6.4kスター！Claude Codeで論文を書くためのパイプラインがオープンソースで公開

academic-research-skills（ARS）というオープンソースプロジェクトがGitHubで6.4kスターを獲得し、Claude Codeを使用した論文執筆の完全なパイプラインを提供しています。台湾の開発者Edward Cheng-I Wu（吳政宜）氏によって作成されたこのプロジェクトは、マルチエージェントの連携を通じて、AIを活用した学術研究の信頼性と効率を体系的に向上させることを目的としています。

ARSのコアアーキテクチャは4つのスキルで構成されています。Deep Researchは13のエージェントからなる研究チームで、文献調査、研究課題の構築、方法論の設計、体系的なPRISMAレビューの作成を担当します。文献のトレースを行うエージェントはSemantic Scholar APIを呼び出して各引用の存在を確認し、ソクラテス指導エージェントは対話を通じて研究者の思考を整理し、悪魔の代弁者エージェントは早期の思考の硬直化を防ぐために反論を提供します。

Academic Paperは12のエージェントからなる執筆チームで、アウトライン設計、議論構築、草稿作成、バイリンガル要約生成、図表の可視化、引用形式変換までをカバーします。特徴的な機能はスタイル調整で、AIがユーザーの過去の作品の執筆スタイルを学習し、AIっぽくない個性的な出力を実現します。出力形式はMarkdown、DOCX、LaTeXに対応し、APA 7.0またはIEEE形式のPDFにコンパイルできます。

Academic Paper Reviewerは7つのエージェントからなる査読チームで、実際の学術ジャーナルの査読プロセスをシミュレートします。編集長（EIC）が3人の分野別査読者と悪魔の代弁者を率いて、方法論、学際的価値などの複数の観点から0〜100のスケールで評価します。80点以上で採択、65〜79点で軽微修正、50〜64点で大規模修正、50点未満で拒否となります。査読チームは詳細な修正ロードマップも出力します。

Academic Pipelineは上記3つのチームを10段階のワークフローに統合するオーケストレーターです。研究、執筆、完全性チェック、ピアレビュー、修正、最終チェック、出版準備、プロセスサマリーまでをカバーし、ユーザーは任意の段階から開始できます（例：既に草稿がある場合はStage 2.5の完全性チェックから、査読コメントを受け取った場合はStage 4の修正から直接開始）。

ARSには、AIが学術研究を台無しにするのを防ぐためのいくつかの重要な仕組みが組み込まれています。第一に引用検証：Deep Research段階で、各文献はSemantic Scholar APIによって存在確認され、Levenshtein類似度アルゴリズム（閾値0.70以上）を用いた曖昧マッチングが行われ、幻影引用を防止します。第二に完全性ゲート：Stage 2.5と4.5にスキップ不可能なチェックポイントがあり、2026年のNature誌の全自律型AI研究に関する論文から導出された7項目のAI障害モードチェックリストを実行し、引用幻覚、データ捏造、方法論詐称などをカバーします。Stage 2.5でSUSPECTEDとマークされた問題は、Stage 4.5でCLEARになるか、または手動で上書きされ記録が残される必要があります。実際のテストでは、この仕組みによって1本の論文で15の偽造引用と3つの統計エラーが発見されました。

第三に、お世辞防止プロトコル：悪魔の代弁者の反論は1〜5で評価され、4未満の場合は執筆チームが譲歩することを許可されず、AIがユーザーに迎合するのを防ぎます。また、修正プロセス中に批判の強度を維持する必要があり、初回の査読で方法論を徹底的に批判した場合、修正後も査読者が突然優しくなることはありません。評価スコアの軌跡も追跡され、任意の次元のスコア低下は回帰としてフラグ付けされます。これはソフトウェア工学における「新しいバグを導入しない」原則に似ています。

第四に、3層のデータ分離：ARSはデータフローを厳密に3層に分けます。Layer 1は生の入力（デフォルトで信頼できない、幻覚や偏見の可能性）、Layer 2は完全性検証後の成果物、Layer 3は評価基準、参照回答、金標準データ（執筆AIのコンテキストに決して含まれない）です。執筆チームと査読チームは独立して2回呼び出され、段階境界によって分離されます。執筆AIは査読AIからの自然言語フィードバック（例：「第2章の議論に飛躍があります。比較実験を追加することを提案します」）のみを受け取り、生の評価基準は見えません。この設計はAnthropicのw2s-researcher研究から着想を得ており、AIがラベルデータを読み取れる場合、結果は本当の一般化ではなく表面的な特徴の最適化である可能性があると指摘しています。

最後に、誠実な文書化：ARSは各成果物に対してrepro_lockファイルを生成し、実行時構成を記録します。ただし、ファイルにはLLM出力はバイトレベルで再現可能ではないこと、モデルプロバイダーがモデルIDを変更せずに重みを更新する可能性があること、外部APIは毎日異なるデータを返すことなどが強制宣言として含まれています。このファイルは構成文書であり、再現の保証ではありません。

インストールは簡単で、すでにClaude Codeを使用している場合は2つのコマンドでインストールできます。また、SKILL.mdファイルをclaude.aiプロジェクト知識ベースにアップロードすることで、ブラウザ上でシングルエージェント版（機能制限あり）を利用することも可能です。プロジェクトは繁体字中国語と英語に対応しています。

コストについて、開発者はClaude Opus 4.7とMaxサブスクリプションプランの組み合わせを推奨しています。完全な10段階の実行では、20万以上の入力トークンと10万以上の出力トークンを消費します。Maxサブスクリプションは月額100ドルと200ドルの2種類です。1.5万字の論文の場合、実行あたりの推定コストは約4〜6ドルです。

プロジェクトリンク：https://github.com/Imbad0202/academic-research-skills