科研圈的人大概都有过这种经历：花三天时间整理文献引用格式，花两天调整论文排版，花一天检查数据一致性——然后发现真正写"我提出"后面那句话的时间，不到半天。
academic-research-skills 这个项目，就是冲着这件事来的。
6.6K 星，384 次 commit。它是一个 Claude Code 插件，把学术研究从选题到发表的完整流程拆成了可交互的 Agent 技能链。
核心理念：AI 是副驾驶，不是驾驶员
项目首页第一段就写得很清楚：
AI is your copilot, not the pilot. This tool won't write your paper for you.
它不帮你写论文。它处理的是脏活累活——找文献、格式化引用、验证数据、检查逻辑一致性。真正需要人类大脑的部分——定义问题、选择方法、解释数据、写下"I argue that"后面的话——留给你自己。
这不是什么谦虚的说法，而是一个经过验证的工程决策。
为什么不搞全自动？
项目引用了 Lu 等人 2026 年发表在 Nature 上的论文（The AI Scientist），那篇论文做了第一个完全自主的 AI 研究系统——并且真的在顶级 ML 会议的盲审中发表了论文（ICLR 2026 workshop，得分 6.33/10，超过 workshop 平均分 4.87）。
但它的 Limitations 部分列出了一长串全自动 AI 研究的失败模式：实现 bug、幻觉结果、捷径依赖、把 bug 重新包装成 insight、方法论捏造、frame-lock、引用幻觉。
ARS（academic-research-skills 的缩写）的设计前提就是：一个被 AI 增强的人类研究者，比全自动系统或纯人类都更好。
流水线架构
ARS 把科研流程拆成了几个阶段，每个阶段有对应的 Claude Code 技能：
研究规划（ars-plan）。 用苏格拉底式对话走一遍你的论文结构，帮你理清研究问题、方法选择和贡献定位。不是直接给你一个选题，而是通过多轮提问帮你自己想清楚。
深度研究（deep-research）。 调用 Semantic Scholar API 验证文献，跑 anti-leakage protocol 防止信息泄露，用 VLM 验证图表。
论文撰写（academic-paper）。 Style Calibration 功能会从你过去的作品中学习你的写作风格，Writing Quality Check 会捕捉那些让文章看起来像机器生成的模式。目标是提升质量，而不是帮你伪装成人类写的。
论文评审（academic-paper-reviewer）。 reviewer 有一个可选的 calibration 模式，可以用你提供的 gold set 测量它自己的 FNR/FPR。
学术流水线（academic-pipeline）。 把上面所有阶段串起来，带 7-mode blocking checklist 的 integrity gate。
Style Calibration 的细节
这个项目最值得称道的设计之一是 Style Calibration。
大多数 AI 写作工具的问题是输出风格太"AI"了——句式整齐、过渡词滥用、缺乏个性。ARS 的做法是从你过去的作品中学习你的风格，然后在生成内容时尽量模仿。这不是简单的人称替换，而是更深层的风格迁移。
Writing Quality Check 则会反过来工作：它检测你的文章里哪些模式会让人觉得"这像是 AI 写的"，然后提醒你修改。两个工具配合使用，一个模仿你的风格，一个过滤掉 AI 的痕迹。
安装和使用
在 Claude Code（v3.7.0+）里装这个插件只需要两行命令：
/plugin marketplace add Imbad0202/academic-research-skills
/plugin install academic-research-skills
然后试试 /ars-plan 走一遍论文结构规划，或者直接跳到 quick install 看前置要求。
可选依赖包括 Pandoc（生成 DOCX）和 tectonic + 思源宋体 TC（生成 APA 7.0 格式的 PDF）。Markdown 输出不需要任何额外依赖。
跟 local-deep-research 的区别
你可能已经用过或听说过 LearningCircuit 的 local-deep-research（就是上周在 GitHub Trending 上那个 ~95% SimpleQA 的项目）。两者定位不同：
local-deep-research 是一个独立的深度研究 Agent，可以本地跑，侧重信息检索和问答。
academic-research-skills 是一个 Claude Code 插件，侧重学术论文的完整生产流程——从选题规划到最终成稿，强调 human-in-the-loop 的协作模式。
如果你要做的是"查资料"，local-deep-research 更合适。如果你要写论文，academic-research-skills 的流水线更对口。
主要来源：
- Imbad0202/academic-research-skills GitHub 仓库
- Lu et al., Nature 651:914-919 (2026), The AI Scientist