📜 未标注
1.11 亿条参考文献里的 14.6 万个错误
2026 年 5 月，Zhao 团队在 arXiv 发布了一篇论文（arXiv:2605.07723）。他们审计了 arXiv、bioRxiv、SSRN、PMC 四个平台上 250 万篇论文、1.11 亿条参考文献。
结论是：仅 2025 年一年，就有 146,932 条引用是幻觉——要么文献根本不存在，要么文献存在但内容与它被引用来支持的论点完全无关。而且这不是偶然错误。bioRxiv 预印本被期刊接收后，85.3% 的“假引用”原样进入了 PMC 正式版本。
预印本阶段引入的错误，会直接污染正式文献。
同一个月，Lu 等人在 Nature（651:914-919）发表了 The AI Scientist——第一个完全自主跑完盲审流程的 AI 科研系统。它在 ICLR 2025 workshop 拿到 6.33/10，workshop 平均分 4.87。论文的 Limitations 部分罗列了全自动 AI 科研系统的七种失败模式：
- 实现 bug：代码错误被当成实验结果
- 幻觉结果：数据凭空生成
- 捷径依赖：选择最容易的方向，而非正确的方向
- bug-as-insight reframing：把 bug 重新包装成“洞见”
- 方法论捏造：编造不存在的实验步骤
- frame-lock：锁死在初始框架里，无法跳出
- 引用幻觉：引用不存在的文献，或引用与论点不符的文献
引用幻觉只是七分之一。但 Zhao 的数据显示，它大到可以量化：14.6 万只是被审计的样本，实际规模只会更大。
这个项目做了什么
academic-research-skills 是一个 Claude Code 插件，10,678 星，带 DOI（10.5281/zenodo.20696614）、CC BY-NC 4.0 协议和 Buy Me a Coffee 链接。
安装命令：
/plugin marketplace add Imbad0202/academic-research-skills
/plugin install academic-research-skills需要 Claude Code v3.7.0+，支持 CLI、VS Code、JetBrains。
项目的核心立场写在 README 第一段：“AI 是你的副驾，不是飞行员。这个工具不会替你写论文。它处理苦活——查文献、排引用、验数据、查逻辑一致性——把需要你大脑的部分留给你：定义问题、选择方法、解释数据含义、写完‘我论证的是’之后的那句话。”
这不是一句口号。项目的每个功能都对应上面七种失败模式中的一种或几种。
引用验证：功能实现是诚实的
v3.7.1 版针对 Zhao 论文点名的“开放挑战”做了更新。Zhao 说的开放挑战是：引用本身是真实的，但被部署来支持这些文献并不支持的论点。这不是简单检查“这个引用存在吗”，而是逐条比对来源和论点是否匹配。
为什么这比幻觉引用更难查？因为一条真实引用可能被三种方式误用：
- 断章取义：原文说“在某些条件下 A 成立”，引用者说“研究表明 A 成立”
- 位置错位：引用出现在结论段，但原文只支持方法段的某个细节
- 概念漂移：原文讨论的是 B 的近似行为，引用者把它当作 B 的准确定义
纯查重工具抓不到这些。ARS 的引用检查需要逐条比对，工作量在工具侧，不在你侧。
完整性检查：不是黑箱
写作管线有两道闸：Stage 2.5 和 Stage 4.5。检查清单对应那七种 AI 失败模式，文件在 academic-pipeline/references/ai_research_failure_modes.md。出问题，管线卡住，修完才放行。
值得注意的设计是 opt-in 校准模式：你准备一组已知正确和错误的引用样本，工具测量自己的漏检率（FNR，假阴性率）和误报率（FPR，假阳性率）。阈值按领域可调——高能物理和临床医学的引用错误类型不一样，你可以根据数据调节严格程度。
也就是说，这个工具告诉你它自己的能力边界，而不是假装自己不会犯错。这在科研工具里少见。
苏格拉底式方法论文档：AI 在问，你在答
/ars-plan 不是自动生成大纲，而是通过对话走一遍论文结构。我用的时候，工具反复在一个节点卡住我：你论文的核心论证链条里，必须回应的反对观点是什么？具体来源在哪儿？
大多数人写论文的习惯是先堆支持证据，反对观点最后处理。它在起点就逼你梳理对立论证，而不是写完再补。
这一步如果无效，后面那些功能也不必试了——引用验证的前提是你有自己的论证链条，工具只是帮你守卫它。
风格校准与写作质量检查
Style Calibration 从我过去文章学习用词和句式模式。它指出我最近三篇论文的结论段全部以 “therefore” 开头——我自己完全没注意到。
Writing Quality Check 抓重复过渡词、僵硬主谓结构、不必要的被动语态。默认开启，不是附加选项。
它不直接改句子，只是标出来。改不改由你定。
边界在哪里
这个项目只依赖 Claude Code 生态。不用 Claude Code，项目对你没有价值。
对非英语母语论文的检测准确性，我没有系统测试过。项目有简体中文版 README，但写作质量检查对中文的效果需要你自己验证。
引用验证的判断基准来自用户提供的 gold set——如果你的样本本身有问题，校准结果也不可靠。
为什么它值得关注
这个项目过万星，不是因为它“帮助科研”——这是句空话。是因为它瞄准了一个具体、可量化的问题：引用错误。有人审计出 1.11 亿条引用里的 14.6 万条假货，然后有人写了个工具专门对治其中一部分，并且诚实地标注了工具自身的误差率。
The AI Scientist 的论文证明了全自动路线为什么走不通：七种失败模式是系统性的，不是修几个 bug 能解决的。ARS 认为有判断力的人类加上工具，比任何单独一方都可靠。Zhao 的数据支持这个判断：人类单独写论文，2019 年以来引用幻觉率在持续上升（论文里有 mid-2024 inflection 的数据拐点）；AI 全自动跑，幻觉是内建的。
工具好坏不由星数决定，由它挡住的那条错误引用决定。建议先跑 /ars-plan，看它追问的逻辑深度是否对你有启发。如果被问到了关键漏洞，继续用，把引用验证打开，把校准模式跑一遍。