Academic Research Skills dla Claude — kompleksowy system wspomagania prac naukowych

Naukowcy i studenci zyskali nowe narzędzie do wspomagania pracy badawczej — pakiet Academic Research Skills (ARS) dla Claude Code, który automatyzuje rutynowe zadania w procesie pisania prac naukowych. Projekt dostępny jest na GitHub jako open source i obejmuje cały cykl badawczy — od planowania struktury po recenzję gotowego tekstu.

Kluczowe wnioski

• ARS oferuje 13-agentowy zespół badawczy z guided mode Sokratejskim, systematycznym przeglądem PRISMA i weryfikacją przez API Semantic Scholar.
• System zawiera 12 agentów do pisania prac z kalibracją stylu, kontrolą jakości tekstu i weryfikacją LaTeX oraz 7-agentowy system recenzji z rubrykami jakości 0–100.
• Instalacja wymaga jednej komendy: /plugin marketplace add Imbad0202/academic-research-skills, a koszt pełnego pipeline'u wynosi około 4–6 dolarów za pracę liczącą 15 tysięcy słów.
• Twórcy podkreślają filozofię „human-in-the-loop” — AI wspomaga badacza, ale nie zastępuje go w kluczowych decyzjach badawczych i interpretacji wyników.
• System został zainspirowany pracą Lu et al. (2026) nad The AI Scientist i PaperOrchestra (Song, Song, Pfister & Yoon, 2026), integrując najlepsze praktyki z obu projektów.

Architektura i możliwości systemu

ARS działa jako kompleksowy pipeline składający się z czterech głównych modułów. Deep Research to 13-agentowy zespół badawczy oferujący tryb dialogu Sokratejskiego, systematyczny przegląd PRISMA, wykrywanie intencji i monitorowanie stanu dialogu. Academic Paper zapewnia wsparcie 12 agentów w pisaniu z kalibracją stylu, kontrolą jakości pisania, utwardzaniem LaTeX i wizualizacją.

System Academic Paper Reviewer implementuje wieloperspektywiczną recenzję przez 7 agentów z rubrykami jakości w skali 0–100, obejmującymi redaktora naczelnego, trzech dynamicznych recenzentów i advocatus diaboli. Academic Pipeline stanowi 10-etapowy orkiestrator z adaptacyjnymi punktami kontrolnymi, weryfikacją twierdzeń i opcjonalną weryfikacją integralności między modelami.

Nowością w wersji 3.3.2+ są metadane poziomu dostępu do danych — każda umiejętność deklaruje data_access_level (raw/redacted/verified_only) kontrolowany przez skrypty. System wprowadza także adnotacje typów zadań, gdzie wszystkie obecne umiejętności ARS są oznaczone jako „open-ended”.

Filozofia współpracy człowiek-AI

Twórcy ARS odrzucają model pełnej automatyzacji na rzecz współpracy człowieka z AI. Jak wyjaśniają: „AI jest twoim kopilotem, nie pilotem. To narzędzie nie napisze za ciebie pracy. Zajmuje się robotą — wyszukiwaniem referencji, formatowaniem cytatów, weryfikacją danych, sprawdzaniem logicznej spójności — abyś mógł skupić się na częściach, które rzeczywiście wymagają twojego mózgu.”

System opiera się na badaniach Lu et al. (2026, Nature 651:914–919), którzy stworzyli The AI Scientist — pierwszy w pełni autonomiczny system badawczy AI, który opublikował pracę przez ślepą recenzję w top-tierowym venue ML. Jednak ich sekcja Limitations wylicza tryby awarii, które dziedziczy każdy w pełni autonomiczny pipeline badawczy AI: błędy implementacji, uhalucynowane wyniki, poleganie na skrótach i fabrykację metodologii.

ARS implementuje bramy integralności na etapach 2.5 i 4.5, uruchamiające 7-modową blokującą checklistę. Recenzent oferuje opcjonalny tryb kalibracji mierzący własny FNR/FPR względem dostarczonego przez użytkownika złotego zestawu.

Projekt stanowi praktyczną implementację tezy, że badacz wspomagany przez AI unika tych trybów awarii lepiej niż którykolwiek z nich działający samodzielnie. System kosztuje około 4–6 dolarów za pełny pipeline dla pracy liczącej 15 tysięcy słów, oferując kompleksowe wsparcie od koncepcji po publikację z zachowaniem ludzkiej kontroli nad kluczowymi decyzjami badawczymi.