Claude Scholar：AI学术研究全流程助手

简介

Claude Scholar 是一个面向 Claude Code CLI 的个人配置系统，提供丰富的技能、命令、代理和钩子，针对以下场景优化：

• 学术研究 – 完整的研究生命周期：想法生成 → 实验 → 结果分析 → 论文写作 → 审稿回复 → 会议准备
• 软件开发 – Git 工作流、代码审查、测试驱动开发、ML 项目架构
• 插件开发 – Skill、Command、Agent、Hook 开发指南与质量评估
• 项目管理 – 规划文档、代码规范、跨平台钩子驱动的自动化工作流

News

• 2026-02-11: 大版本更新，新增 10 个 skills（research-ideation、results-analysis、citation-verification、review-response、paper-self-review、post-acceptance、daily-coding、frontend-design、ui-ux-pro-max、web-design-reviewer）、7 个 agents、8 个研究工作流命令、2 条新规则（security、experiment-reproducibility）；重构 CLAUDE.md；涉及 89 个文件
• 2026-01-26: 所有 Hooks 重写为跨平台 Node.js 版本；README 完全重写；扩展 ML 论文写作知识库；合并 PR #1（跨平台支持）
• 2026-01-25: 项目正式开源，v1.0.0 发布，包含 25 个 skills（architecture-design、bug-detective、git-workflow、kaggle-learner、scientific-writing 等）、2 个 agents（paper-miner、kaggle-miner）、30+ 个命令（含 SuperClaude 命令套件）、5 个 Shell Hooks、2 条规则（coding-style、agents）

核心工作流

主要工作流

完整的学术研究生命周期 – 从想法到发表的 7 个阶段。

1. 研究构思

系统化的研究启动，包含想法生成和文献综述：

工具: research-ideation skill + literature-reviewer agent

流程:

• 5W1H 头脑风暴: What, Why, Who, When, Where, How → 结构化思维框架
• 文献综述: arXiv + Semantic Scholar 集成 → 自动化论文搜索和分类
• Gap 分析: 5 种类型（文献、方法论、应用、跨学科、时间）→ 识别研究机会
• 研究问题: SMART 原则 → 制定具体、可衡量的问题

命令: /research-init "topic" → 启动完整的研究启动工作流

2. ML 项目开发

可维护的 ML 项目结构，用于实验代码：

工具: architecture-design skill + code-reviewer agent + git-workflow skill

流程:

• 结构: Factory & Registry 模式 → 配置驱动模型（仅 cfg 参数）→ 由 rules/coding-style.md 强制执行
• 代码风格: 200-400 行文件 → 需要类型提示 → 配置使用 @dataclass(frozen=True) → 最多 3 层嵌套
• 调试 (bug-detective): Python/Bash/JS 的错误模式匹配 → 堆栈跟踪分析 → 反模式识别
• Git: Conventional Commits (feat/scope: message) → 分支策略（master/develop/feature）→ 使用 --no-ff 合并

命令: /plan, /commit, /code-review, /tdd

3. 实验分析

实验结果的统计分析和可视化：

工具: results-analysis skill + data-analyst agent

流程:

• 数据处理: 自动化清理和预处理实验日志
• 统计检验: t-test, ANOVA, Wilcoxon signed-rank → 验证显著性
• 可视化: matplotlib/seaborn 集成 → 发表级图表（折线图、柱状图、热图）
• 消融实验: 系统化组件分析 → 理解每个部分的贡献

命令: /analyze-results <experiment_dir> → 生成带有图表和统计数据的分析报告

4. 论文写作

从模板到最终草稿的系统化论文写作：

工具: ml-paper-writing skill + paper-miner agent + latex-conference-template-organizer skill

流程:

• 模板准备: 下载会议 .zip → 提取主文件 → 删除示例内容 → 输出适合 Overleaf 的干净结构
• 引文验证 (citation-verification): 多层验证（格式 → API → 信息 → 内容）→ 防止幻觉引用
• 系统化写作: 叙事框架 → 5 句式摘要公式 → 分节起草与反馈循环
• 去 AI 化处理 (writing-anti-ai): 移除夸大象征、宣传语言、模糊归因 → 添加人性化声音和节奏 → 双语支持（中英文）

会议: NeurIPS, ICML, ICLR, ACL, AAAI, COLM, Nature, Science, Cell, PNAS

5. 论文自审

提交前的质量保证：

工具: paper-self-review skill

流程:

• 结构检查: 逻辑流畅性、章节平衡、叙事连贯性
• 逻辑验证: 论证合理性、主张-证据对齐、假设清晰性
• 引文审计: 引用准确性、适当归属、引文完整性
• 图表质量: 视觉清晰度、标题完整性、色彩无障碍性
• 写作润色: 语法、清晰度、简洁性、学术语气
• 合规性: 页数限制、格式要求、伦理披露

6 项检查清单 → 系统化质量评估

6. 论文提交与 Rebuttal

论文提交和审稿意见回复：

工具: review-response skill + rebuttal-writer agent

提交流程:

• 提交前检查: 会议特定检查清单（NeurIPS 16 项、ICML 更广泛影响、ICLR LLM 披露）
• 格式检查: 页数限制、匿名化、补充材料
• 最终审查: 校对、检查引用、验证图表

Rebuttal 流程:

• 审稿意见分析: 解析并分类评论（主要/次要/错字/误解）
• 回复策略: 接受/辩护/澄清/实验 → 针对每种评论类型的定制方法
• Rebuttal 写作: 结构化回复，包含证据和推理
• 语气管理: 专业、尊重、基于证据的语言

命令: /rebuttal <review_file> → 生成完整的 rebuttal 文档和实验计划

7. 录用后处理

会议准备和研究推广：

工具: post-acceptance skill

流程:

• 演讲: 幻灯片创建指导（15/20/30 分钟格式）→ 视觉设计原则 → 叙事结构
• 海报: 学术海报模板（A0/A1 尺寸）→ 布局优化 → 视觉层次
• 推广: 社交媒体内容（Twitter/X, LinkedIn）→ 博客文章 → 新闻稿 → 研究摘要

命令: /presentation, /poster, /promote → 自动化内容生成

支撑工作流

这些工作流在后台运行，增强主要工作流。

1. 自动化执行工作流

跨平台钩子（Node.js）自动化工作流执行：

会话开始 → 技能评估 → 会话结束 → 会话停止

• skill-forced-eval (skill-forced-eval.js): 在每次用户提示之前 → 动态扫描所有可用技能（本地 + 插件）→ 强制评估每个技能 → 要求实现前激活 → 确保不遗漏相关技能
• session-start (session-start.js): 会话开始时 → 显示 Git 状态、待办事项、可用命令、包管理器 → 一目了然地展示项目上下文
• session-summary (session-summary.js): 会话结束时 → 生成全面的工作日志 → 总结所做的所有更改 → 提供下一步的智能建议
• stop-summary (stop-summary.js): 会话停止时 → 快速状态检查 → 检测临时文件 → 显示可操作的清理建议

跨平台: 所有钩子使用 Node.js（非 shell 脚本），确保 Windows/macOS/Linux 兼容性。

2. 知识提取工作流

两个专门的挖掘代理持续提取知识以改进技能：

• paper-miner (agent): 分析研究论文（PDF/DOCX/arXiv 链接）→ 提取写作模式、结构见解、会议要求、审稿意见回复策略 → 使用分类条目更新 ml-paper-writing/references/knowledge/（structure.md、writing-techniques.md、submission-guides.md、review-response.md）
• kaggle-miner (agent): 研究获胜的 Kaggle 竞赛解决方案 → 提取竞赛简介、前排方案详细技术分析、代码模板、最佳实践 → 更新 kaggle-learner skill 的知识库（references/knowledge/[domain]/ 目录，按 NLP/CV/Time Series/Tabular/Multimodal 分类）

知识反馈循环: 每篇分析的论文或解决方案都会丰富知识库，创建一个随您研究进化的自我改进系统。

3. 技能进化系统

维护和改进技能的 3 步持续改进循环：

skill-development → skill-quality-reviewer → skill-improver

1. 开发 (skill-development): 创建具有正确 YAML frontmatter 的技能 → 清晰的描述和触发短语 → 渐进式披露（精简的 SKILL.md，详细信息在 references/）
2. 审查 (skill-quality-reviewer): 4 维质量评估 → 描述质量（25%）、内容组织（30%）、写作风格（20%）、结构完整性（25%）→ 生成优先修复的改进计划
3. 改进 (skill-improver): 合并建议更改 → 更新文档 → 根据反馈迭代 → 自动读取并应用改进计划

快速开始

安装选项

选择适合您需求的安装方式：

选项 1：完整安装（推荐）

数据科学、AI 研究和学术写作的完整设置：

# 克隆仓库
git clone https://github.com/Galaxy-Dawn/claude-scholar.git ~/.claude
# 重启 Claude Code CLI

包含：所有 32 个技能、50+ 命令、14 个代理、5 个钩子和项目规则。

选项 2：最小化安装

仅核心钩子和基本技能（加载更快，复杂度更低）：

# 克隆仓库
git clone https://github.com/Galaxy-Dawn/claude-scholar.git /tmp/claude-scholar
# 仅复制钩子和核心技能
mkdir -p ~/.claude/hooks ~/.claude/skills
cp /tmp/claude-scholar/hooks/*.js ~/.claude/hooks/
cp -r /tmp/claude-scholar/skills/ml-paper-writing ~/.claude/skills/
cp -r /tmp/claude-scholar/skills/research-ideation ~/.claude/skills/
cp -r /tmp/claude-scholar/skills/results-analysis ~/.claude/skills/
cp -r /tmp/claude-scholar/skills/review-response ~/.claude/skills/
cp -r /tmp/claude-scholar/skills/writing-anti-ai ~/.claude/skills/
cp -r /tmp/claude-scholar/skills/git-workflow ~/.claude/skills/
cp -r /tmp/claude-scholar/skills/bug-detective ~/.claude/skills/
# 清理
rm -rf /tmp/claude-scholar

包含：5 个钩子、7 个核心技能（完整研究工作流 + 基本开发）。

选项 3：选择性安装

选择和选择特定组件：

# 克隆仓库
git clone https://github.com/Galaxy-Dawn/claude-scholar.git /tmp/claude-scholar
cd /tmp/claude-scholar
# 复制您需要的内容，例如：
# - 仅钩子
cp hooks/*.js ~/.claude/hooks/
# - 特定技能
cp -r skills/latex-conference-template-organizer ~/.claude/skills/
cp -r skills/architecture-design ~/.claude/skills/
# - 特定代理
cp agents/paper-miner.md ~/.claude/agents/
# - 项目规则
cp rules/coding-style.md ~/.claude/rules/
cp rules/agents.md ~/.claude/rules/

推荐用于：想要自定义配置的高级用户。

系统要求

• Claude Code CLI
• Git
• Node.js（用于钩子）
• （可选）uv、Python（用于 Python 开发）

首次运行

安装后，钩子提供自动化工作流辅助：

1. 每次提示触发 skill-forced-eval → 确保考虑适用技能
2. 会话开始时使用 session-start → 显示项目上下文
3. 会话结束时使用 session-summary → 生成带有建议的工作日志
4. 会话停止时使用 stop-summary → 提供状态检查

适用人群

🎓 研究生/博士生：系统化论文写作，代码管理
👨‍🔬 研究员：从实验到发表的完整工作流
👨‍💻 数据科学家：实验可复现，代码规范化
🚀 ML 工程师：项目架构，团队协作

贡献

这是个人配置，欢迎：

• Fork 并为你自己的研究进行调整
• 提交错误报告
• 通过问题建议改进

许可证

MIT License

致谢

使用 Claude Code CLI 构建，并由开源社区增强。

参考资料
本项目受到社区优秀作品的启发和构建：

• everything-claude-code – Claude Code CLI 的综合资源
• AI-research-SKILLs – 研究导向的技能和配置

这些项目为 Claude Scholar 的研究导向功能提供了有价值的见解和基础。

总结

Claude Scholar 不仅仅是一个配置集合，它是一套完整的研究工作方法论。通过自动化钩子强制执行最佳实践，通过专业技能提供领域知识，通过智能代理处理复杂任务，通过知识进化持续改进。

从今天开始，让 Claude Code 成为你研究工作的得力助手。

仓库地址：https://github.com/Galaxy-Dawn/claude-scholar