企业官网建设流程全解析

用 AI 写论文，是提效还是作弊？这个问题如果只给出“是”或“否”的答案，注定是错的。学术圈现在对 AI 的态度极其分裂：有人用 AI 三个小时整理出一版像样的综述框架，有人因为一段 AI 生成的文字被期刊直接打回，更多人则是既想用、又不敢用，最后在“用一点但藏着掖着”的状态里反复内耗。

这个分裂的根源在于，“AI 写论文”这个说法把两件性质完全不同的事混在了一起：一种是让 AI 处理文献、格式、语言这类体力活，另一种是让 AI 替你产生观点、结论、实验数据这类脑力活。前者是提效，后者是作弊——但绝大多数讨论都停留在“用没用到 AI”这个粗糙层面，所以永远吵不出结果。

这篇文章想用一条具体的技术链路把这件事讲透：Claude Code 配合 claude-scholar 这类面向学术研究的技能包（Skill），从文献检索、实验执行到论文写作，完整走一遍学术工作流。你会发现，AI 在论文里到底扮演什么角色，并不取决于工具本身，而取决于你在哪个环节把判断权交给了它。

读完你会得到三样东西：一套能在终端里跑通的学术研究流程方法；一套判断“哪些自动化是安全的、哪些是雷区”的边界清单；以及几个真实项目中一定会遇到的坑和排查思路。建议先收藏，再跟着环境准备一节动手跑一遍。

1. 先回答那个争论：提效还是作弊

先给结论：用 AI 写论文这个动作本身不构成作弊，真正构成作弊的是三件事——数据不是真的、观点不是你的、过程说不清楚。

这个判断标准可以落到非常具体的场景里。同样是让 AI 写了一整段“结果分析”，如果这段分析基于你真实跑出来的实验数据、经过你逐句核对、并且你能向审稿人解释每一个统计量怎么来的，那 AI 在这里的角色和 Grammarly 没有本质区别。反过来，如果这段分析是 AI 根据“常见论文套路”脑补出来的，表格里的数字没有一次真实实验支撑，那不管文笔多流畅，它都是学术不端。

更准确地说，判断边界有三个维度：

第一，数据与结果是否真实可复现。实验可以在 AI 帮助下设计、写代码、跑脚本，但最终进入论文的数字必须来自真实执行的过程，并且别人按你的方法能重复出来。AI 生成的“看起来合理”的数据，是这个链条上最危险的伪造。

第二，核心观点和学术判断是否由作者做出。AI 可以帮你把文献按主题分类，可以帮你找矛盾点，可以帮你润色论证语言，但“这个问题为什么重要”“这个结果说明了什么”“下一步该做什么实验”这类判断，必须是你自己得出的。否则论文发表后，你在学术共同体中的信用就没有对应的能力支撑。

第三，过程是否可解释、可辩护。答辩和审稿的本质是“让你的研究过程经得起追问”。如果论文里任何一段内容你都无法说明它为什么存在、依据是什么，那它就不应该出现在论文里。

下面的表把这个边界压缩成几个具体场景，方便对照：

所以，这篇文章后面所有实操都建立在一个前提上：AI 负责的是“做”，你负责的是“判断”。工具不会替你做决定，但它能把做决定的成本大幅降低。

2. Claude Code 与 claude-scholar 的技术定位

在进入实操前，先把两个概念讲清楚：Claude Code 是什么，claude-scholar 又是什么。

Claude Code 是 Anthropic 推出的 Agent 化编程工具，运行在终端里。它和网页版对话式 AI 最大的区别是：它不是一个“聊天框”，而是一个能直接操作你工作区的 Agent。它可以读取项目里的文件、修改代码、执行 bash 命令、运行脚本、查看运行结果，然后根据结果继续迭代。你给它一个任务，它能像一名坐在你电脑前的工程师一样，把文件打开、改掉、跑测试、再修，最后交付一个可运行的结果。

Claude Code 的机制里有几个关键概念，后面会反复用到：

• CLAUDE.md：项目的“记忆文件”。每次会话启动时，Claude Code 会自动读取这个文件，了解项目背景、目录结构和硬性规则。
• Skill（技能）：放在.claude/skills/目录下的一组指令文件，本质是一个 SKILL.md，包含技能名称、描述和执行步骤。当任务匹配技能描述时，Claude Code 会自动加载并使用它。
• 权限系统：Claude Code 的每次文件读写、命令执行都需要授权，你可以通过交互确认，也可以在settings.json里预设允许和拒绝规则。

claude-scholar 就是建立在 Claude Code 这套机制之上的学术研究工作流。从命名和社区常见实践来看，它的核心思路是把“文献检索→实验→论文写作”这类学术任务，拆成一组可复用的 Skill、提示词和辅助脚本放进工作区，让 Claude Code 变成一名熟悉学术流程的研究助理。这里不打算逐条贴某个具体仓库的命令，因为社区项目迭代很快，照着旧命令抄很容易失效；更值得做的是把机制讲清楚，让你能自己组装一条适合自己课题的工作流。

为什么这种“工作区 Agent”比网页版对话更适合学术流程？可以用一个对比来说明：

学术研究恰恰是多步骤、多文件、需要留痕的工程化任务：几十篇 PDF、多份实验数据、多个版本的草稿。Claude Code 真正改变的不是“生成文本”这一环，而是把 AI 嵌进了你的研究工作区，让它可以跨文件操作，也让每一步操作都留下可追溯的记录。这个“可追溯”对学术场景极其重要，因为它是你向导师、审稿人证明“过程清白”的基础。

3. 环境准备：安装 Claude Code 并建立研究项目

这一节的目标是搭好一个最小可用的研究环境。版本细节以官方文档为准，这里重点讲通用思路。

3.1 安装与登录

Claude Code 最常见的安装方式是 npm，前提是机器上有 Node.js 环境，Windows 用户建议在 WSL 或 Git Bash 等类 Unix 环境中使用，体验更完整。

# 全局安装 Claude Code npm install -g @anthropic-ai/claude-code # 查看版本，确认安装成功 claude --version

安装完成后，在终端里运行claude启动首次配置。第一次启动会引导你登录，通常有两种方式：使用 Claude 账号登录，或者使用 Anthropic Console 的 API Key。登录完成后，Claude Code 会记住凭证，后续直接使用。

这里有两个容易踩的坑。第一，npm 安装失败多数是网络或权限问题，可以检查 Node.js 版本是否满足要求，也可以为 npm 配置镜像源后再试。第二，Claude Code 的模型调用在云端完成，使用会产生费用，或者消耗订阅额度。开始大规模跑任务前，先了解自己账号的计费方式，避免一个脚本把额度跑穿。

3.2 建立研究项目目录与项目记忆

学术项目建议从第一天就用清晰的目录结构，这不仅是给 AI 看的，也是给你自己看的。

mkdir -p scholar-project/{literature,data,experiments,scripts,paper} cd scholar-project

然后在项目根目录创建CLAUDE.md，把项目背景和规则写进去。Claude Code 每次启动都会读这个文件，它是你约束 AI 行为最重要的工具：

# 研究项目：你的课题名称 ## 项目角色 - 本工作区用于学术研究：文献综述、实验分析、论文写作。 - AI 负责整理、代码实现、格式处理；研究结论由作者负责。 ## 目录约定 - literature/：PDF 原文与结构化笔记 - data/：实验原始数据，禁止修改 - experiments/：实验结果存放 - scripts/：实验与统计脚本 - paper/：论文草稿 ## 硬性规则 - 不得编造实验数据、引用文献。 - 引用必须标注来源文件。 - 修改原始数据前必须备份。 - 生成任何结论前，先给出依据。

注意 CLAUDE.md 里的“硬性规则”不是装饰，它是 Claude Code 每次处理任务时都会被注入的约束。把“不得编造数据”“引用必须标注来源”写进去，比每次对话时临时叮嘱有效得多。

3.3 权限与模型选择

Claude Code 默认会对文件操作和命令执行逐项询问授权。在实验脚本跑批、批量读文献的场景下，逐项确认会很烦，可以在.claude/settings.json里预设权限规则：

{ "permissions": { "allow": [ "Bash(npm:*)", "Read(experiments/**)", "Write(paper/**)", "Write(literature/notes/**)" ], "deny": [ "Read(data/raw/private/**)" ] } }

这里的原则是最小权限：只放开任务确实需要的目录，把敏感目录明确拒绝。数据没脱敏之前，不要把原始实验数据全局开放给 Agent。

模型选择方面，Claude Code 支持在会话中用/model命令切换模型，也可以设置环境变量指定默认模型。不同模型在复杂任务上的表现和成本差异明显：长文档综述类任务建议用能力更强的模型，简单格式化任务可以用更轻量的模型。具体模型列表以当前版本和你的账号权限为准。

4. 全流程一：文献检索与综述

先看最磨人的环节——文献。传统做法是：数据库检索、下载 PDF、新建无数个标签页、在 Word 里堆笔记、写综述时再翻回去找原文页码。问题在于，信息散落在十几个文件里，笔记和原文分离，写作时根本无法高效交叉引用。

Claude Code 的解法是把文献变成工作区里的结构化数据：让 AI 批量读取 PDF 提取的文本，按统一格式输出结构化笔记，再生成对比矩阵，供你人工筛选。

操作步骤一般是：

1. 把下载好的 PDF 放入literature/pdfs/，用工具批量提取文本为 txt 文件，放入literature/texts/。
2. 在 Claude Code 中启动会话，要求它按固定模板逐篇提取信息。
3. 人工抽查笔记质量，修正指令后再批量处理。
4. 对筛选后的文献生成对比表，进入综述写作。

这里的关键不是让 AI 替你做综述，而是让 AI 把每篇文献的“基本信息”先提取出来，把机械劳动做掉。你可以创建一个针对文献综述的 Skill，让流程可复用。在.claude/skills/literature-review/SKILL.md中写入：

--- name: literature-review description: 批量提取文献信息、生成结构化文献笔记和对比表。当用户要求整理 PDF、标注引用、生成综述笔记时使用。 --- # Literature Review Skill ## 输入准备 - 确认 literature/texts/ 目录下有已提取的文本文件。 - 先询问用户：本轮综述要回答的具体问题是什么。 ## 执行步骤 1. 读取 literature/texts/ 下的文本文件。 2. 对每篇文献提取：研究问题、方法、样本、主要结论、局限。 3. 输出 markdown 笔记到 literature/notes/，每条记录必须带 source 字段，标明原文文件。 4. 当笔记数量超过 5 篇时，额外生成一份对比矩阵。 ## 红线 - 只提取原文中明确出现的信息，不推测作者意图。 - 不判断文献质量等级，只负责整理事实。 - 所有条目必须能在原文中找到依据。

为什么要写“只提取、不判断”？因为 AI 对文献价值的判断是不可靠的。它可能因为某些论文在训练数据里出现频率高而更“喜欢”它们，这和你课题真正需要什么完全无关。文献筛选的标准必须由你定。

每次批量处理后，还要做一次反向验证：随机抽几篇笔记，打开原文对照，确认没有“顺理成章”地补充了原文没有的内容。这个验证动作不需要花很多时间，但它是文献阶段防止 AI 幻觉的唯一防线。另外，综述里每一条论断，都要回到笔记的 source 字段去核对，这比最后统一补参考文献靠谱得多。

5. 全流程二：实验执行与数据分析

如果说文献阶段最大的风险是幻觉，那实验阶段最大的风险就是“用 AI 造数据”。很多关于 AI 论文作弊的争议，本质都出在这一环：AI 生成了统计结果，作者没有真实跑过一次实验。

正确做法是把 AI 限制在“写代码、调脚本、读结果”的范围内，结果数据必须来自真实运行。比如你的实验产生了两组 CSV 数据，需要做描述性统计和 t 检验，可以让 Claude Code 生成下面的脚本：

# scripts/analyze.py """读取 experiments/data/ 下两组 CSV 数据，计算描述性统计并做 t 检验。""" import json import numpy as np import pandas as pd from scipy import stats group_a = pd.read_csv("experiments/data/group_a.csv")["metric"].to_numpy() group_b = pd.read_csv("experiments/data/group_b.csv")["metric"].to_numpy() t_stat, p_value = stats.ttest_ind(group_a, group_b) result = { "n": [int(group_a.size), int(group_b.size)], "mean": [float(np.mean(group_a)), float(np.mean(group_b))], "std": [float(np.std(group_a, ddof=1)), float(np.std(group_b, ddof=1))], "t_stat": float(t_stat), "p_value": float(p_value), } with open("experiments/results/analysis_result.json", "w", encoding="utf-8") as f: json.dump(result, f, ensure_ascii=False, indent=2) print(json.dumps(result, ensure_ascii=False, indent=2))

注意脚本里没有手写任何“计算好的数字”，结果完全由输入 CSV 决定。让 Claude Code 执行脚本并检查结果：

cd scholar-project claude -p "读取 scripts/analyze.py，运行它。如果报错，分析错误原因并修复后重跑。运行成功后，读取 experiments/results/analysis_result.json 并总结结果。"

在非交互模式下运行，需要提前在 settings.json 中为相关命令授权，否则会因为权限问题中断。整个过程中，AI 是在帮你写代码、调 bug、读输出，而不是在替你生成“论文里该填什么数字”。

实验阶段还有一个容易被忽略的工程问题：可复现性。如果实验脚本没有固定随机种子、没有记录依赖版本、没有保存运行日志，那即使数据是真实跑出来的，审稿人也无法重复验证。建议至少做到四条：固定随机种子；在 requirements.txt 里锁定关键依赖版本；每次实验输出都带上时间戳；原始数据文件只读、不改写。这些要求同样可以写进 CLAUDE.md，让 AI 在写脚本时自动遵守。

这里有一条铁律：任何 AI 直接生成的“最终结果表”，如果无法追溯到真实运行的脚本和原始数据，一律视为无效。宁可少一个看起来很漂亮的实验，也不要在论文里放一个无法解释来源的数字。

6. 全流程三：论文写作与格式整理

写作阶段是争议最大的地方，也是最需要纪律的环节。把 AI 定位成“编辑”而不是“作者”，问题会清晰很多。

论文写作可以拆成几个层次，AI 在不同层次的能力和风险完全不同：

第一层是提纲与逻辑结构，必须由人主导。AI 可以帮你检查章节之间是否有逻辑断层，可以列出“这段论证缺少一个反例”之类的提示，但研究问题、创新点、章节如何服务于你的核心论点，是你自己的学术判断。

第二层是数据与结果描述，必须源自真实结果。论文里所有表格、统计量、实验设置，都应该直接从第 5 节的实验结果文件复制，而不是让 AI 根据“论文风格”重新生成一遍。AI 在这里的角色是帮你把结果描述得准确、清晰，而不是帮你“优化”数字。

第三层是语言润色与格式整理，可以充分交给 AI。中英文表达、术语统一、段落衔接、LaTeX 或 Markdown 排版、参考文献格式，这些是 AI 最擅长也最安全的部分。

一个比较稳妥的写作流程是：你先写出每节的骨架和核心论断，把真实数据表格贴进去，然后让 AI 在骨架内做语言层面的加工。给 AI 的指令要明确它的边界，比如这样：

这是论文“结果”章节的骨架和真实数据表格。请你： 1. 用学术论文语言改写段落，不要增加数据之外的结论。 2. 保持“方法-结果-统计值”的表述顺序。 3. 输出 Markdown，并在每个论断后标注对应的表/图编号。 4. 如果数据不足以支撑某个论断，直接标注【待补充】，不要脑补。

这个提示词的厉害之处在于第 4 条：它明确要求 AI 在数据不足时承认不足，而不是“圆”过去。你会惊讶地发现，只要明确提了这条，AI 就不再自作主张补充你没做过的实验了。

引用管理是另一个高频出错点。AI 生成“看起来真实但实际不存在”的参考文献，是论文写作中最常见的学术不端诱因。所以参考文献不允许直接采信 AI 的输出，必须回到文献笔记里核对。比如你可以用命令验证某个引用是否真的存在于笔记中：

# 检查引用是否能在文献笔记中找到支撑 grep -ri "zhang2024" literature/notes/*.md

然后再让 AI 把确认过的条目统一格式化为 BibTeX 或目标期刊的引用格式。格式可以交给 AI，是否存在必须由你确认。

最后提醒一句：很多学校和期刊对 AI 使用有明确的披露要求。投稿或提交前，去查目标期刊的作者指南里关于生成式 AI 的条款，按它的要求如实声明。隐瞒 AI 使用一旦被发现，后果比不用 AI 严重得多。

7. 常见问题与排查方法

这里整理一套实际使用中容易遇到问题的排查思路，按“先看现象，再查原因，最后动手修”的顺序来。

大部分问题都遵循同一个排查原则：先把错误信息完整拿到，再决定修什么。不要凭感觉重装环境，先看日志。

8. 学术诚信边界与工程合规建议

把前面的实操落回边界问题。真正稳固的 AI 学术工作流，应该在工程上就防止越界，而不是靠事后自觉。

三条红线必须写进项目规则：

第一条，数据真实性。所有进入论文的数据必须有真实来源、可追溯、可复现。AI 生成的数据等同于伪造。这条没有例外。

第二条，引用真实性。参考文献必须真实存在，且确实支撑了它所在的论断。AI 给出的任何文献都要先验证再使用。

第三条，贡献可解释。论文里的核心创新点和学术判断必须由你做出，并且你能在答辩和审稿中解释清楚。AI 可以帮你把话说得更漂亮，但不能替你决定说什么。

工程上，建议把“过程留痕”做成默认习惯。Claude Code 的每一次文件修改和命令执行都发生在工作区里，这本身就是一种天然留痕。在此基础上，建议定期提交 git，把文献笔记、实验脚本、论文各版本的演进记录都保存下来。当你需要向导师或机构说明“这个研究是怎么做的”时，这些记录就是你最有力的证明。

数据安全同样值得专门强调。不要把未脱敏的数据、未发表的基金申请材料、涉及保密协议的实验数据随意交给云端模型处理。在 settings.json 里明确拒绝敏感目录的读取，比我反复提醒你“注意别上传”可靠得多。

各学校和期刊对 AI 使用的政策差异很大，有的明确禁止生成文本，有的只要求披露，有的允许在报告后有限使用。不存在一个放之四海而皆准的合规答案。判断的通用原则是：宁可多披露，不要隐瞒；如果某项操作你不确定该不该让 AI 做，就先别做，查清楚再说。

9. 总结：用 AI 提效的前提，是你还在场

回到开头那个问题：AI 写论文是提效还是作弊？这篇文章给了一个更精确的回答：如果你让 AI 接管了数据真实性和学术判断，它就是作弊工具；如果你用 AI 压缩的是检索、整理、写码、排版这些体力活，同时保留验证、筛选、判断、解释这些作者职责，它就是近几年来最值得用的提效工具。

Claude Code 和 claude-scholar 这类学术工作流的价值，不在于让 AI 替你写一篇论文，而在于把“从文献到实验到成稿”的每一个环节，都变成可操作、可留痕、可核查的工程过程。这恰好是学术研究最需要的东西。

如果你今天想开始实践，建议只做三件事：按第 3 节搭好项目目录和 CLAUDE.md；把文献笔记做成带 source 的结构化文件；在提交论文前，对每一段 AI 参与过的内容做一次“可辩护性检查”——逐句问自己，这句话我能当着审稿人的面解释它的来源吗？

如果哪一句解释不了，就删掉或者重写。这个动作，比任何工具都能决定你的论文是提效的成果，还是翻车的证据。