peer-reviewer

Peer Reviewer 是一款基于多智能体架构的学术审稿工具，专为科研工作者设计，通过模拟"Reviewer 2"的严苛视角对学术论文进行深度质量评估。该工具采用 Node.js CLI 形式运行，支持直接输入文件路径或原始文本，利用 Deconstructor（解构者）、Devil's Advocate（质疑者）和 Judge（评判者）三个 AI 智能体协同工作，从逻辑一致性、实证有效性、文献矛盾等多维度剖析论文，最终生成包含总体评分（0-10 分）、防御策略、改进建议及细分维度评分的结构化 JSON 报告。

该技能的显著优势在于其独特的对抗性审查机制。不同于单一 AI 的浅层分析，多智能体系统能够主动发现论证漏洞、识别与已发表文献的矛盾点，并提供建设性的修改方向。技术实现上，项目采用 TypeScript 编写，通过 Zod 进行严格的 Schema 验证，确保输入输出类型安全；代码通过 A 级安全认证，无 eval、动态代码执行或 SQL 注入等高危漏洞，依赖库均为知名开源项目且版本锁定，整体架构稳健可靠。

然而，用户需注意其潜在局限性。首先，该工具完全依赖外部 LLM 服务（OpenAI、Google Gemini）和搜索 API（Serper、arXiv），需稳定网络连接且产生 API 调用费用，无法离线使用。其次，作为 T3 级来源（个人开发者社区项目），虽代码质量达标，但长期维护和支持能力有限。最重要的是数据隐私风险：用户论文内容将被发送至第三方 AI 服务，不适合处理含机密信息、商业敏感数据或未公开重大发现的稿件。

该技能最适合需要预审稿件的科研工作者、希望提升论文质量的研究生，以及需要快速检查逻辑一致性的学术合作团队。对于开放获取论文的文献对比、论证结构优化等场景尤为有效。

使用风险主要包括：API 密钥管理不当可能导致的安全问题；外部服务可用性影响工具稳定性；自动化搜索可能产生的误报需人工复核；以及本地 ./data 目录存储的报告文件需定期清理以防磁盘占用。建议用户在配置环境变量时严格遵循安全指南，避免在公共代码库中硬编码密钥，并对涉及敏感知识产权的论文谨慎使用。

核心用法

Peer Reviewer 是一款基于多智能体架构的自动化学术评审工具，通过三个专业化AI代理协作完成深度论文分析：

• Deconstructor（解构器）：拆解论文论证结构，提取核心主张、方法论与证据链
• Devil's Advocate（魔鬼辩护人）：主动寻找逻辑矛盾、方法论缺陷、与既有文献的冲突
• Judge（法官）：综合两方观点，输出结构化的「Merit Report」评分报告

用户可通过 Node.js CLI 调用，支持文件路径或直接输入原始文本。输出包含 0-10 分的综合评分、多维度评分（逻辑性、创新性、实证有效性等）、辩护策略建议及具体改进清单。

显著优点

• 评审深度超越单模型：多代理辩论机制有效减少AI幻觉，模拟真实同行评议的对抗性思维
• 学术场景专用：针对科研论文的结构化输出，非通用聊天可比
• 灵活性高：支持本地文件、ArXiv链接、原始文本多种输入方式
• 开源可审计：MIT 许可证，代码结构清晰，依赖均为知名库

潜在局限

• T3来源风险：个人开发者维护，无机构背书，长期维护稳定性存疑
• API依赖性强：需配置 OpenAI/Google 等多平台密钥，调用成本随论文长度显著上升
• 命令注入隐患：skill_search.ts 使用 child_process.exec 拼接命令，虽经转义处理但仍存在理论风险
• 评审质量天花板：最终输出受限于底层LLM能力，对高度专业领域（如特定实验技术细节）的判断可能失准

适合人群

• 预投稿前自我审查的研究人员
• 需要快速获取「Reviewer 2」视角批评的研究生
• 期刊编辑作为初审筛选辅助工具
• 科研写作课程的教学演示

常规风险

• 数据隐私：论文内容需发送至第三方LLM API，涉密研究需谨慎
• 成本失控：长论文多轮代理调用可能产生意外费用
• 过度依赖：AI评审不能替代人类专家判断，存在误判可能
• 环境配置：需正确配置 google.json 及多平台API密钥，新手门槛较高