大数跨境

从Idea到投稿!DeepSeek Harness 科研 Skill 全搞定!

从Idea到投稿!DeepSeek Harness 科研 Skill 全搞定! 知学术AI论文
2026-11-11
4
导读:见字如面,我是南风,一个在高校里折腾用AI辅助科研应用的学术人。
 见字如面,我是南风,一个在高校里折腾用AI辅助科研应用的学术人。欢迎交流学术写作和 ChatGPT、Claude、Gemini等 AI 工具的实战用法,相互学习,共同进步!

引言:从 DeepSeek 研究员的“1%人类贡献”说起

2026 年 5 月,DeepSeek 研究员 Deli Chen 发布了一篇关于自主研究智能体(Autonomous Research Agents)的 46 页综述。该文包含 7 张图、4 张表及 103 篇核验参考文献,并提出了类比 SAE 自动驾驶的 L1-L5 自主等级划分。
引人深思的是文末的声明:
「1% 是我写的,99% 是 Agent 写的。」
该成果耗时 6 天,经历 6 次大修订、约 108 个 Agent 循环、消耗 648k tokens,生成 2234 行 LaTeX 代码。估算人类实际投入时间不足两小时,而同等工作量传统方式需一个月高强度劳动。
这一案例并非强调内部资源优势,而是展示了一套可复用的方法论。该方法论已打包为可通过 dsh plugin add 直接安装的插件,旨在解决科研新人的流程认知缺失问题。
项目地址:https://github.com/Luan-Qi/academic-research-skills-dsh

工具会用了,不代表会做科研

多数科研新人面临的困境并非工具匮乏,而是流程认知缺失。面对导师“再想想”的反馈,往往无法精准定位是选题新颖性、文献覆盖度、样本量还是因果推断逻辑的问题。
常见误区是将选题、检索、写作、审稿全部塞入单一长提示词,导致 AI 生成的文字流畅但逻辑薄弱,掩盖了核心研究缺陷。本文介绍的插件思路相反:先将科研工作流切分为阶段,再将 AI Skill 嵌入各阶段。

deep-research:把证据串起来,而不是堆摘要

核心痛点与能力

解决什么问题:文献整理混乱,AI 综述沦为摘要拼贴,缺乏对研究空白的深度洞察。
能力:由 13 个 Agent 组成调研团队,支持快速概览、深度综述、系统综述等 8 种模式。流程包括多视角检索、引用真实性核验(arXiv/OpenAlex/Crossref/Semantic Scholar)、三维分类(方法/数据集/结论)、交叉比较及围绕研究问题的结构化输出。
关键设计:强制维护“证据台账(evidence ledger)”,每条论断需回溯至具体文献页码或段落。引用核验通过 632 个 Python 脚本中的确定性规则执行,而非依赖模型判断。

指令模板示例

使用 deep-research 围绕「Autonomous Research Agents 的 L1–L5 自主等级划分」做文献调研。模式:深度综述(deep survey)。检索词组涵盖 autonomous research agent、L1–L5 autonomy levels 等。要求独立执行检索组合,通过 Semantic Scholar 核验,按架构范式与自主等级矩阵分类,交叉比较分歧,输出非摘要拼贴的 survey。停止条件:框架完整,论断有据,引用全通过核验。

academic-paper:先把章节骨架搭起来,再动笔

核心痛点与能力

解决什么问题:Introduction 逻辑空洞,AI 全文生成多为“正确的废话”,缺乏研究必要性论证。
能力:12 个 Agent 构成的写作流水线,支持大纲、摘要、引言、相关工作等 11 种模式。核心机制为章节级闭环:先确认 Outline 逻辑链,再分章节撰写,每章独立维护证据台账,禁止跨章借用未核验引用。

指令模板示例

使用 academic-paper 搭建综述 outline,不写正文。研究问题:自主研究智能体的能力边界与挑战。核心方法:L1–L5 分级框架与架构范式分类。要求按「动机 → 不足 → 分类视角 → 挑战 → 贡献」组织,明确每节需回答的问题及文献类型。停止条件:逻辑链完整,体现研究必要性,证据需求明确。

academic-paper-reviewer:投稿前换五个人来挑毛病

核心痛点与能力

解决什么问题:投稿前仅关注语言润色,忽视可能导致拒稿的硬伤。
能力:5 个角色化模拟审稿人(方法、写作、创新性、相关工作、伦理)独立出具意见,按 CRITICAL/MAJOR/MINOR 分类。仅挑毛病,不重写论文。
局限性说明:
  • 模拟评审无发布权,仅作作者反馈参考,位于评审权威阶梯最低级。
  • 当前结果未校准(NOT_CALIBRATED),无误差率数据,不可反推接受概率。
  • 无数值总分映射,判据为分维度分类判断。

指令模板示例

使用 academic-paper-reviewer 审阅 L1–L5 智能体综述草稿。按 CRITICAL/MAJOR/MINOR 输出意见,重点检查分级操作性、参考文献真实性、分类互斥性、挑战可证伪性及图表自解释性。停止条件:处理完所有 CRITICAL 和 MAJOR 问题,MINOR 列成清单。

academic-pipeline:把五个 Skill 串成一条流水线

核心痛点与能力

解决什么问题:手动串联多个 Skill 导致上下文断裂、依赖丢失及交接物遗漏。
能力:10 阶段端到端编排(research → outline → draft → review → revise → finalize),具备明确的输入输出门禁。引入 Material Passport 机制,实现论文内容的全程溯源。
配套命令:
  • /ars-full:运行完整流水线。
  • /ars-plan:仅输出规划,适合初次使用。
  • /ars-3w:3 周里程碑版本,按周交付。

指令模板示例

使用 academic-pipeline 规划一篇投向 NLP/AI workshop 的 survey。运行 /ars-plan 模式,输入研究问题、目标会议、资源(DeepSeek Flash, arXiv API, 2M tokens)及 3 周时间窗口。输出阶段拆解、交接物、关键决策点及预期风险。停止条件:任务清晰,交接物齐全,决策点标出。

sr-screener:系统综述 / PRISMA 的筛选体力活

核心痛点与能力

解决什么问题:Systematic Review 中大量文献的人工筛选效率低且标准不一。
能力:依据预注册标准执行两轮独立双盲筛选及冲突仲裁,自动生成 PRISMA 流程图所需数据。
已知限制:由于 DSH subagent 工具集限制,双盲独立性略弱于 Claude Code 原生环境,高规格综述需人工额外把关。

指令模板示例

使用 sr-screener 按 PICO 标准筛选「自主研究智能体」文献。P:构建或评估该类系统的研究;I:包含完整科研闭环;C:与人工流程对比;O:产出质量、人类介入、token 消耗。执行两轮独立筛选及仲裁,输出 PRISMA 数字。停止条件:结果可复现,数字闭合,冲突有记录。

横切工具:39 个斜杠命令与确定性脚本

插件包含 39 个 /ars-* 命令,覆盖 35 种模式。核心理念是“能用脚本判断的,不交给模型判断”,确保引用、Token 守恒等确定性任务的准确性。

命令

功能

/ars-plan

仅输出规划,不写正文,推荐首次使用

/ars-full

全流程:research → write → review → revise

/ars-outline

仅输出章节大纲

/ars-lit-review

聚焦文献综述

/ars-abstract

起草或改写摘要

/ars-reviewer

5 席位模拟评审

/ars-revision

根据评审意见生成修订 patch

/ars-revision-coach

辅助逐条处理评审意见

/ars-citation-check

引用真实性核验(脚本执行)

/ars-rebuttal-audit

审稿回复审计,检查意见遗漏

/ars-disclosure

利益冲突与数据可得性披露

/ars-format-convert

Markdown/LaTeX/DOCX 格式互转

/ars-sr-ta-screen

系统综述标题摘要筛选

/ars-3w

3 周里程碑版本

复盘:Deli Chen 那 46 页是怎么跑出来的

对比 DeliAutoResearch 公开数据与该插件流水线,发现高度对应:
  • 6 天/6 次修订对应 pipeline 的 revise 循环。
  • 108 个 Agent 循环对应 deep-research 和 academic-paper 的并行子任务。
  • 103 篇核验引用对应 /ars-citation-check 与 Semantic Scholar gate。
  • 2234 行 LaTeX 对应 format-convert 阶段。
  • 人类不足 2 小时投入对应关键节点决策(定题、Outline 确认、修订方向)。
Deli Chen 的成功在于将科研流程切分为可被 Agent 执行的阶段,而非单纯依靠提示词技巧。对于普通研究者,建议在有初步想法时,先压缩为一页研究计划,运行 /ars-plan 暴露潜在问题,再进行后续写作。
“1% 人类,99% Agent”的本质是将证据查找、初稿撰写、硬伤检查等流程化工作外包,从而释放人类的认知带宽用于选题、判断和审美。这才是该工具的核心价值。
【声明】内容源于网络
0
0
知学术AI论文
1234
内容 451
粉丝 0
知学术AI论文 1234
总阅读31.4k
粉丝0
内容451