README.zh-TW.md
Rama main · réplica de lectura del repositorio original.
# Academic Research Skills for Claude Code
[](https://github.com/Imbad0202/academic-research-skills/releases/tag/v3.24.2)
[](https://doi.org/10.5281/zenodo.20696614)
[](https://creativecommons.org/licenses/by-nc/4.0/)
[](https://buymeacoffee.com/crucify020v)
[English](README.md) | [简体中文版](README.zh-CN.md) | [日本語版](README.ja-JP.md) | [한국어](README.ko-KR.md) | [Español](README.es-ES.md) | [Português](README.pt-BR.md)
一套完整的學術研究 Claude Code 技能包，涵蓋從研究到論文出版的全流程。
**30 秒安裝**（Claude Code CLI / VS Code / JetBrains，v3.7.0+）：
```text
/plugin marketplace add Imbad0202/academic-research-skills
/plugin install academic-research-skills
```
裝完跑 `/ars-plan`，ARS 會用蘇格拉底對話幫你規劃章節結構。需要前置條件或傳統 symlink 安裝請看 [快速安裝](#快速安裝)。
使用 claude.ai 或 Claude Desktop（付費方案）時，在 **Customize → Plugins → Add → Add marketplace → Add from a repository** 加入同一個 repository，再安裝 `academic-research-skills`。在那裡的一般對話不執行 hook 與 plugin 代理程式，詳見 [SETUP 方法零](docs/SETUP.zh-TW.md#從-claudeai-或-claude-desktop-安裝帳號市集)。
> **AI 是你的副駕駛，不是機長。** 它可以起草文字，full mode 甚至會起草整篇論文；但決定權在你，pipeline 每個階段都會停下來等你確認。它處理苦工（搜文獻、排格式、驗數據、查邏輯一致性），讓你專注在真正需要你腦子的事：定義問題、選方法、詮釋數據的意義、決定「我認為」後面要接什麼。作者是你，送出的每一個主張都由你負責。
>
> 跟 humanizer 不同，這工具不是幫你隱藏用 AI 協作的事實，而是幫你把關文章品質。風格校準從你過去的文章學習你的聲音，寫作品質檢查抓出讓文字讀起來像機器產的模式。目標是品質，不是遮掩。
### 為什麼選「人機協作」而不是「全自動」？
Lu 等人（2026，*Nature* 651:914-919）發表的 **The AI Scientist** 是第一個端到端全自動的 AI 研究系統，其生成的論文通過 ICLR 2025 workshop 的盲審（評分 6.33/10，workshop 平均 4.87）。他們自己的 Limitations 段落也列出了這類系統會遇到的結構性失敗模式：實作錯誤、幻覺實驗結果、取巧特徵依賴、實作錯誤被包裝成「意外發現」、方法論偽造、框架鎖定、引用幻覺。
ARS 建立在這個前提上：**人類研究者 + AI 的組合，比純自動或純人工都更能避開這些失敗模式**。Stage 2.5 與 Stage 4.5 誠信閘門執行 7 類阻斷式檢查清單（見 [`academic-pipeline/references/ai_research_failure_modes.md`](academic-pipeline/references/ai_research_failure_modes.md)），reviewer 也提供 opt-in 的 calibration mode 用使用者自備的 gold set 測量 FNR/FPR。
[**Zhao 等人**](https://arxiv.org/abs/2605.07723)（2026-05）盤點了 arXiv、bioRxiv、SSRN、PMC 上 250 萬篇論文裡的 1.11 億筆引用，保守估計 2025 年單年就有 146,932 筆幻覺引用，並觀察到 2024 年中是上升的拐點；bioRxiv-to-PMC 這條配對的「預印本進到正式發表」幻覺存活率達 85.3%。他們把「真實引用被用來支撐被引文獻其實沒有提出的主張」描述為當前未解的問題。ARS v3.7.1 為來源 provenance 加上 trust-chain frontmatter，v3.7.3 為未來的 claim-level 稽核鋪上 locator 基礎建設（三層引用 anchor），並在引用時段帶出 advisory 風險訊號（ARS 內部把這條 claim-faithfulness 缺口標記為「L3」，此為 ARS 的用詞，不是論文的用詞）。v3.7.x 的設計動機來自 Zhao 等人的 corpus-scale 發現；ARS 本身的 corpus-scale 評估仍是未來工作。
v3.8 補上 L3 缺口的另一半。v3.7.3 讓每一筆引用都帶 locator anchor，v3.8 在這個基礎上加一道 opt-in 稽核（`ARS_CLAIM_AUDIT=1`）：抓回每一個 anchor 指向的原始文本，判斷論文裡的 claim 是否真有被該引用支撐。五類新的 HIGH-WARN annotation（claim-not-supported、negative-constraint-violation、fabricated-reference、anchorless、constraint-violation-uncited）會在 formatter terminal hard gate 直接攔下輸出。Calibration runner 隨 release 附一組 25 筆的合成 gold set，採 FNR<0.15、FPR<0.10 雙閾值。隨附的測試用的是直接回傳標準答案的替身裁判，所以它驗證的是工具本身，不是真正的 AI 裁判；目前還沒有真裁判的 calibration 結果，正式放大投入要等這份證據（v3.8 spec §5）。
[**Ren 等人**](https://arxiv.org/abs/2607.13104)（2026，*Self-Improvements in Modern Agentic Systems: A Survey*）補上第三個、survey 層級的錨點。其科學發現章節的綜合結論（§7.4）指出：發現型 agent 難以自行驗證 novelty、正確性與可重現性，反而可能鑽弱代理指標的漏洞；證據管理必須跨異質工具與文獻維持；並帶有「證據薄弱時，科學寫作也會放大錯誤資訊」的治理疑慮。其生成迴圈章節（§5.1–§5.2）把人工稽核與保留人類標註列為自生成評估迴圈的實務防護；歷史章節（§2.2）則記下同一課題最早的版本：Lenat 的 EURISKO 的實務成功高度依賴使用者充當外部評估訊號、修剪無效的 heuristic 漂移。這篇 survey 明言此限制延續到現代 agentic 系統。ARS 引用這篇 survey 作為 human-in-the-loop 立場的設計依據，而非「人機協作必然勝過全自動」的實證證明；survey 對 ARS 可落地的增量記錄在 #539–#541 與 #547–#550。
[**Gartenberg 等人**](https://doi.org/10.1287/orsc.2026.ed.v37.n3)（2026，*Organization Science* 37(3):795-812，*More versus better*）補上第四個錨點，也是第一個來自期刊端的錨點。*Organization Science* 的 AI 工作小組用商用 AI 寫作分類器與標準可讀性指標，量了該刊 2021 年 1 月到 2026 年 2 月收到的全部首次投稿（6,957 篇）與文字型審查意見（10,389 份）。被判為大量由 AI 撰寫的稿件在這些指標上更難讀、也更常被 desk reject；AI 味較重的審查意見偏向理論、遠離資料；編輯群的結論是，現行 AI 工具加上「不發表就出局」的誘因，「看來正把系統推向『更多而非更好』的均衡」。其 §5 把「認知投降」（cognitive surrender，該文引 Shaw & Nave, 2026）與「人先行」的用法對比，並要求作者揭露稿件如何產出。這些證據是觀察性、總體層次、且只來自一本期刊，分類器也是專有工具。ARS 引用這篇社論作為「產量不是目標」（見 `POSITIONING.md`）、Collaboration Depth Observer 與 claim-strength ladder 的設計依據，不是關於 ARS 產出的證據；可落地的增量記錄在 #829–#833。
[**Wang、Li 等人**](https://arxiv.org/abs/2609.07713)（2026-09，*The Emerging AI Paper-Review Arms Race: Adversarial Co-Evolution in Scholarly Publishing*，整理 230 份文獻的 survey）補上第五個錨點，也是第一個把研究產出與同儕審查當成同一個耦合系統來看的錨點。其評估權限階梯（§4.1）從作者端回饋、審稿人輔助、正式 AI 審查，一路到評分與決策支援，並指出某一階的能力不能自動證成下一階的使用；ARS 的模擬 panel 依設計位於最低那一階（見 `POSITIONING.md`）。其中兩項發現形塑了 reviewer 的路線圖。第一，依該 survey 對 Dycke & Gurevych（2026，§4.5）的整理，391 個破壞論文科學支撐關係的改動，相較於 540 個不影響 soundness 的對照改動，在受測自動審稿者的評估面向、情緒與分數上都沒有統計顯著差異，而科學內容固定、只改呈現的改寫卻能移動 AI 審查分數（§5.2）；survey 在 §9.2 的結論是，一旦作者能觀察並適應 AI 審稿者，靜態評估可能高估其可靠度。ARS 把對應的第一輪配對控制記在 #871、作者身分線索的控制（§7.2）記在 #872；兩者都是量測，不是新機制。第二，其 §9.1 引用 Brodeur 等人（2026，*PNAS* 123(22):e2524747123）的隨機實驗：288 位研究者分成 103 隊，在三種條件下重現已發表的量化社會科學結果：純人類、AI 輔助（以 ChatGPT 為協作工具）、AI 主導（ChatGPT 在最少人工監督下運作）。純人類隊與 AI 輔助隊的重現率分別為 94% 與 91%，AI 主導隊為 37%，且 AI 輔助隊抓到的重大程式錯誤比純人類隊少。在該研究中，AI 輔助的驗證並沒有比人單獨做更好，AI 主導的驗證則差很多；ARS 把這讀成「每個檢查點的驗證都要由人主導」的理由，不是 ARS 自己的檢查點或 integrity gate 有效的證據。這篇 survey 是綜合而非實驗，結構化檢索止於 2026-07-01、之後的定向更新沒有重跑每一條檢索式（§10），部署證據集中在少數 AI／CS 會議、OpenReview 場域與特定期刊，「軍備競賽」是分析視角而非發現；ARS 引用它作為設計依據，不是關於 ARS 產出的證據。
[**King 與 Worthington**](https://gking.harvard.edu/peerless)（2026-10，*AI Article Reviews Dominate Human Peer Reviews at Their Best: Evidence and Policy Choices*）補上第六個錨點，也是第一個針對同一批稿件直接比較 AI 與人類審查的錨點。資料來自一個投稿前審查服務的 124 篇稿件與 134 份付費專家審查，作者對這些審查的評價很高。Claude Opus 4.8 以最高推理強度，在兩種條件下各為每篇稿件寫一份審查。GPT-5.5 裁判在每一組可判定的配對中都偏好 AI 審查，每組配對都以兩種呈現順序各判一次；三位前期刊編輯在 30 次盲評中有 26 次偏好 AI 審查。在兩個模型家族同時擔任審查者與裁判的重複實驗中，Opus 裁判在 416 次比較中有 404 次（97.1%）偏好 AI 審查，GPT 裁判為 392 次（94.2%）。其中兩項結果與 ARS 的 reviewer 有關。在「補充來源」這一面向（其他資料、理論或文獻），沒有網路檢索時 AI 審查贏得 62% 的可判定配對（n=85），有檢索時為 100%（n=99）；ARS 的 domain reviewer 推薦文獻時既不檢索也不驗證（#1001）。AI 審查也並非沒有錯誤：在無工具條件下，5.5% 的 AI 主張評估被判為與原稿矛盾，人類審查為 15.9%，且 37.1% 的 AI 審查至少有一條這類主張；ARS 目前沒有把 panel 的主張拿回原稿查核（#1002）。論文的政策一節描述作者用公開的 AI 審查提示詞反覆修稿、並以一封信回應，這接近 ARS 的設計用途；該節也提醒，針對公開提示詞修稿的作者，最後可能是在迎合提示詞，留下與科學品質無關的偏誤。它的限制決定了 ARS 怎麼讀它：只有一個審查服務、主分析只用一個裁判模型、編輯只看審查文字、沒有量測修稿後論文是否變好，而且作者明說其結果「do not speak to」編輯應如何做出版決定。最後這條界線與 `POSITIONING.md` 對 ARS panel 的定位一致。此文與上文 Dycke & Gurevych 的結果回答的是不同問題：此文看審查偏好與事實是否有據，後者看稿件的科學論證被破壞時審稿者是否察覺，所以兩者不能互相回答。ARS 引用此文作為設計依據，不是關於 ARS 產出的證據。
v3.3 的靈感來自 [**PaperOrchestra**](https://arxiv.org/abs/2604.05018)（Song, Song, Pfister & Yoon, 2026, Google）：Semantic Scholar API 驗證、反洩漏協議、VLM 圖表驗證、修訂軌跡追蹤。ARS 目前以分類式、證據錨定的準則軌跡實作最後一項，不計算分數差。
---
## 架構與 pipeline
**👉 [docs/ARCHITECTURE.md](docs/ARCHITECTURE.md)** — 完整 pipeline 視圖：流程圖、階段 × 維度矩陣、資料存取流、skill 依賴圖、品質閘門、模式清單。
這份架構文件取代了原本散在 README 各處的 pipeline 描述。關於「哪個階段跑什麼」的所有資訊都集中在一個地方。
## 快速安裝
**前置條件**
- [Claude Code](https://docs.claude.com/en/docs/claude-code/setup)（建議最新版；plugin packaging 需要近期版本）
- 已 export `ANTHROPIC_API_KEY`，或第一次跑 `claude` 時設定
- *選用：* Pandoc 用於 DOCX 輸出，tectonic + 思源宋體 TC 用於 APA 7.0 PDF（純 Markdown 輸出兩個都不需要）
**Plugin 安裝（v3.7.0+，推薦）：**
```text
/plugin marketplace add Imbad0202/academic-research-skills
/plugin install academic-research-skills
```
**驗證可用：** 跑 `/ars-plan` 並描述你正在寫的論文，ARS 會用蘇格拉底對話幫你規劃章節結構。想要單次測試的話改跑 `/ars-lit-review "你的主題"`。
**👉 [docs/SETUP.zh-TW.md](docs/SETUP.zh-TW.md)** — 完整指南：安裝 Claude Code、設定 API key、選用的 Pandoc/tectonic（DOCX/PDF）、跨模型驗證（`ARS_CROSS_MODEL`），以及六種安裝方式（Plugin（Claude Code／claude.ai／Claude Desktop）、專案 skills、全域 skills、claude.ai Project、repo clone、Claude Science 匯入）。
> **你的安裝管道實際啟用哪些控制機制？** 可用性依安裝管道而異，請查逐管道對照表：[docs/CONTROL_AVAILABILITY.md](docs/CONTROL_AVAILABILITY.md)（英文）。
**👉 [docs/DATA_FLOWS.md](docs/DATA_FLOWS.md)** — 哪些資料會離開你的電腦（書目 resolver、選用且需明確同意的跨模型呼叫、更新檢查）、本機快取存什麼與存多久、每條路徑怎麼關閉。（英文）
**使用 Claude Science？** 五個 skill 可直接匯入：**Skills → Import from GitHub**，貼上 `https://github.com/Imbad0202/academic-research-skills`，按 **Preview**，再按 **Import**（需本 repo v3.14.0+，因為匯入器讀取 marketplace manifest 中明列的 skill 路徑）。匯入是單次快照：ARS 更新後需重新匯入。匯入的 skill 承載 ARS 方法論（研究／寫作／審查協定）；Claude Code 專屬機制（slash commands、hooks、subagent 編排）不會轉移。細節見 [docs/SETUP.zh-TW.md](docs/SETUP.zh-TW.md) 方法五。
**使用 Pi？** 執行 `pi install git:github.com/Imbad0202/academic-research-skills` 安裝 repo 內的社群維護 wrapper。它持續以原始 ARS 內容為準，並記錄 Pi 在編排與 hooks 方面的限制。詳見 [`pi/README.md`](pi/README.md)。
**用 Codex CLI？** 請改裝姊妹版：[`Imbad0202/academic-research-skills-codex`](https://github.com/Imbad0202/academic-research-skills-codex)。同一套 workflow 內容，Codex 原生包裝為單一 `$academic-research-suite` skill，提供 `ars-*` 別名。
## 效能與費用
**👉 [docs/PERFORMANCE.zh-TW.md](docs/PERFORMANCE.zh-TW.md)** — 各模式 token 預算、完整 pipeline 估算（一篇 15k 字論文，以 2026-09 牌價計約 US$3–7，未計 cache 折扣），以及建議的 Claude Code 設定（Auto 模式；Agent Team 選用）。
## 使用指南與文章
- [學術寫作不該是一個人的事：一套開源 AI 協作工具如何改變研究者的工作流](https://open.substack.com/pub/edwardwu223235/p/ai?r=4dczl&utm_medium=ios) — 完整使用指南（繁體中文）
- [Academic Writing Shouldn't Be a Solo Act](https://open.substack.com/pub/edwardwu223235/p/academic-writing-shouldnt-be-a-solo?r=4dczl&utm_medium=ios) — Full pipeline walkthrough (English)
---
## 功能特色一覽
- **Deep Research** — 13 個 Agent 的研究團隊，支援蘇格拉底引導、PRISMA 系統性回顧、意圖偵測、對話健康度監控、可選跨模型 DA、Semantic Scholar API 驗證。
- **Academic Paper** — 12 個 Agent 的論文撰寫團隊，含風格校準、寫作品質檢查、LaTeX 輸出強化、視覺化、修訂教練、引用格式轉換、反洩漏協議、VLM 圖表驗證。
- **Academic Paper Reviewer** — 7 個 Agent 的多視角同儕審查，採逐準則、證據錨定的敘事判斷（Journal-Fit Reviewer + 3 位動態審查者 + 魔鬼代言人），含讓步門檻協議、攻擊強度保持、可選跨模型 DA critique / calibration、R&R 追溯矩陣、唯讀約束。目前 live review 一律為 `NOT_CALIBRATED`；完整 calibration 只產生有界候選 profile，尚未接上 live review。
- **Academic Pipeline** — 10 階段全流程調度器，含自適應 checkpoint、宣稱驗證、素材護照、可選 `repro_lock`、可選跨模型誠信驗證、中途強化機制，以及逐項準則的敘事退步檢查（typed trajectory 尚未實作）。
- **SR-Screener** — 系統性、範圍與快速回顧的研究篩選，依使用者確認的篩選規則執行：兩位盲審 AI 審查者加第三位裁決者、有固定順序的排除代碼、不預設任何決定、可續跑的批次、品質檢查（種子研究、近似排除複查、kappa 與 PABAK）、PRISMA 2020 數字、EndNote/Zotero RIS 分組，以及交給 `academic-paper` 的 `literature_corpus[]`。AI 的決定只是輔助，最終由研究團隊查核。
- **資料存取層級標註**（v3.3.2+）— 每個 skill 宣告 `data_access_level`（`raw` / `redacted` / `verified_only`），由 `scripts/check_data_access_level.py` 強制執行。設計靈感來自 Anthropic 的 automated-w2s-researcher（2026）。詳見 [`shared/ground_truth_isolation_pattern.md`](shared/ground_truth_isolation_pattern.md)。
- **任務類型標註**（v3.3.2+）— 每個 skill 宣告 `task_type`（`open-ended` 或 `outcome-gradable`）。目前 ARS 所有 skills 皆為 `open-ended`。
- **Benchmark 報告 Schema**（v3.3.5+）— JSON Schema + lint script，要求誠實的 benchmark 比較報告。詳見 [`shared/benchmark_report_pattern.md`](shared/benchmark_report_pattern.md)。
- **Artifact 可重現性 Lockfile**（v3.3.5+）— Material Passport 新增可選 `repro_lock` 子區塊。**是設定文件化，不是重播保證** — LLM 輸出不是位元可重現。詳見 [`shared/artifact_reproducibility_pattern.md`](shared/artifact_reproducibility_pattern.md)。
- **實驗來源憑證登錄**（#260）— Material Passport 可選的 `experiment_provenance[]` 記錄研究者在**外部**跑過的實驗（ARS 從不執行實驗），論文宣稱透過 `claim_intent_manifest.planned_experiment_ids[]` 與之 join。誠信 gate（Stage 2.5/4.5）逐條比對實驗支撐型宣稱與登錄憑證 — `ALIGNED` / `OVERSTATED` / `NOT_SUPPORTED_BY_PROVENANCE` / `PROVENANCE_INSUFFICIENT` — **但不判定實驗本身是否正確**。fail-closed 的 `experiment_intake_declaration` 讓「有沒有跑實驗」成為研究者明確回答的問題：Stage 1 結束後詢問，從後段進入的執行則在進入時詢問。詳見 [`shared/handoff_schemas.md`](shared/handoff_schemas.md)。
**誠信與驗證邊界：**ARS 檢查的是論文與被報告的研究過程，包括引用是否存在、宣稱與來源是否一致、所述方法、已登錄實驗結果與論文宣稱的一致性、圖表忠實度，以及報告／流程／提交包的一致性；部分檢查採抽樣或由 LLM 判斷。ARS **不能**證明程序確實執行、原始資料真實，或結果可重現；若捏造內容被前後一致地報告，仍可能通過這些檢查。詳見 [POSITIONING.md〈Integrity checks and the empirical-work boundary〉](POSITIONING.md#integrity-checks-and-the-empirical-work-boundary)。
---
## 實際產出展示
查看一次完整 pipeline 執行的實際產出，包含**同儕審查報告、誠信驗證報告、完稿論文**：
> **這是 2026 年 3 月的紀錄，不代表現在的表現。** 這次執行（2026-03-07 至 03-08）用的是 academic-pipeline v2.3，當時 ARS 還沒有在 v3.3 加入 Semantic Scholar 核對，也還沒有在 v3.11 加入確定性的四索引引用閘門。這裡的數字描述的是那個版本，現行閘門還沒有在這篇論文上量過。作者欄寫 Claude（Anthropic），是因為研究者在這次實驗中這樣要求。這篇論文不是 Anthropic 的出版品；ARS 的定位是工具不取代研究者，也不主張作者身分（見 [POSITIONING.md](POSITIONING.md#what-this-is-not)）。
**[瀏覽所有 pipeline 產出 →](examples/showcase/)**
| 產出物 | 說明 |
|---|---|
| [完稿論文（英文）](examples/showcase/full_paper_apa7.pdf) | APA 7.0 格式，LaTeX 編譯 |
| [完稿論文（中文）](examples/showcase/full_paper_zh_apa7.pdf) | 中文版，APA 7.0 |
| [誠信報告 — 審稿前](examples/showcase/integrity_report_stage2.5.pdf) | Stage 2.5：標出 15 筆有問題的引用（8 筆書目錯誤、6–8 筆疑似虛構）+ 3 個統計錯誤 |
| [誠信報告 — 最終](examples/showcase/integrity_report_stage4.5.pdf) | Stage 4.5：確認零回歸 |
| [同儕審查第一輪](examples/showcase/stage3_review_report.pdf) | Journal-Fit Reviewer + 3 審查者 + 魔鬼代言人 |
| [複審](examples/showcase/stage3prime_rereview_report.pdf) | 修訂後驗證審查 |
| [同儕審查第二輪](examples/showcase/stage3_review_report_r2.pdf) | 追蹤審查 |
| [回覆審查意見](examples/showcase/response_to_reviewers_r2.pdf) | 逐點回覆 |
| [出版後稽核報告](examples/showcase/post_publication_audit_2026-03-09.pdf) | 另行以 Claude Code + WebSearch 稽核全部引用：經過 3 輪誠信審查後，最後 68 筆引用中仍有 21 筆有問題 |
---
## 搭配工具：Experiment Agent
如果你的研究需要在寫作前跑實驗（程式碼或人工研究），[Experiment Agent](https://github.com/Imbad0202/experiment-agent) 技能填補 ARS Stage 1（研究）和 Stage 2（寫作）之間的空缺。
```
ARS Stage 1 研究 → RQ Brief + Methodology Blueprint
↓
experiment-agent → 執行/管理實驗 → 驗證結果
↓
ARS Stage 2 寫作 → 用驗證過的實驗結果撰寫論文
```
**功能**：執行程式碼實驗（Python、R 等）並即時監控、管理人工研究 protocol 與 IRB 倫理審查、11 種統計謬誤偵測、重現性驗證。
**搭配使用方式**：ARS pipeline 跑完 Stage 1 後暫停，在另一個 experiment-agent session 中跑實驗，完成後將結果（含 Material Passport）帶回 ARS Stage 2。ARS 不需要任何修改。詳見 [experiment-agent README](https://github.com/Imbad0202/experiment-agent)。
---
## 使用方式
### 快速開始
```
# 啟動完整研究 pipeline
你: "我想做一篇關於 AI 對高教品保影響的研究論文"
# 蘇格拉底引導模式
你: "引導我研究 AI 在教育評鑑中的應用"
# 引導式論文撰寫
你: "引導我寫一篇關於少子化影響的論文"
# 審查現有論文
你: "幫我審查這篇論文"（接著提供論文）
# 查看 pipeline 進度
你: "進度" 或 "status"
```
### 個別 Skill 使用
#### Deep Research（深度研究，8 種模式）
```
"研究 AI 對高等教育的影響" → full mode（完整研究）
"給我一份 X 的快速摘要" → quick mode（快速簡報）
"幫我做 X 的系統性文獻回顧，含 PRISMA" → systematic-review mode
"引導我研究 X" → socratic mode（蘇格拉底引導）
"幫我查核這些說法" → fact-check mode（事實查核）
"幫我做文獻回顧" → lit-review mode（文獻回顧）
"審查這篇論文的研究品質" → review mode（論文審查）
```
#### Academic Paper（學術論文撰寫，11 種模式）
```
"幫我寫一篇論文" → full mode（完整撰寫）
"引導我寫論文" → plan mode（引導規劃）
"先幫我搭論文大綱" → outline-only mode（只做大綱）
"我有初稿，這是審稿意見" → revision mode（修訂）
"幫我整理這些審稿意見成修訂路線圖" → revision-coach mode
"幫我寫這篇的摘要" → abstract-only mode（摘要）
"把這批資料寫成文獻回顧論文" → lit-review mode（文獻回顧論文）
"轉換成 LaTeX" / "引用格式轉 IEEE" → format-convert mode（格式轉換）
"檢查引用格式" → citation-check mode（引用檢查）
"幫我生成 NeurIPS 的 AI 使用揭露" → disclosure mode（AI 揭露）
```
#### Academic Paper Reviewer（論文審查，6 種模式）
```
"審查這篇論文" → full mode（Journal-Fit Reviewer + R1/R2/R3 + 魔鬼代言人）
"快速評估這篇論文" → quick mode（快速評估）
"引導我改進這篇論文" → guided mode（引導改進）
"檢查研究方法" → methodology-focus mode（方法論聚焦）
"驗收修訂" → re-review mode（再審驗收）
"用我的 gold set 校準 reviewer" → calibration mode（校準）
```
#### Academic Pipeline（全流程調度器）
```
"我想做一篇完整的研究論文" → 從 Stage 1 開始完整 pipeline
"我已經有論文，幫我審查" → 從 Stage 2.5 進入（先做誠信審查）
"我收到審稿意見了" → 從 Stage 4 進入
```
> Pipeline 結束時自動產出 **Stage 6：過程紀錄** — 含論文創建過程紀錄與 6 維度協作品質評估（1–100 分）。
#### SR-Screener（研究篩選，8 種模式）
```
"把我的計畫書轉成篩選規則" → protocol mode
"這篇摘要符合我的回顧納入條件嗎？" → quick mode（單一審查者初篩）
"先用種子研究試跑篩選" → pilot mode
"篩選這些資料庫匯出檔" → ta-screen mode
"篩選晉級紀錄的全文" → ft-screen mode
"裁決我 Rayyan 匯出檔中的衝突" → adjudicate mode
"幫我複查排除的紀錄" → audit mode
"給我這次篩選的 PRISMA 數字" → report mode
```
### 支援語言
- **繁體中文** — 使用者以中文對話時預設使用
- **English** — 使用者以英文對話時預設使用
- 學術論文自動產出雙語摘要（中文 + English）
> **使用其他語言？** 蘇格拉底模式（deep-research）和 Plan 模式（academic-paper）採用**意圖匹配**啟動 — 偵測你的請求含義，而非比對特定關鍵字。這代表它們**支援任何語言**，無需額外設定。
>
> 不過，一般的 `Trigger Keywords` 區塊（決定 skill 是否被啟動）仍以英文和繁體中文為主。如果你發現 skill 在你的語言下觸發不穩定，可以在各 `SKILL.md` 的 `### Trigger Keywords` 區塊中加入你的語言的關鍵字，提高匹配信心。
### 支援引用格式
- APA 7.0（預設，含中文引用規則）
- Chicago（Notes & Author-Date）
- MLA
- IEEE
- Vancouver
### 支援論文結構
- IMRaD（實證研究）
- 主題式文獻回顧
- 理論分析
- 個案研究
- 政策簡報
- 研討會論文
---
## Skill 詳細資訊
各 agent 的職責與各階段產出物現已移至 [`docs/ARCHITECTURE.md`](docs/ARCHITECTURE.md)。版本號保留在此以維持 release metadata 集中管理。
### Deep Research (v2.12.1)
13 個 Agent 的研究團隊。模式：full、quick、review、lit-review、three-way-scan、fact-check、socratic、systematic-review。完整 agent 名單與產出物：見 ARCHITECTURE.md §3。
### Academic Paper (v3.3.1)
12 個 Agent 的論文撰寫 pipeline。模式：full、plan、outline-only、revision、revision-coach、abstract-only、lit-review、format-convert、citation-check、disclosure、rebuttal-audit。輸出：MD + DOCX（Pandoc 可用時）+ LaTeX（APA 7.0 `apa7` class / IEEE / Chicago）→ tectonic 編譯 PDF。完整 agent 名單與各 phase 職責：見 ARCHITECTURE.md §3。
### Academic Paper Reviewer (v1.11.1)
7 個 Agent 的多視角審查，採 **逐準則、證據錨定的敘事判斷**。模式：full、re-review、quick、methodology-focus、guided、calibration。目前 live review 與 Schema 6 package 一律為 `NOT_CALIBRATED`；完整 calibration 可產生有界候選 profile，但尚未接上 live review。不得以固定總分對照接受、小修、大修或退稿。第一輪審查面板 vs. 契約治理再審派送的分界：見 ARCHITECTURE.md §3 Stage 3 / Stage 3'。
### Academic Pipeline (v3.24.2)
10 階段調度器，含誠信驗證、兩階段審查、蘇格拉底指導、協作品質評估。Pipeline 規則（由 agent 依流程遵守，不是執行期保證）：每個階段都需使用者確認 checkpoint；誠信驗證（Stage 2.5 + 4.5）為 MANDATORY 且沒有不留紀錄的繞過路徑（所有覆寫都須記錄使用者理由、供 Stage 6 使用）；R&R 追溯矩陣（Schema 11）把每一項審查意見對應到作者的修訂宣稱，並記錄複審是否驗證通過。v3.4 新增 Compliance Agent（PRISMA-trAIce + RAISE）於 Stage 2.5 / 4.5。v3.5 新增 **協作深度觀察員**（`collaboration_depth_agent`，僅諮詢性質、永不阻擋流程）於每一次 FULL/SLIM checkpoint 與 pipeline 完成時。MANDATORY 誠信閘門（2.5 / 4.5）明確跳過觀察員，避免稀釋合規檢查。理論基礎：Wang & Zhang (2026), IJETHE 23:11。逐階段矩陣（agent、產出物、閘門）：見 ARCHITECTURE.md §3。
### SR-Screener (v1.0.0)
4 個 agent 的研究篩選，位於 `deep-research`（問題、計畫書、檢索）與 `academic-paper`（撰寫回顧）之間。模式：protocol、quick、pilot、ta-screen、ft-screen、adjudicate、audit、report。兩位盲審的審查者 subagent（只能用 Read 與 Grep）依使用者確認的篩選規則審每一筆紀錄，第三位審查者裁決「晉級 vs. 排除」的衝突；只用標準函式庫的 Python 腳本負責解析 RIS / PubMed .nbib / Web of Science / CSV 匯出檔、去重、分批、合併，並產出篩選紀錄表、RIS 分組、PRISMA 2020 數字、含 `[TO COMPLETE]` 欄位的方法段草稿，以及 `literature_corpus[]` 檔案。Agent 遵守的規則（不是執行期保證）：使用者確認篩選規則前不篩任何紀錄、失敗的呼叫不會被當成預設「排除」、數字發表前由研究團隊查核決定。詳見 [`sr-screener/SKILL.md`](sr-screener/SKILL.md)。
---
## v3.0 優化：我們發現了 AI 的哪些結構性限制
在使用 ARS 撰寫一篇關於 AI 與高教的反思文章時，我們遇到了三個結構性問題：
1. **框架鎖定**：AI 在給定框架內越來越精緻，但無法質疑框架本身
2. **諂媚傾向**：每次挑戰魔鬼代言人的攻擊，它都讓步得太快
3. **意圖偵測錯誤**：蘇格拉底模式在使用者仍在探索時就急著收束
### 改了什麼
- **魔鬼代言人讓步門檻**：反駁必須評分 1-5，≥4 才允許讓步。不允許連續讓步。框架鎖定偵測。
- **蘇格拉底意圖偵測**：偵測使用者是「探索型」還是「目標型」。探索型模式停用自動收束。
- **對話健康度指標**：每 5 輪靜默自檢，偵測持續同意、迴避衝突、過早收束。
- **跨模型驗證**：設定 `ARS_CROSS_MODEL` 啟用第二 AI 模型獨立審查。詳見 [docs/SETUP.zh-TW.md](docs/SETUP.zh-TW.md)。
- **AI 自我反思報告**：Pipeline 結束後自動產出 AI 行為自評。
這些優化不能完全解決 AI 的結構性限制，但能讓限制變得可見、可追蹤、可被人類介入。
---
## 授權條款
本作品採用 [CC-BY-NC 4.0](https://creativecommons.org/licenses/by-nc/4.0/) 授權。
**你可以自由：**
- 分享 — 複製及散布本作品
- 改作 — 重混、轉換、以本作品為基礎進行創作
**惟須遵守以下條件：**
- **姓名標示** — 你必須給予適當的標示
- **非商業性** — 你不得將本作品用於商業目的
**標示格式：**
```
Based on Academic Research Skills by Cheng-I Wu
https://github.com/Imbad0202/academic-research-skills
```
---
## 貢獻者
**吳政宜** (Cheng-I Wu) — 作者與維護者
**[aspi6246](https://github.com/aspi6246)** — 貢獻者。v3.1 優化靈感來自 [Claude-Code-Skills-for-Academics](https://github.com/aspi6246/Claude-Code-Skills-for-Academics)：唯讀約束模式、Anti-Pattern 作為一等公民設計、認知框架方法（教「如何思考」而非只有步驟）、精簡 skill 尺寸哲學。
**[mchesbro1](https://github.com/mchesbro1)** — 貢獻者。最初提出並撰寫了 IS Basket of 8 期刊清單（[Issue #5](https://github.com/Imbad0202/academic-research-skills/issues/5)）。
**[cloudenochcsis](https://github.com/cloudenochcsis)** — 貢獻者。將 IS 章節從 *Basket of 8* 擴充為完整的 *Senior Scholars' Basket of 11*，補上 *Decision Support Systems*、*Information & Management*、*Information and Organization*（[Issue #7](https://github.com/Imbad0202/academic-research-skills/issues/7)、[PR #8](https://github.com/Imbad0202/academic-research-skills/pull/8)）。資料來源：[AIS Senior Scholars' List of Premier Journals](https://aisnet.org/research/seniorscholarsbasket/)。
**[eltociear](https://github.com/eltociear)**（Ikko Eltociear Ashimine）— 貢獻者。翻譯了日文版 README（[`README.ja-JP.md`](README.ja-JP.md)）（[PR #161](https://github.com/Imbad0202/academic-research-skills/pull/161)）。
**[xpfo-go](https://github.com/xpfo-go)**（xpfo）— 貢獻者。翻譯了簡體中文版 README（[`README.zh-CN.md`](README.zh-CN.md)）（[PR #181](https://github.com/Imbad0202/academic-research-skills/pull/181)）。
**[ktao732084-arch](https://github.com/ktao732084-arch)** — 貢獻者。擴充了 `academic-paper` 揭露系統，新增九個醫學出版政策目標、依目標收集必要事實的流程，以及 fail-closed 的獨立揭露渲染（[Issue #596](https://github.com/Imbad0202/academic-research-skills/issues/596)、[PR #599](https://github.com/Imbad0202/academic-research-skills/pull/599)）；擴充 EQUATOR 臨床報告參考，加入 CARE、STARD 與 TRIPOD+AI 的精簡指引，以及 fail-closed 的研究設計路由流程（[Issue #594](https://github.com/Imbad0202/academic-research-skills/issues/594)、[PR #601](https://github.com/Imbad0202/academic-research-skills/pull/601)）；並設計及貢獻獨立的中文文獻解析器、API 協定與合成傳輸 fixture 測試套件（[Issue #595](https://github.com/Imbad0202/academic-research-skills/issues/595)、[PR #600](https://github.com/Imbad0202/academic-research-skills/pull/600)）。
---
## 更新紀錄
這裡只列最近三個版本。完整更新紀錄在英文版 [CHANGELOG.md](CHANGELOG.md)。到 v3.21.2 為止的繁體中文版本摘要已凍結存放於 [docs/changelog-archive/zh-TW.md](docs/changelog-archive/zh-TW.md)，之後不再更新。
### v3.24.2（2026-11-06）— 實驗可如實表示沒有 lock 值、repro_lock 規則對齊，以及 sr-screener 方法段落更正
> **修復與文件；沒有新 skill 或模式，提示層的改動未經量測：**`experiment_provenance[]` 的條目現在可以如實表示沒有可填的 lock 值，寫法是 `repro_lock: null` 加上 `repro_lock_reason`（#1049）。問卷或沒有使用 LLM 的分析，以前只能填佔位值才能通過。舊版 ARS 不接受這個寫法，所以用這個寫法的 passport 需要這一版。`check_repro_lock.py` 現在會擋下違反欄位型別或值規則的必填值，例如 `null` 的 model id；`cross_model.secondary_model_id` 仍可為 `null`。`planned_vs_executed[].value` 只收數字或文字，所以有些以前通過的 passport 現在會失敗（#1050）。`sr-screener` 的方法段落不再說審查代理只能讀記錄檔：工具清單拿掉的是網路與寫入權限，只讀指定檔案是一項指示（#1039）。SETUP 記錄了兩次檢查：上傳的 skill 在對話中重試後派出內建子代理；多代理階段仍未測試（#1040）。
### v3.24.1（2026-11-02）— 從 claude.ai 帳號市集安裝 plugin、審稿前確認設定卡，以及巴西葡萄牙文 README
> **claude.ai 與 Claude Desktop 的安裝修復；沒有新 skill 或模式：**ARS 現在可以從 claude.ai 帳號市集安裝。這一版之前，這種安裝方式下，五個核心 skill 全都無法載入（#1035），而且四個 plugin 代理程式的名稱含底線，claude.ai 不收（#1037）。在 Claude Desktop 上，一般對話裡有一個 skill 與 `/ars-lit-review` 實際執行；專案對話直接派工給 plugin 代理程式 `synthesis-agent`；資料夾工作時出現 SessionStart 開場訊息。寫入範圍防護、工具白名單與完整 pipeline 在 claude.ai 與 Claude Desktop 上尚未測試。審稿時現在會等使用者確認 Reviewer Configuration Cards（#1030），README 也新增巴西葡萄牙文版（#1032）。
### v3.24.0（2026-10-27）— 審查小組建議文獻與審查意見的參考檢查、write-scope guard 啟動器改為單一行程，以及誠信檢查規則修復
> **兩項審查參考檢查與數項修復；沒有新 skill，這兩項檢查在真實審查上的準確度尚未量測：**v3.24.0 在 Editorial Decision Letter 加上兩份附件。第一份即時查詢 Reviewer 2 與 Reviewer 3 推薦的每一篇著作，查詢範圍是引用驗證閘門使用的四個索引，只回報有沒有這筆紀錄，不判斷該著作是否支持推薦理由（#1001）。第二份把每一項 weakness，以及 Devil's Advocate 每一列 CRITICAL 或 MAJOR 意見，拿掉審稿人席位標籤後交給 session 模型的一個 subagent，由它判斷稿件是否與該意見矛盾。只有判定者的引文通過腳本對稿件的比對檢查，附件才列為矛盾；其他判定為錯誤的意見列為未確認（#1002）。這項檢查預設開啟，設定 `ARS_PANEL_CLAIM_CHECK=0` 可以關閉。兩份附件都不影響審查決定、修訂路線圖或複審標準。第二項檢查上線前，一項預先登記的 held-out 稽核檢查了 805 則審查小組意見，估計錯誤意見的比例介於 1.5% 到 12.9%；Claude Opus 5.5 與 Claude Fable 5.1 擔任判定者時都通過了它的對照關卡。write-scope guard 的啟動器每次工具呼叫只啟動一個 Python 行程，原本是三個，Windows 上 AppXSvc 的記憶體洩漏預計因此降為原來的三分之一左右，但 Windows 上的實際行為尚未測試（#1015）；guard 的程式註解也寫明它檢查哪些工具名稱（#1022）。三條誠信檢查規則在 Stage 5 入口、報告有效期限與 Stage 4′ 三點上取得一致（#1011），啟動通知也改為只在有新版時顯示（#1027）。#1015、#1022 與 #1027 由外部使用者回報。