ARS（Academic Research Skills）是面向 Claude Code 的学术研究 skill 套件，把论文工作做成 research → write → review → revise → finalize 的 pipeline：含 Deep Research（13 Agent 研究团队 + PRISMA 系统性综述 + Semantic Scholar API 验证）、Academic Paper（撰写）、Academic Paper Reviewer（审稿 + 可校准 FNR/FPR）、Academic Pipeline 四个 skill，主打人机协作而非全自动，并内置多道学术诚信闸门来防引用幻觉和方法论造假。
来源：README.zh-CN 首段 + 架构与 pipeline + Skill 详细信息 查看 GitHub 仓库 →全自动 AI 写论文（如 The AI Scientist）已能过 workshop 盲审，但其 Limitations 列出一堆结构性失败：实现错误、幻觉实验结果、方法论造假、引用幻觉——Zhao 等人（2026）盘点 250 万篇论文 1.11 亿条引用，保守估计 2025 单年就有 146,932 条幻觉引用、bioRxiv→PMC 幻觉存活率 85.3%。ARS 押的注是「人类研究者 + AI 比纯自动或纯人工更能避开这些失败模式」，并把学术诚信做成一等公民：Stage 2.5 / 4.5 跑 7 类阻断式检查清单、为引用加 trust-chain provenance 和三层 locator anchor、opt-in 的 claim-level 审计（ARS_CLAIM_AUDIT=1）抓取被引原文判断 claim 是否真被支撑、5 类 HIGH-WARN 标注在输出前硬阻断，reviewer 还提供用 gold set 测 FNR/FPR 的校准模式。设计灵感明确引自 The AI Scientist、PaperOrchestra（Google）、Zhao et al 等真实论文。这种「学术诚实做到偏执」+ 18.3K★ + 多语言，是学术 AI 写作工具里少见的严谨实现。
来源：README.zh-CN 'AI 失败模式' / 学术诚信闸门段把学术论文工作组织成完整 pipeline：研究 → 撰写 → 审查 → 修订 → 定稿，四个 skill 串联，配阶段×维度矩阵、质量闸门和模式清单（完整视图在 docs/ARCHITECTURE.md）。命令如 /ars-plan（苏格拉底式规划章节）、/ars-lit-review（综述）、查 pipeline 进度等。
来源：README.zh-CN desc / 架构与 pipeline / 使用方式Deep Research（v2.8）是 13 个 Agent 的研究团队，支持苏格拉底引导、PRISMA 系统性回顾、意图检测、对话健康度监控、可选跨模型 DA（devil's advocate）、Semantic Scholar API 验证。把文献调研做成多 Agent 协作 + 真实 API 验证而非凭空生成。
来源：README.zh-CN 功能特色 / Skill 详细（Deep Research）Stage 2.5 与 4.5 跑 7 类阻断式学术诚信检查（实现错误/幻觉结果/方法论造假/引用幻觉等）；v3.7 给来源加 trust-chain frontmatter + 三层引用 locator anchor；v3.8 的 opt-in claim 审计（ARS_CLAIM_AUDIT=1）抓取每个 anchor 的原文，判断论文 claim 是否真被该引用支撑，5 类 HIGH-WARN 标注（claim-not-supported / fabricated-reference / anchorless 等）在 formatter terminal 硬闸门直接阻止输出。
来源：README.zh-CN 学术诚信闸门 / L3 缺口 / v3.8 段Academic Paper Reviewer（v1.8）做同行评审式审查，提供 opt-in calibration mode——用用户提供的 gold set 测量 FNR（漏报率）/FPR（误报率），随 release 提供 20 条 gold set，采用 FNR<0.15、FPR<0.10 双阈值，正式放大投入前先要 calibration 证据。把审稿质量本身做成可度量的。
来源：README.zh-CN Skill 详细（Reviewer）/ calibration支持多种语言、多种引用格式、多种论文结构（README 有专门列表）；可选 Pandoc/tectonic 出 DOCX/PDF，可选跨模型验证（ARS_CROSS_MODEL）。配套 Experiment Agent 做实验。设计灵感引自 PaperOrchestra（Semantic Scholar 验证、反泄露、VLM 图表验证、分数轨迹追踪）。
来源：README.zh-CN 支持语言/引用格式/论文结构 + 搭配工具五种安装方式：Claude Code 插件市场（/plugin install）、项目 skills、全局 skills、claude.ai Project、repo clone。用 Codex CLI 的有姐妹版 academic-research-skills-codex（同 workflow，打包成单一 $academic-research-suite skill + ars-* 别名）。一篇 15k 字论文约 $4-6 token 成本。
来源：README.zh-CN 快速安装 / 性能与费用 / Codex 姐妹版ARS 是 Claude Code skill 套件（NOASSERTION 许可），核心是四个 skill 目录：deep-research（54，13 Agent 研究团队）、academic-paper（59，撰写）、academic-paper-reviewer（29，审稿）、academic-pipeline（35，编排）+ shared（53，共享）+ commands（13，/ars-* 命令）+ agents + hooks + .claude-plugin。scripts（193）+ tests（442，测试量大）+ conftest.py + requirements-dev 体现工程严谨。运行流程：/ars-plan 苏格拉底式规划 → Deep Research 多 Agent 调研（Semantic Scholar 验证、PRISMA）→ Academic Paper 撰写 → Stage 2.5/4.5 学术诚信闸门（7 类阻断检查）→ Reviewer 审稿 → 修订 → finalize（formatter terminal 硬闸门挡掉 claim-not-supported/fabricated-reference 等）。引用走 trust-chain provenance + 三层 locator anchor，opt-in 的 claim 审计抓原文核 claim 是否被支撑。设计判断：它最大的特点是「把学术诚信/防幻觉做成可阻断、可度量、有论文依据的一等能力」——anchor + claim 审计 + reviewer 的 FNR/FPR 校准，直接回应 AI 写论文最致命的引用幻觉和方法论造假问题，且坦诚标注哪些是 ARS 自己的术语（L3）、哪些评估仍是未来工作。这种严谨在 AI 学术工具里罕见；代价是系统复杂（四 skill + 多阶段 + 多闸门 + 多模式）、人机协作意味着仍需研究者深度参与（不是一键出论文），且最终质量受所用模型与用户投入决定。
来源：tree（四 skill + scripts/tests）+ README.zh-CN 架构/诚信闸门中心为项目本体，内环 = 核心功能模块，外环 = 关键技术依赖；按 deep.json 中的 core_features 与 tech_stack.key_deps 自动生成
Semantic Scholar APIPRISMAPandoc / tectonic（可选）— DOCX/PDF 输出claim 审计 + locator anchor + trust-ch…跨模型验证（ARS_CROSS_MODEL）+ Experiment A…1. 研究者写论文全流程：用 ARS 从规划章节、文献综述、撰写、审稿到修订定稿，全程人机协作并有诚信闸门兜底；2. 系统性文献综述：用 Deep Research 的 13 Agent 团队 + PRISMA + Semantic Scholar 验证做严谨综述，避免引用幻觉；3. 论文自审：用 Reviewer 在投稿前做同行评审式检查，并用 gold set 校准其 FNR/FPR；4. 防引用幻觉：开 claim 审计核对每条引用是否真支撑论文 claim，挡掉伪造引用；5. 多语言/多格式产出：按目标期刊的引用格式和论文结构出 DOCX/PDF；6. Codex 用户：用姐妹版获得同套学术 workflow。注意：是人机协作工具，需研究者深度参与，非一键出论文。
来源：README.zh-CN 功能特色 / 使用方式 / 为什么人机协作v3.9.x（README badge 显示 v3.9.4.2，Releases 有 v3.9.0 (2026-05-17) / v3.9.2 (2026-05-18)）。各 skill 也有自己版本（Deep Research v2.8、Academic Paper v3.0、Reviewer v1.8、Pipeline v3.7）。仓库 2026-02-26 创建、pushed 到 2026-05-21，迭代频繁，v3.7/v3.8 持续补「L3 引用 claim-faithfulness」缺口。
来源：GitHub Releases API + README.zh-CN 版本标注如果你是研究者、要用 AI 辅助写论文又最怕引用幻觉/方法论造假，ARS 是目前最严谨的方案：research→write→review→revise 全 pipeline、13 Agent 调研 + Semantic Scholar 验证、多道学术诚信闸门 + claim-level 审计 + 可校准审稿。务实建议：1) 它是人机协作工具不是一键出论文——价值靠你投入领域判断和审查，先用 /ars-plan + /ars-lit-review 体验；2) 要发挥防幻觉能力，开 claim 审计（ARS_CLAIM_AUDIT=1）并给 reviewer 提供 gold set 做校准，否则开箱检出率未在你领域验证；3) 完整 pipeline 一篇 15k 字约 $4-6 + 多验证调用，预算敏感先算账；4) 系统复杂，先读 docs/ARCHITECTURE 建立全貌再上手；5) Codex 用户用姐妹版；6) 它能大幅降低但不能消除幻觉，「过了闸门」不等于免责，学术责任仍在你——这点 ARS 自己也说得很清楚。
来源：综合分析ARS（Academic Research Skills）是面向 Claude Code 的学术研究 skill 套件，把论文工作做成 research → write → review → revise → finalize 的 pipeline：含 Deep Research（13 Agent 研究团队 + PRISMA 系统性综述 + Semantic Scholar API 验证）、Academic…
academic-research-skills 的核心功能包括：research→write→review→revise→finalize 全 pipeline、Deep Research（13 Agent 研究团队）、学术诚信闸门（防幻觉 + claim-level 审计）、可校准的论文审稿（Reviewer）、多语言 + 多引用格式 + 多论文结构。
全自动 AI 写论文（如 The AI Scientist）已能过 workshop 盲审，但其 Limitations 列出一堆结构性失败：实现错误、幻觉实验结果、方法论造假、引用幻觉——Zhao 等人（2026）盘点 250 万篇论文 1.11 亿条引用，保守估计 2025 单年就有 146,932 条幻觉引用、bioRxiv→PMC 幻觉存活率 85.3%。
1. 研究者写论文全流程：用 ARS 从规划章节、文献综述、撰写、审稿到修订定稿，全程人机协作并有诚信闸门兜底；2. 系统性文献综述：用 Deep Research 的 13 Agent 团队 + PRISMA + Semantic Scholar 验证做严谨综述，避免引用幻觉；3. 论文自审：用 Reviewer 在投稿前做同行评审式检查，并用 gold set 校准其 FNR/FPR；4.