企业官网建设流程全解析

审稿人查无此文时，Academic Research Skills 的防泄漏机制在做什么

【免费下载链接】academic-research-skillsAcademic Research Skills for Claude Code: research → write → review → revise → finalize项目地址: https://gitcode.com/GitHub_Trending/ac/academic-research-skills

你有没有遇到过这种情况：用 AI 辅助写出来的论文，某条参考文献被审稿人判定"查无此文"？这不是假设。对 arXiv、bioRxiv 等预印本库上 250 万篇论文、1.11 亿条引用做审计的研究，估计 2025 年一年就有 146,932 条幻觉引用。Academic Research Skills（下称 ARS）的防泄漏协议就是针对这类风险：它是一套覆盖"研究 → 写作 → 评审 → 修订 → 定稿"全流程的 Claude Code 技能包，目标只有一个——写作代理只使用你在本次会话里提供的材料，而不是它"记得"的东西。

在 Claude Code 里安装并跑通 ARS

前提是你已经装好 Claude Code。在 Claude Code 会话里执行两条插件命令：

/plugin marketplace add Imbad0202/academic-research-skills /plugin install academic-research-skills

装完先验证一下：输入 /ars-plan，描述你正在写的论文，它会用苏格拉底式对话帮你梳理章节结构；想要更轻的入口，直接说"对某个主题做文献综述"即可。说"我要写一篇关于 X 的研究论文"，整条流水线会按研究、写作、评审、修订的顺序推进。

需要留意的是，防泄漏协议并非常驻。它只在满足条件时自动启用：会话里已经提供研究问题简报（RQ Brief）、综述报告和带注释的参考文献表，且材料足够实质、模式是完整写作或修订。如果你还在 plan 或 Socratic 这类探索模式，或材料只有一份简报、没有文献表，协议不会激活——那些场景本来就预期模型调用自身知识。

写作代理拿到材料后发生了什么

先看一个片段里的实际情形。假设大纲要求写"数据与方法"，而你提供的材料只有数据采集时间段的说明，没有记录清洗流程。按大模型的默认习惯，它会顺手补全：模仿读过的论文，写出一段听起来合理的预处理步骤。句子很专业，可你从没做过这个操作，审稿人一问就露馅。

防泄漏协议的正式名称是知识隔离（Knowledge Isolation），它改变的就是这个默认行为。以下五条规则会注入写作代理的上下文，且只约束事实性内容（论断、引用、数据、方法描述），学术惯例与写作风格不受限：

• 事实性声明以会话材料为优先来源，模型记忆退居其后；
• 每一句话都要能追溯到带注释的文献表或你提供的数据，追溯不到的句子不写；
• 大纲要求但材料未覆盖的话题，打上 [MATERIAL GAP] 标记，不自行补齐；
• 不引入文献表之外的新文献，想加引用需要你明确授权；
• Methods 章节只描述材料里记载的流程，禁止推断或插值实验步骤。

屏幕出现 [MATERIAL GAP] 或 [LLM-SUPPLEMENTED] 时怎么处理

[MATERIAL GAP]：流水线会在下一个检查点把这个标记和缺口位置一起展示给你。你有两个选择：其一，补充材料——把缺失的原文、数据或实验日志喂给流水线，让 AI 基于新材料重写；其二，明确授权 AI 就这个缺口自行补充。注意，你授权的是"这一个"缺口，不是全局许可，其余缺口仍会逐一上报。

[LLM-SUPPLEMENTED]：如果你选了第二种，AI 补写的段落会在草稿元数据里带上这个标签，一致性审查时审查者会优先盯它。此时你要做的是逐字读这一段，对照自己的实际研究，发现出入就要求修改。

还有一个容易忽略的点：你做的每个覆盖性决定（补料还是授权）都会被自动写入论文的 AI 披露说明。哪段是 AI 补的、你如何处置，在成文里都有记录。

一条引用走过的完整旅程：从存在性检查到论断核对

AI 写作里最隐蔽的三类风险——写着写着"合理化"的 Methods 章节、用过时记忆填补的空白、从训练数据里逐字复现的段落——有个共同点：表面都专业，只有对照原始材料才看得出问题。ARS 的做法是沿流水线排开检查点，让每一条引用在每个环节都要回答一个问题。

这条引用真实存在吗

从 v3.11 起，文献表里的每条引用都会被脚本逐个查询 Semantic Scholar、OpenAlex、Crossref、arXiv 四个索引，模型不参与这一步：DOI 或 arXiv 编号在索引里查不到，引用即判为不存在，直接出局。实现在 scripts/verify_passport.py 与 scripts/verification_gate/。

它支持你要说的那句话吗

真实存在的文献也可能被误用——拿它去支撑原文根本没说的结论。这个检查点把重心从文献表转向正文：系统先把百分比数字、因果判断、"上升/下降"一类的趋势描述拉成清单，再逐条回到原文核对数字、时间范围与研究对象是否一致。高影响声明（头条结论、数值、因果判断）不做抽样，全部核对；其余按比例抽查。每条声明最终落入五档之一：VERIFIED、轻微偏差、重大扭曲、无法验证、无法访问。及格线很硬——出现任何一条"重大扭曲"或"无法验证"，该检查点判 FAIL，论文进不了评审。协议细节见 academic-pipeline/references/claim_verification_protocol.md。

还有没有其他风险

初稿与终稿各要过一道一致性门禁（Stage 2.5 / 4.5），不可跳过、不可静默绕过。门禁要求对 7 种已知的 AI 研究失败模式逐一判断并排除，引用幻觉和方法论虚构都在其中；任何一项被判"疑似"，流水线就停下，等你选择：退回修订、附理由覆盖（理由会记入流程日志），或修改后重查。清单全文在 academic-pipeline/references/ai_research_failure_modes.md。值得一提的是，项目自己的发表后独立全引用审计发现 68 条引用里有 21 条问题骗过了前三轮一致性检查——多道防线串联，正是为了这类漏网情况。

材料流动有边界吗

还有一条底层规则：每个技能都在元数据里声明数据访问级别（raw / redacted / verified_only），未验证材料与已验证材料分层流动，评估用的"答案"不会进入"答题"代理的上下文。设计原理见 shared/ground_truth_isolation_pattern.md。

关键文件速查

它解决什么，不做什么

防泄漏协议解决的是写作环节的问题：让模型不写出自己无法溯源的内容，让每条引用都经过可复核的检验，让你做的每个决定都留下记录。它不做的同样明确：不替你定研究问题、不替你跑实验，也不证明你申报的流程真的被执行过。项目把分工写得很清楚——追文献、调格式、核数据、查一致性这些体力活归 AI；定义问题、选择方法、解读结果，仍然归你。

【免费下载链接】academic-research-skillsAcademic Research Skills for Claude Code: research → write → review → revise → finalize项目地址: https://gitcode.com/GitHub_Trending/ac/academic-research-skills