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环节合理自动化提效越界行为作弊文献检索批量提取信息、整理笔记、生成对比表让 AI 替你判断文献重要性并决定读什么实验分析AI 编写数据清洗和统计脚本真实运行直接生成“看起来合理”的实验结果表引文管理格式化 BibTeX、检查引用遗漏让 AI 生成参考文献列表而完全不核对论文写作润色语言、统一术语、整理结构让 AI 从零撰写核心论点与创新点投稿合规按模板排版、检查字数格式隐瞒 AI 使用事实违反期刊披露制度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维度网页版对话大模型Claude Code 工作区 Agent上下文来源依赖你手动粘贴内容直接读取项目文件、PDF 文本、CSV操作能力只能给建议能改文件、跑脚本、查结果、反复迭代流程复用每次重新描述用 SKILL.md 和 CLAUDE.md 固化流程留痕能力聊天记录分散文件改动、命令记录都在工作区适合场景零散问答多步骤、多文件的工程化任务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/。在 Claude Code 中启动会话要求它按固定模板逐篇提取信息。人工抽查笔记质量修正指令后再批量处理。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, ddof1)), float(np.std(group_b, ddof1))], t_stat: float(t_stat), p_value: float(p_value), } with open(experiments/results/analysis_result.json, w, encodingutf-8) as f: json.dump(result, f, ensure_asciiFalse, indent2) print(json.dumps(result, ensure_asciiFalse, indent2))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。问题现象可能原因排查方式解决方案安装失败npm 报错Node.js 版本过低或网络问题运行node -v检查版本查看 npm 错误日志升级 Node.js或配置 npm 镜像后重装请求报错 529服务端过载或触发限流查看错误信息中的提示和当前请求频率等待一段时间重试降低并发任务数量上下文超长任务中断文献文本过多超出模型上下文窗口查看 Claude Code 的上下文占用提示把文献分批处理优先处理摘要和关键章节提示“is not a model this version of claude code recognizes”配置了当前版本不支持的模型名或第三方模型检查 ANTHROPIC_MODEL 等环境变量和/model列表使用当前版本支持的模型名升级 Claude Code或按官方文档配置兼容端点AI 生成的参考文献查无此文模型幻觉编造了不存在的文献用文献数据库检索 DOI 和标题所有引用必须回到文献笔记核对禁止直接采信权限被拒绝无法读写文件settings.json 权限规则过严查看拒绝日志和当前规则按最小权限原则补充 allow 规则实验脚本运行失败依赖缺失或路径错误查看脚本报错堆栈和文件路径通过 Claude Code 分析报错并修复确认依赖已安装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。 AI写论文是提效还是作弊？用Claude Code把握学术诚信边界
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环节合理自动化提效越界行为作弊文献检索批量提取信息、整理笔记、生成对比表让 AI 替你判断文献重要性并决定读什么实验分析AI 编写数据清洗和统计脚本真实运行直接生成“看起来合理”的实验结果表引文管理格式化 BibTeX、检查引用遗漏让 AI 生成参考文献列表而完全不核对论文写作润色语言、统一术语、整理结构让 AI 从零撰写核心论点与创新点投稿合规按模板排版、检查字数格式隐瞒 AI 使用事实违反期刊披露制度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维度网页版对话大模型Claude Code 工作区 Agent上下文来源依赖你手动粘贴内容直接读取项目文件、PDF 文本、CSV操作能力只能给建议能改文件、跑脚本、查结果、反复迭代流程复用每次重新描述用 SKILL.md 和 CLAUDE.md 固化流程留痕能力聊天记录分散文件改动、命令记录都在工作区适合场景零散问答多步骤、多文件的工程化任务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/。在 Claude Code 中启动会话要求它按固定模板逐篇提取信息。人工抽查笔记质量修正指令后再批量处理。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, ddof1)), float(np.std(group_b, ddof1))], t_stat: float(t_stat), p_value: float(p_value), } with open(experiments/results/analysis_result.json, w, encodingutf-8) as f: json.dump(result, f, ensure_asciiFalse, indent2) print(json.dumps(result, ensure_asciiFalse, indent2))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。问题现象可能原因排查方式解决方案安装失败npm 报错Node.js 版本过低或网络问题运行node -v检查版本查看 npm 错误日志升级 Node.js或配置 npm 镜像后重装请求报错 529服务端过载或触发限流查看错误信息中的提示和当前请求频率等待一段时间重试降低并发任务数量上下文超长任务中断文献文本过多超出模型上下文窗口查看 Claude Code 的上下文占用提示把文献分批处理优先处理摘要和关键章节提示“is not a model this version of claude code recognizes”配置了当前版本不支持的模型名或第三方模型检查 ANTHROPIC_MODEL 等环境变量和/model列表使用当前版本支持的模型名升级 Claude Code或按官方文档配置兼容端点AI 生成的参考文献查无此文模型幻觉编造了不存在的文献用文献数据库检索 DOI 和标题所有引用必须回到文献笔记核对禁止直接采信权限被拒绝无法读写文件settings.json 权限规则过严查看拒绝日志和当前规则按最小权限原则补充 allow 规则实验脚本运行失败依赖缺失或路径错误查看脚本报错堆栈和文件路径通过 Claude Code 分析报错并修复确认依赖已安装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。