核心用法
Sopaper Evidence 是一套证据优先的科研工作流技能，核心目标是在撰写论文大纲、摘要、相关工作综述或实验计划之前，先构建可靠的证据包。它通过六个标准化步骤实现：任务范围界定 → 证据检索 → 来源验证与分类 → 结构化证据提取 → 证据图谱构建 → 支持下游写作。
该技能强制要求所有写作输出必须可追溯至具体证据项，严禁编造论文、作者、会议、数据集、基准测试或数值结果。来源优先级明确：用户提供的项目产物（实验日志、代码、配置）> 一级外部来源（论文、官方文档、基准排行榜）> 二级摘要（博客、新闻、第三方解读）。
显著优点
- 防幻觉设计：通过"Hard rules"和"Claim audit rules"双重机制，强制区分已验证事实、推理假设和未验证陈述，大幅降低学术不端风险
- 结构化工作流：提供完整的模板体系（证据图谱、相关工作矩阵、实验缺口报告）和自动化脚本（12个Python脚本覆盖从主题到完整证据包的全流程）
- 领域适配：针对机器人/具身AI项目（如OpenClaw）提供专项指导，优先关注操作基准、长程任务证据、真实世界验证等关键维度
- 渐进式交付：默认输出包含证据简报、关键来源、声明-证据映射、证据缺口、安全写作提示和实验缺口报告六部分，便于用户分阶段决策
潜在局限
- 依赖外部搜索能力：脚本如
search_external_sources.py的效果受限于底层检索工具的质量和覆盖范围 - 验证瓶颈：
verify_source_notes.py要求"保守升级"，可能导致大量来源停留在未验证状态，需人工介入 - 领域覆盖不均：OpenClaw专项指导详尽，但其他领域（如纯理论计算机科学、人文社科）缺乏同等深度的定制规则
- 无实时数据库：未提及与Google Scholar、Semantic Scholar、DBLP等学术数据库的API集成，搜索效率可能受限
适合人群
- 需将项目成果转化为学术论文的研究者，尤其是缺乏系统文献管理经验的学生和初级研究者
- 涉及基准测试、数据集对比、消融实验的实证研究项目团队
- 对学术诚信要求高、需规避"幻觉引用"风险的场景（如学位论文、期刊投稿）
- 具身AI/机器人领域的OpenClaw项目开发者
常规风险
- 证据缺口误判：
triage_evidence_gaps.py将缺口分为blocker/major/minor三级，但自动化分级可能忽略领域特有关键实验 - 溯源过度保守：严格区分verified_fact/project_evidence/inference/unverified四类标签，可能导致写作时可用素材不足
- 模板僵化风险：过度依赖提供的模板体系可能限制非标准研究结构的灵活表达
- 版本维护：当前版本v0.6.0，大量引用文件（如
references/source-priority.md）的实际内容未在技能文档中展开，存在文档漂移风险