我真求你们了,论文都多得看不过来了,怎么自动写论文的工具还在往外冒!
最近,GitHub又又又又上新了一个AI论文生成工具——
Open Academic Paper Gen。
先别急着划走!
除了能自动生成一版带参考文献的初稿以外,Open Academic Paper Gen还有个你必须关注的点——
在能获取文献全文的情况下,它会从全文(划重点)中寻找依据,核验论文里的引用观点。

有一说一,这非常实用了。
因为论文写作很多时候,就是从一个研究主题出发,不断梳理观点、寻找证据,再根据文献调整自己的判断。
有了AI之后,论点可以帮你发散,论据也可以帮你检索来源。
但问题在于,有时候观点、论文是真的,可一旦把(AI给的)“观点”放回全文里,结合上下文语境去看,就会发现,作者可能压根不是那个意思。

所以,为了解决这个问题,Open Academic Paper Gen在拿到文献全文之后,会进一步定位相关段落,判断这篇文献到底能不能支撑对应观点。
如果有页码信息,它还会在注释里标出对应的PDF页码,方便人再回去翻查。
也就是说,它不光会查“这篇论文存不存在”,还会查“这话到底是不是它说的”。
总体来看,Open Academic Paper Gen是一套生成论文初稿的多智能体工作流,把从选题到导出的过程,拆成了九个阶段:
确定研究范围、检索文献、清理筛选、分析趋势、寻找切入点、列提纲、写作、核验,最后导出。

和其他AI论文写作工具类似,你给它一个研究主题,比如“物理世界的RSI”。
它就会从这个主题中拆出具体的研究问题,再生成对应的中英文关键词,去OpenAlex、Crossref、Semantic Scholar和arXiv里搜索论文。
搜回来的文献会进一步去重、评分,再由模型筛选相关性。遇到相关性较高的论文,还会顺着它的参考文献,以及后来引用它的研究继续找。
相当于抓住一篇,再顺藤摸瓜补一批,思路其实有点像当年的CONNCTED PAPERS。
(有没有懂的)。

接下来,收集到的文献,会被整理成一张证据表,汇总每篇论文的研究问题、方法、数据、结论以及局限。
有了这些材料,系统再分析研究趋势,提出可能的研究角度、研究空白和假设。
这里还有个挺有意思的环节,叫创新性诊断。
Open Academic Paper Gen会从问题、方法、数据和视角几个维度评估切入点,指出文献池中最接近的已有工作,并给出审稿人可能提出的质疑。
(这相当于是在你觉得自己做出ResNet时,AI先帮你看看别人是不是做过)
具体的,这些判断会围绕本次检索到的文献展开,不过,文献池里没找到,不代表全世界没人做过~
最后,研究角度确定后,系统继续生成提纲、分章节起草。
初稿写完,再进入引用核验和模拟审稿,最后可以导出 Markdown 或 LaTeX,以及 RIS、BibTeX 等参考文献格式。

在具体的运行方式上,默认模式下Open Academic Paper Gen会在主要阶段停下来,等你审查、编辑、确认后再往下走。
如果想测试一下AI研究的能力,也可以让它自动跑完,选择全自动模式。
最后,准备开跑的朋友还得注意一下模型配置:
目前项目支持OpenAI和智谱GLM,但论点核验、无引用陈述检查和模拟审稿这几个环节,仍然需要 OpenAI API Key。
老实说,自动搜文献、写初稿,再让AI审一遍稿,已经是不少论文写作项目的常见组合。
其中一些还加入了引用核验和人工确认,尽量减少模型瞎编。
Open Academic Paper Gen在这套流程里,进一步细化了引用的检查和修改。
毕竟,给一篇初稿配上参考文献是一回事,证明这些参考文献真的能支撑正文,又是另一回事。
具体来说,它把核验拆成了三道检查。
第一道,检查引用能不能在文献池里找到。
写作时,每个引用标记都要对应已经收集到的一篇论文。
如果模型临时编出一个不存在的引用标识,系统就会把它标出来,方便定位和修改。
第二道,核对这篇文献的身份。
有DOI的论文,会先与Crossref的记录核对;查不到时,再去doi.org确认。
标题、作者、年份等信息对不上,会触发相应警告。
第三道,检查原文到底支不支持这句话。
到了这里,检查才真正从“文献信息”,进入“文献内容”。
拿到全文后,系统会从中找出与引用论点最匹配的段落,连同论文开头一起交给模型,判断原文能不能支撑正文里的说法。
拿不到全文,则使用摘要或节选。存在页码数据时,警告还可以标出对应的PDF页码,方便人回去翻查。
当然了,模型没找到足够证据,不等于已经证明这句话是错的。
按照Open Academic Paper Gen的处理方式,证据不足时可以标为“无法判断”。
文本太少、根本没法核对的文献,则会标为“未核验”,而不是直接算通过。
所以,整体看下来,比起“一键写完论文”,Open Academic Paper Gen把文献整理、证据定位和引用自查串起来的思路的确很灵性。
尤其是面对 AI 写出来的观点和论据,总觉得“好像有道理,但又不敢直接信”的时候,能把对应原文找出来,至少多了一个回去核实的抓手。
By the way,这个项目来自个人开发者猫叔。除了Open Academic Paper Gen,他此前还发布过AI编剧、AI研究等多个项目。

参考链接[1]https://github.com/mmlong818/open-academic-paper-gen
文章来自于微信公众号 “量子位”,作者 “量子位”
【开源免费】Browser-use 是一个用户AI代理直接可以控制浏览器的工具。它能够让AI 自动执行浏览器中的各种任务,如比较价格、添加购物车、回复各种社交媒体等。
项目地址:https://github.com/browser-use/browser-use
【开源免费】字节工作流产品扣子两大核心业务:Coze Studio(扣子开发平台)和 Coze Loop(扣子罗盘)全面开源,而且采用的是 Apache 2.0 许可证,支持商用!
项目地址:https://github.com/coze-dev/coze-studio
【开源免费】n8n是一个可以自定义工作流的AI项目,它提供了200个工作节点来帮助用户实现工作流的编排。
项目地址:https://github.com/n8n-io/n8n
在线使用:https://n8n.io/(付费)
【开源免费】DB-GPT是一个AI原生数据应用开发框架,它提供开发多模型管理(SMMF)、Text2SQL效果优化、RAG框架以及优化、Multi-Agents框架协作、AWEL(智能体工作流编排)等多种技术能力,让围绕数据库构建大模型应用更简单、更方便。
项目地址:https://github.com/eosphoros-ai/DB-GPT?tab=readme-ov-file
【开源免费】VectorVein是一个不需要任何编程基础,任何人都能用的AI工作流编辑工具。你可以将复杂的工作分解成多个步骤,并通过VectorVein固定并让AI依次完成。VectorVein是字节coze的平替产品。
项目地址:https://github.com/AndersonBY/vector-vein?tab=readme-ov-file
在线使用:https://vectorvein.ai/(付费)
【开源免费】DeepBI是一款AI原生的数据分析平台。DeepBI充分利用大语言模型的能力来探索、查询、可视化和共享来自任何数据源的数据。用户可以使用DeepBI洞察数据并做出数据驱动的决策。
项目地址:https://github.com/DeepInsight-AI/DeepBI?tab=readme-ov-file
本地安装:https://www.deepbi.com/
【开源免费】airda(Air Data Agent)是面向数据分析的AI智能体,能够理解数据开发和数据分析需求、根据用户需要让数据可视化。
项目地址:https://github.com/hitsz-ids/airda
【开源免费】AutoGPT是一个允许用户创建和运行智能体的(AI Agents)项目。用户创建的智能体能够自动执行各种任务,从而让AI有步骤的去解决实际问题。
项目地址:https://github.com/Significant-Gravitas/AutoGPT
【开源免费】MetaGPT是一个“软件开发公司”的智能体项目,只需要输入一句话的老板需求,MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色,包括产品经理 / 架构师 / 项目经理 / 工程师,MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。
项目地址:https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md