技术知识库 · 工具评测 · · 国科智飞 Gavin
科研自动化开源项目盘点：论文全链路能自动到哪一步
从合成数据到可编译手稿，SciTeX 生态给出了论文自动化的完整样例；但演示数据不是研究，引用与结论的责任仍在人。
论文写作大概是 AI 助手最容易被寄予厚望的场景：资料多、格式繁琐、重复劳动多。但「自动写论文」和「自动做科研」之间隔着几道坎。这篇盘点按 SciTeX 生态里的三个开源项目，看看论文全链路现在能自动到哪一步、边界又在哪里。
它是什么
三个项目覆盖了从演示到工具再到框架的不同层次：
| 项目 | 许可 | 量级 | 定位 |
|---|---|---|---|
| appautomaton/latex-arxiv-SKILL | MIT | 400 多 star | 论文写作 Agent Skill，ML/AI 综述端到端生成 |
| scitex-ai/automated-research-demo | AGPL-3.0 | 数十 star | SciTeX 全链路演示，从合成数据到评审回复 |
| SciTeX 上游框架 | 各模块多为 AGPL-3.0 | — | 会话管理型研究基础设施 |
需要说明的是，早期资料里记录的上游仓库 scitex/scitex 现在已经无法公开访问（GitHub 返回 404）。当前能确认的是 scitex-ai 组织下的一组模块，包括 scitex-writer、scitex-python、crossref-local、figrecipe 等，多数为 AGPL-3.0。引用这个生态时，以实际能访问的仓库为准。
三者的关系：SciTeX 是底座，automated-research-demo 是跑给它看的一条完整链路，latex-arxiv-SKILL 则把论文写作这一段单独做成了可移植的 Agent Skill。
能力与亮点
latex-arxiv-SKILL：把论文写作变成有验收标准的工程。 它是一份遵循 Agent Skills 规范的技能包，兼容 Claude Code 和 Codex。输入一个主题后，流程是：文献调研（10 到 20 篇，不出正文）→ 搭建 IEEEtran 双栏项目脚手架 → 人工审批关卡 → 生成议题清单 → 逐个议题写作并逐条验证引用 → 语言节奏打磨 → 编译出 PDF。最有意思的是 issue-driven 设计：把论文拆成一个个带验收标准的议题，像做软件开发一样推进写作。用户只需要两个提示词：第一个给主题，第二个授权它选定标题和范围，产出 main.tex、ref.bib 和编译好的 main.pdf。它需要本地 LaTeX 环境（pdflatex、bibtex 或 latexmk），作者在 macOS 上测试通过。收尾阶段还有一轮 QA，处理排版溢出、未定义引用这类编译细节，仓库带 CI 配置，说明维护者把「能编译通过」当成持续的验收标准。
automated-research-demo：全链路真的能跑通。 这个演示项目展示了从合成数据生成、统计分析、图表和表格制作、手稿撰写，到模拟同行评审回复的完整流水线；编排层是 Claude Code，参考文献通过 crossref-local 走 MCP 获取，手稿由 scitex-writer 编译。示例研究采用 3×3 因子设计（年龄 × 睡眠质量）、N=180，自动产出 4 张图、4 张表、手稿 PDF 和评审回复 PDF，报告了显著的交互作用（p<.001）。它证明的是「链路可以自动化」，不是「结论成立」——数据是合成的，那个 p 值也是演示产物。值得关注的是它的模块划分：数据生成、统计、绘图、写作、评审各是一个环节，链路里没有隐藏的魔法，每一步都可以替换成真实工具。
Skill 化的工程模式值得单独学。 工作流被封装成「技能定义文件加脚本目录」的标准结构，复制到 .codex/skills 或 .claude/skills 即可被不同 Agent 调用；换个主题重新激活，就产出新论文。把复杂流程沉淀为原子化、跨 Agent 可复用的 Skill，是这些项目共同的方法论。
局限与坑
演示数据不能当研究发现。 automated-research-demo 的数据是合成的，p<.001 之类的数字只用于展示流水线，不能引用、不能当作睡眠与认知关系的证据。
论文自动化不等于科研自动化。 假设从哪来、实验怎么设计、真实数据怎么采、结论是否站得住、投哪个期刊、署名与伦理——这些环节仍然必须由人负责。工具压缩的是文献整理、格式排版、图表生成、初稿撰写这些机械部分。
许可证要看清。 latex-arxiv-SKILL 是 MIT，宽松友好；SciTeX 生态的模块多为 AGPL-3.0，如果要包装成对外服务，需要评估网络条款带来的开源义务。
引用验证不等于引用真实。 逐条校验能消灭格式错误和失效条目，但「这条引用是否真实存在、是否支持该论点」仍需人工把关。编译通过、零未定义引用，不代表内容可信。
项目都还很小。 除 400 多 star 的 Skill 之外，其余项目量级都在几十 star；上游仓库还出现了 404。生态年轻、入口可能变动，作为参考和学习没问题，作为生产依赖要先验证。
技能本身也在快速迭代。 论文 Skill 仍在活跃更新，目录结构、提示词和脚本都可能变；把它引入团队流程时，最好锁定版本并在自己的仓库里留一份 fork，避免上游一次重构打断写作节奏。
投稿政策要自己查。 期刊和会议对 AI 辅助写作的披露要求各不相同，投稿前确认规则，别在最后一步出问题。
环境和场景限制。 需要本地 LaTeX 工具链；目标场景是 ML/AI 的英文 arXiv 综述，中文期刊和学位论文的排版规范、参考文献格式不在覆盖范围内。
适用场景
- 研究生和科研人员写 ML/AI 综述：用 Skill 把脚手架、文献、引用校验、编译这些机械环节自动化；
- 实验室和课题组：沉淀一套可复用的论文工程模板，让写作流程标准化，新成员按流程上手；
- 需要快速产出综述初稿的场景：先让 Agent 生成骨架和草稿，再由作者重写与核实；
- 做研究 Agent 的开发者：研究演示项目的模块拆分与编排方式，参考 Skill 化封装。
不适合期待全自动选题和发现的人、中文期刊或学位论文工作流，以及不愿意逐条复核引用和结论的团队。
选型建议
想动手写论文，先从 latex-arxiv-SKILL 开始：MIT 许可、仓库活跃、安装面小，装好 LaTeX 环境就能试。建议拿一个窄主题跑完整流程，然后逐条人工复核引用和论点，用一篇文章的成本验证它是否适合你的写作习惯。两个提示词的流程看起来极简，但中间的审批关卡和引用校验才是质量所在，别跳过它们。
如果团队里不止一个人写论文，可以考虑把流程固化下来：统一模板、统一引用检查、统一编译环境，再让不同的人按同一套 Skill 走。这比每个人各自摸索提示词更能积累经验。
想理解「科研 Agent 怎么搭」，去看 automated-research-demo 的流水线拆分：数据、统计、图表、写作、评审各管一段，参考价值大于直接使用——注意它是 AGPL-3.0 的演示项目，不是生产工具。
要往自己的系统里集成，先去 scitex-ai 组织逐个确认模块的许可证和活跃度，再决定依赖哪些。合理的预期是：这些工具能把论文的机械工作量从数周压到数天，但研究的智力责任，仍然在人这一侧。上线前还要过一遍所在机构对 AI 使用的规定和期刊的披露要求，这一步省不得。