科研工具链：文献到投稿5步AI加速
去年帮一个硕士生朋友改论文，发现他用AI生成综述，引用了3篇根本不存在的论文——因为AI偷偷编了DOI号。查重时才发现。这件事让我意识到AI辅助科研的核心问题不是"能不能更快"，而是"什么时候该信AI，什么时候必须自己验"。
本文是一篇实操指南。AI会编造引用、混淆论文结论、生成不存在的实验数据——所有AI输出必须人工验证。
核心操作
科研全流程概览
| 阶段 | 传统耗时 | AI加速后 | 核心工具 | 精度要求 |
|---|---|---|---|---|
| 文献检索 | 2-3天 | 1-2小时 | Semantic Scholar API + AI | 中 |
| 文献精读 | 3-5天/篇 | 30分钟/篇 | PaperSpine / GPT Academic | 高 |
| 文献综述 | 1-2周 | 2-3天 | GLM-5.2（百万上下文） | 高 |
| 实验设计 | 1-3天 | 2-4小时 | Claude 3.5 Opus | 极高 |
| 数据处理 | 3-7天 | 数小时 | GPT-5.6 | 极高 |
| 论文撰写 | 2-4周 | 1-2周 | GPT-5.6 | 高 |
| 润色投稿 | 3-5天 | 1-2天 | nature-skills | 中 |
| 查重改写 | 1-2天 | 2-4小时 | Moonshot-v1 | 中 |
文献检索和润色AI犯错容易发现。实验设计和数据分析AI给错误方法会导致整个实验方向跑偏，必须人工严格审查每个细节。
一、文献检索与筛选
Semantic Scholar免费API做批量检索。然后用AI做快速初筛——按4分制打分（4分高度相关→1分建议排除），输出精读/泛读/跳过三类。
Shell脚本一键串流程：API检索 → AI初筛 → 下载精读论文PDF。
二、GPT Academic配置
安装：git clone + pip install。接入灿海星图：关键在config.py设置URL重定向。
全部功能：论文润色、中英互译、代码解释、公式识别（Gemini 1.5 Pro最准）、论文总结（GLM-5.2百万上下文一次喂几十篇）、批量翻译。
两个踩坑：(1) 启动提示依赖缺失→虚拟环境重装pip install -r requirements.txt --upgrade；(2) 返回空结果→URL重定向格式错误，末尾少了/v1/chat/completions。
三、PaperSpine结构化论文阅读
Claude Code Skill，/read-paper paper.pdf输出10个字段：标题、发表信息、研究动机、问题定义、核心方法、实验设置、主要结果、局限性、创新点总结、可复现性。
踩坑：PDF是扫描版返回乱码→先用PaddleOCR提取文字。
精读流程：获取结构化摘要→不理解时追问"用更简单的语言解释核心方法"→存疑时追问"这个实验有没有遗漏重要的基线"→深入问计算复杂度→最后梳理引用的关键相关工作。
四、scientific-agent-skills技能库
140+科研场景AI技能，分8类：Literature Review（25+）、Experiment Design（20+）、Data Analysis（30+）、Paper Writing（25+）、Code Generation（15+）、Peer Review（10+）、Presentation（10+）、Grant Writing（5+）。
在Claude Code的CLAUDE.md中配置后，按需调用具体技能。
五、文献综述撰写管线
六步法：论文收集（Semantic Scholar API，30分钟）→ 初筛分类（GLM-5.2百万上下文，15分钟）→ 精读提取（PaperSpine，30分钟/篇×15篇=7.5小时）→ 主题聚类（AI分析，30分钟）→ 综述撰写（GLM-5.2，2-3小时）→ 引用核查（手动，1-2小时）。
引用核查是必须人工的最后一步——AI会编造不存在的引用。核查清单：引用是否存在（Semantic Scholar确认）→ 内容是否准确反映原论文结论 → 位置是否恰当。
六、实验设计与代码生成
用Claude 3.5 Opus做实验设计（深度推理规避潜在问题），用GPT-5.6生成实验代码（加明确约束：不编造API、路径config化、自动保存最佳模型）。
七、论文撰写：IMRaD逐节生成
标题与摘要 → 引言（漏斗结构）→ 方法（问题形式化、框架图描述、伪代码、复杂度分析）→ 实验（对比表格、消融实验、参数分析、可视化）→ 讨论与结论（局限性诚实讨论、未来方向）。
每节配一个可直接使用的Prompt模板。自查清单12项。
八、期刊格式化
nature-skills支持Nature/Science/IEEE/ACM/Elsevier/Springer LNCS格式。格式化Prompt和字数限制参考表。
九、中文学位论文
chinese-thesis-workbench-skill逐章生成。关键提醒：学位论文查重非常严格，AI生成后必须跑查重系统检测，高重复率段落人工改写。
| 学位层次 | 硬性红线 | 建议目标 |
|---|---|---|
| 本科 | ≤30% | ≤20% |
| 硕士 | ≤20% | ≤15% |
| 博士 | ≤15% | ≤10% |
查重AI改写策略：调整句式结构 → 替换同义词 → 合并/拆分句子 → 重新组织论点逻辑。绝不可改变数据、公式和学术含义。
成本估算
一个中等论文项目（3个月周期）：文献检索和综述¥200-500（GLM-5.2长上下文调用大头）→ 实验设计和代码¥100-300 → 润色投稿¥50-150。总计¥350-950。对比传统外包润色一篇¥2000-5000[¹]。
模型选择记忆法
三条：(1) 长文综述用GLM-5.2（百万上下文一次喂几十篇）；(2) 实验设计和复杂推理用Claude 3.5 Opus（深度推理最强）；(3) 日常写作/翻译/代码用GPT-5.6（通用性最好性价比最高）。qwen-mt-turbo专为翻译优化，DeepSeek-V4-Flash适合中文写作128K上下文价格低，MiniMax是预算保底。
常见疑问
Q1：PaperSpine提取的信息能直接用于综述写作吗？
不建议直接复制。PaperSpine适合快速建立理解框架，但AI可能曲解论文结论，尤其是复杂公式和实验细节。正确做法：先PaperSpine建立框架，再人工阅读确认核心方法和实验结果，综述中每个引用必须去Semantic Scholar逐一验证。
Q2：用AI辅助写学位论文，查重能过吗？
用AI生成后必须跑查重系统（知网/维普/Turnitin）检测，高重复率段落人工改写。即使AI输出看起来原创，训练数据中可能包含已发表论文的语句结构。降重用Moonshot-v1配合调整句式+替换同义词+拆分句子，绝不可改变数据、公式和学术含义。
Q3：GPT Academic、PaperSpine、scientific-agent-skills三个工具都装了，实际怎么区分用？
GPT Academic偏多功能瑞士军刀——润色/翻译/代码解释/公式识别都在一个界面。PaperSpine专注一件事——把论文读透输出结构化摘要，适合批量文献调研。scientific-agent-skills是140+技能的技能库，需要具体任务（如"帮我设计消融实验"）时才调用。
Q4：整套科研流程AI成本大概多少？
中等论文项目（3个月）：总计¥350-950。建议在灿海星图后台设每日消费上限（如¥50/天），防止意外超额。
我为什么不用ChatGPT Plus代替整套工具链
ChatGPT Plus是通用工具——它不会专为学术场景优化输出格式，不会自动串联Semantic Scholar API检索论文，不会按IMRaD结构逐节生成论文主体，不会帮你转换期刊格式。更重要的是，Plus的文件上传限制让百万上下文的文献综述根本不可能。GPT Academic+PaperSpine+灿海星图的组合不是换一个前端，是一套专门为学术工作流设计的生产线。