人工智能AI 技能/插件深度研究知识图谱MCP 服务【免费下载链接】AutoSciKarpathys LLM-Wiki vision, fully realized — wiki-centric full-lifecycle AI research platform powered by Claude Code项目地址https://gitcode.com/gh_mirrors/om/AutoSci点击查看免费下载AutoSci 是一个以 wiki 为核心、覆盖科研全生命周期的 AI 研究平台它内置了一套跨模型评审机制让第二个大模型扮演独立审稿人对研究想法、方法、论文草稿和实验结果进行盲审。这篇指南将带你理解它的独立性原则、4 个实战场景以及 3 步完成配置的最快上手方法——不需要你懂任何代码。什么是跨模型评审为什么要盲审想象一下真实的学术审稿审稿人只看你的论文不知道作者的自评分数是多少。AutoSci 把这个逻辑搬进了 AI 工作流——核心规则写在 cross-model-review.md 中在 Review LLM 形成独立判断之前绝不能把主模型的评分、结论和倾向性评价告诉它。审稿人只能收到三样东西被审的制品idea、方法、草稿、实验结果、相关上下文wiki 页面、已有工作、约束条件、评审标准评什么、多严格。而主模型的自我打分、主要缺点是 X这类引导性描述一律不能出现。为什么这条规则如此重要避免锚定效应如果第二个模型先看到我打 7/10它的评分会不自觉地围绕 7 分打转避免确认偏误如果被告知缺点是 X审稿人的注意力会被锁定在 X 上错过真正的致命缺陷 Y保留视角多样性不同模型有不同的知识盲区这正是双模型评审的价值所在——提前共享判断等于抹掉了多样性。评审报告长什么样从评分到判决以 /review 技能为例第二个大模型会输出一份结构化评审报告报告部分内容Overall Score1–10 分必须附带一句理由Strengths / Weaknesses优点列表 按严重程度排序的缺点每条缺点必须附具体修复方案Verdict四种判决ready/needs-work/major-revision/rethinkWiki 实体映射指出哪些 idea / method 需要加强、发现了哪些知识缺口评审强度还有三档可选standard单轮快审、hard多轮对话最多 3 轮主模型可逐条反驳、adversarial模拟最严苛审稿人主动搜索致命缺陷比如证明错误、数据泄露、方法已被发表。4 个典型场景第二模型如何提升研究可信度跨模型评审不是一个孤立功能而是被 9 个核心技能复用的共享机制场景 1对抗性评审/review主模型把制品原文 wiki 上下文 评审标准发给第二个模型不带任何预判。在hard模式下双方进入最多 3 轮的审稿人-作者对话主模型对每条弱点做反驳或承认审稿模型据此更新评分。评分变化小于 0.5 分且无新弱点时自动收敛停止。场景 2新颖性交叉验证/novelty/novelty 会并行搜索网页、Semantic Scholar、arXiv 预印本和 wiki 内部已有工作然后把方法签名 找到的相似工作交给第二个模型独立判断这是真正新颖还是已有工作的简单变体输出 1–5 分的新颖性评分。场景 3实验结果的公正判决/exp-eval/exp-eval 把实验结果、关联 idea 的假设和上下文交给第二个模型让它作为公正法官独立给出判决supported / partially_supported / not_supported / inconclusive——注意主模型自己怎么解读这个实验结果它一概不知。场景 4模拟审稿人追问/rebuttal论文投稿后/rebuttal 会把真实审稿意见原子化Rv1-C1 编号再让第二个模型扮演审稿人继续追问stress-test提前暴露你 rebuttal 中的薄弱点——相当于在真正的学术答辩之前先被 AI 审稿人质询一遍。双模型评分如何合并保守原则两个模型各自独立打分后AutoSci 用一套明确的规则合并同样来自 cross-model-review.md分数接近相差 1 分以内→ 取平均值高置信度分数分歧相差 2 分以上→ 明确标记分歧调查各自漏看了什么两个分数都如实报告保守默认合并新颖性/质量分时取较低分——宁可低估也不要在有缺陷的想法上过度投入致命发现不可被平均掉只要任一模型发现该方法已被发表这类致命问题该发现无条件成立。最快配置方法3 步接入第二个大模型AutoSci 通过一个轻量的 MCP 服务器接入第二个模型——llm-review server 支持任何 OpenAI 兼容 APIDeepSeek、Qwen、OpenRouter、SiliconFlow、OpenAI 等并内置了重试、超时和备用模型切换LLM_FALLBACK_MODEL。Step 1运行/setup技能按交互引导回答三个问题用哪家 API、LLM_BASE_URL如https://api.deepseek.com/v1、LLM_MODEL如deepseek-chatStep 2把 API key 和项目根目录.env中的LLM_API_KEY、LLM_BASE_URL、LLM_MODEL对应填好Step 3重启 Claude Code让 MCP 服务器加载新配置。不想手动操作直接对 AutoSci 说帮我配置 Review LLM即可/setup会逐条询问并自动校验格式详见 setup 技能。没配置第二模型怎么办优雅降级跨模型评审是增强项不是必需品。当 Review LLM 不可用时没配.env、端点不可达等AutoSci 不会静默跳过评审而是主动告知你跨模型 review 尚未配置现在配置还是继续若你选择继续自动进入Claude 自评模式并明确标注输出为[Claude 自评 — 无独立第二意见]其余流程照常执行。也就是说不配置第二模型你依然能跑完整工作流只是少了一道独立校验。小结维度说明核心机制第二个大模型在不知道主模型结论的前提下独立评审覆盖环节想法、新颖性、实验判决、论文 rebuttal 等 9 个技能配置成本3 步接入兼容任意 OpenAI 格式 API可信度收益消除锚定/确认偏误 保守合并原则 致命缺陷一票否决想让 AI 研究助手少自说自话、多独立核验跨模型评审是目前成本最低、收益最直接的升级路径。克隆仓库后运行./setup.sh在/setup中完成 Review LLM 配置即可在/review中体验第一个独立审稿人。赞分享人工智能AI 技能/插件深度研究知识图谱MCP 服务【免费下载链接】AutoSciKarpathys LLM-Wiki vision, fully realized — wiki-centric full-lifecycle AI research platform powered by Claude Code项目地址https://gitcode.com/gh_mirrors/om/AutoSci点击查看免费下载相关推荐ARIS Codex Claude 审稿人搭建指南用 claude-review MCP 桥接跨模型审稿回路ARIS Codex Claude 审稿人搭建指南用 claude review MCP 桥接跨模型审稿回路 本指南基于 ARISAuto ResearAI 技能/插件AI 评测科研人工智能MCP 服务dsh-pluginARIS 评审者独立性协议Reviewer Independence Protocol跨模型对抗评审中输入零过滤的工程规范ARIS 评审者独立性协议Reviewer Independence Protocol跨模型对抗评审中输入零过滤的工程规范 导读 本文系统讲解 ARIAI 技能/插件AI 评测科研人工智能MCP 服务dsh-pluginARIS Gemini Review Overlay用 Codex 执行、Gemini 审稿的跨模型研究评审流水线实战指南ARIS Gemini Review Overlay用 Codex 执行、Gemini 审稿的跨模型研究评审流水线实战指南 ARISAuto ResearcAI 技能/插件AI 评测科研人工智能MCP 服务dsh-plugin创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
人工智能AI 技能/插件深度研究知识图谱MCP 服务【免费下载链接】AutoSciKarpathys LLM-Wiki vision, fully realized — wiki-centric full-lifecycle AI research platform powered by Claude Code项目地址https://gitcode.com/gh_mirrors/om/AutoSci点击查看免费下载AutoSci 是一个以 wiki 为核心、覆盖科研全生命周期的 AI 研究平台它内置了一套跨模型评审机制让第二个大模型扮演独立审稿人对研究想法、方法、论文草稿和实验结果进行盲审。这篇指南将带你理解它的独立性原则、4 个实战场景以及 3 步完成配置的最快上手方法——不需要你懂任何代码。什么是跨模型评审为什么要盲审想象一下真实的学术审稿审稿人只看你的论文不知道作者的自评分数是多少。AutoSci 把这个逻辑搬进了 AI 工作流——核心规则写在 cross-model-review.md 中在 Review LLM 形成独立判断之前绝不能把主模型的评分、结论和倾向性评价告诉它。审稿人只能收到三样东西被审的制品idea、方法、草稿、实验结果、相关上下文wiki 页面、已有工作、约束条件、评审标准评什么、多严格。而主模型的自我打分、主要缺点是 X这类引导性描述一律不能出现。为什么这条规则如此重要避免锚定效应如果第二个模型先看到我打 7/10它的评分会不自觉地围绕 7 分打转避免确认偏误如果被告知缺点是 X审稿人的注意力会被锁定在 X 上错过真正的致命缺陷 Y保留视角多样性不同模型有不同的知识盲区这正是双模型评审的价值所在——提前共享判断等于抹掉了多样性。评审报告长什么样从评分到判决以 /review 技能为例第二个大模型会输出一份结构化评审报告报告部分内容Overall Score1–10 分必须附带一句理由Strengths / Weaknesses优点列表 按严重程度排序的缺点每条缺点必须附具体修复方案Verdict四种判决ready/needs-work/major-revision/rethinkWiki 实体映射指出哪些 idea / method 需要加强、发现了哪些知识缺口评审强度还有三档可选standard单轮快审、hard多轮对话最多 3 轮主模型可逐条反驳、adversarial模拟最严苛审稿人主动搜索致命缺陷比如证明错误、数据泄露、方法已被发表。4 个典型场景第二模型如何提升研究可信度跨模型评审不是一个孤立功能而是被 9 个核心技能复用的共享机制场景 1对抗性评审/review主模型把制品原文 wiki 上下文 评审标准发给第二个模型不带任何预判。在hard模式下双方进入最多 3 轮的审稿人-作者对话主模型对每条弱点做反驳或承认审稿模型据此更新评分。评分变化小于 0.5 分且无新弱点时自动收敛停止。场景 2新颖性交叉验证/novelty/novelty 会并行搜索网页、Semantic Scholar、arXiv 预印本和 wiki 内部已有工作然后把方法签名 找到的相似工作交给第二个模型独立判断这是真正新颖还是已有工作的简单变体输出 1–5 分的新颖性评分。场景 3实验结果的公正判决/exp-eval/exp-eval 把实验结果、关联 idea 的假设和上下文交给第二个模型让它作为公正法官独立给出判决supported / partially_supported / not_supported / inconclusive——注意主模型自己怎么解读这个实验结果它一概不知。场景 4模拟审稿人追问/rebuttal论文投稿后/rebuttal 会把真实审稿意见原子化Rv1-C1 编号再让第二个模型扮演审稿人继续追问stress-test提前暴露你 rebuttal 中的薄弱点——相当于在真正的学术答辩之前先被 AI 审稿人质询一遍。双模型评分如何合并保守原则两个模型各自独立打分后AutoSci 用一套明确的规则合并同样来自 cross-model-review.md分数接近相差 1 分以内→ 取平均值高置信度分数分歧相差 2 分以上→ 明确标记分歧调查各自漏看了什么两个分数都如实报告保守默认合并新颖性/质量分时取较低分——宁可低估也不要在有缺陷的想法上过度投入致命发现不可被平均掉只要任一模型发现该方法已被发表这类致命问题该发现无条件成立。最快配置方法3 步接入第二个大模型AutoSci 通过一个轻量的 MCP 服务器接入第二个模型——llm-review server 支持任何 OpenAI 兼容 APIDeepSeek、Qwen、OpenRouter、SiliconFlow、OpenAI 等并内置了重试、超时和备用模型切换LLM_FALLBACK_MODEL。Step 1运行/setup技能按交互引导回答三个问题用哪家 API、LLM_BASE_URL如https://api.deepseek.com/v1、LLM_MODEL如deepseek-chatStep 2把 API key 和项目根目录.env中的LLM_API_KEY、LLM_BASE_URL、LLM_MODEL对应填好Step 3重启 Claude Code让 MCP 服务器加载新配置。不想手动操作直接对 AutoSci 说帮我配置 Review LLM即可/setup会逐条询问并自动校验格式详见 setup 技能。没配置第二模型怎么办优雅降级跨模型评审是增强项不是必需品。当 Review LLM 不可用时没配.env、端点不可达等AutoSci 不会静默跳过评审而是主动告知你跨模型 review 尚未配置现在配置还是继续若你选择继续自动进入Claude 自评模式并明确标注输出为[Claude 自评 — 无独立第二意见]其余流程照常执行。也就是说不配置第二模型你依然能跑完整工作流只是少了一道独立校验。小结维度说明核心机制第二个大模型在不知道主模型结论的前提下独立评审覆盖环节想法、新颖性、实验判决、论文 rebuttal 等 9 个技能配置成本3 步接入兼容任意 OpenAI 格式 API可信度收益消除锚定/确认偏误 保守合并原则 致命缺陷一票否决想让 AI 研究助手少自说自话、多独立核验跨模型评审是目前成本最低、收益最直接的升级路径。克隆仓库后运行./setup.sh在/setup中完成 Review LLM 配置即可在/review中体验第一个独立审稿人。赞分享人工智能AI 技能/插件深度研究知识图谱MCP 服务【免费下载链接】AutoSciKarpathys LLM-Wiki vision, fully realized — wiki-centric full-lifecycle AI research platform powered by Claude Code项目地址https://gitcode.com/gh_mirrors/om/AutoSci点击查看免费下载相关推荐ARIS Codex Claude 审稿人搭建指南用 claude-review MCP 桥接跨模型审稿回路ARIS Codex Claude 审稿人搭建指南用 claude review MCP 桥接跨模型审稿回路 本指南基于 ARISAuto ResearAI 技能/插件AI 评测科研人工智能MCP 服务dsh-pluginARIS 评审者独立性协议Reviewer Independence Protocol跨模型对抗评审中输入零过滤的工程规范ARIS 评审者独立性协议Reviewer Independence Protocol跨模型对抗评审中输入零过滤的工程规范 导读 本文系统讲解 ARIAI 技能/插件AI 评测科研人工智能MCP 服务dsh-pluginARIS Gemini Review Overlay用 Codex 执行、Gemini 审稿的跨模型研究评审流水线实战指南ARIS Gemini Review Overlay用 Codex 执行、Gemini 审稿的跨模型研究评审流水线实战指南 ARISAuto ResearcAI 技能/插件AI 评测科研人工智能MCP 服务dsh-plugin创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
