为什么Light-skills坚持“查不到就标unknown”?解读AI科研工具的诚实设计哲学

原创2026-10-29 09:33:391,729 阅读

为什么Light-skills坚持“查不到就标unknown”?解读AI科研工具的诚实设计哲学

Light-skills 是一个开源的 AI 科研技能包,把科研、竞赛与创新项目从“模糊想法”推进到“可检查交付物”。它最打动我的,是贯穿所有技能的一条铁律:查不到就标 unknown,绝不靠猜。今天就拆解这套 AI 科研工具的诚实设计哲学,看看它为什么比普通 AI 助手更值得信任。

一分钟认识 Light-skills:23 个技能的科研全流程

先用一张官方预览图感受下项目气质:

Light-skills AI科研技能包项目预览

Light-skills 包含 23 个技能模块,覆盖科研主线的每一个阶段:

阶段 干什么 代表技能
接收与理解 读论文、表格、项目文件 light-file-reading
查新与 idea 检索文献、批判创新性 light-literature-search、light-idea-critique
数据与实验 设计实验、统计分析 light-experiment-coding、light-result-analysis
论文交付 写作、引用核查、排版 light-paper-writing、light-citation、light-typesetting
投稿与转化 匹配期刊、回复审稿 light-venue-matching、light-review-rebuttal

技能总览见 README.md 的"完整技能一览"表格。

为什么"标 unknown"比"给个大概"更重要?

用 AI 写论文、查文献时,大家几乎都遇到过这种场景:

  • AI 一本正经地给出一个 DOI,你点进去发现 404;
  • 问它某期刊的格式要求,它信誓旦旦却张冠李戴;
  • 让 AI"总结一下这篇 PDF",扫描件根本没读,它照样输出全文复述。

这就是大模型的通病——幻觉。模型被训练成"必须给出一个答案",而科研恰恰是最不能容忍瞎编的领域:一条假引用可能直接导致 desk reject。

所以 Light-skills 在项目开发纪律里写下了这条硬性规定(见 AGENTS.md):

动态事实、论文、DOI、star、链接、能力声明查不到就写 unknown/待核查。

这不是口号,而是被脚本强制执行的设计。下面看它是怎么落地的。

诚实设计是如何被"强制执行"的?

1. 状态枚举:想偷懒都不行

所有技能共享同一套运行状态契约(_shared/status_contract.py),只有 8 种合法状态:

PASS / WARN / FAIL / ERROR / UNAVAILABLE / PARTIAL / UNRESOLVED / SKIPPED

更狠的是校验规则:

  • 标 PASS 但还有一项没检查?直接拒绝——必须改判 PARTIAL 或 UNRESOLVED;
  • 标 UNAVAILABLE 或 SKIPPED 却不给理由?同样拒绝——"无理由状态"是非法的。

换句话说,"假装全部检查完"和"不声不响跳过"两条偷懒路线,都被代码封死了。

2. 引用核查:网络挂了 ≠ 论文不存在

引用是 AI 幻觉的重灾区。light-citation 技能(skills/light-citation/SKILL.md)给每条引用定义了四态判定机:

状态 含义 该怎么处理
CONFIRMED 注册机构 + 独立字段源双确认 才能进正式 BibTeX
CONFIRMED-MISSING DOI 注册机构明确说不存在 危险信号,替换或删除
UNAVAILABLE 网络故障/限流导致查不了 换个免费源重试
UNRESOLVED 证据不全 继续调查,不许标"已验证"

其中第 3 条规则最见功力:网络失败、限流、5xx 错误,绝不允许被解读为"这篇论文不存在"。很多工具会把"查不到"和"不存在"混为一谈,而这里被明确分开——查不到就是查不到,老老实实标 UNAVAILABLE。

3. 文件阅读:读不到就说读不到

读 PDF、Word、扫描件时,light-file-reading 的纪律是(skills/light-file-reading/SKILL.md):

  • 读不到/读不全(扫描件无 OCR、加密、损坏)→ 写"未知/待确认/未覆盖 X",宁缺毋造;
  • 溯源定位符(locator)不能是模板占位或 unknown——你不能一边说"我没看到第 4 页",一边引用第 4 页的内容。

同理,文献检索时"绝不假装查全了":覆盖度必须按真实 HTTP 状态码标注哪些源查成功了、哪些失败了(skills/light-literature-search/SKILL.md)。

4. 排版失败归因:工具缺失 ≠ 稿子有问题

light-typesetting 明确规定:LaTeX 编译环境缺失时标 UNAVAILABLE,绝不把工具链问题误判为稿件问题(skills/light-typesetting/SKILL.md)。

这一条对新手特别友好——不会因为自己没装好 MiKTeX,就被 AI 告知"你的论文格式全错了"。

5. 措辞校准:证据多弱,话就说到多满

诚实不止对"事实",还对"措辞"。共享的证据强度契约(_shared/evidence_contract.py)把统计强度映射到四个措辞档:

  • 强证据 → 允许 "demonstrate / 证实" 这类高确定性动词;
  • 弱证据 → 只能用 "suggest / 可能 / 初步提示" 这类 hedging 措辞;
  • 不显著 → 只准报 "no significant difference"。

写作、润色、图注、PPT 全部卡这个上限,从机制上消灭"正文措辞强于证据"的通病。而文档自己也坦承:目前只实现了统计强度维度,不假装做了完整的 GRADE 评估(见 _shared/README.md 的"诚实落后项"章节)——对自己的能力边界也标 unknown,这才是知行合一。

这套哲学给新手带来什么?

🎯 可预期的输出:每条结论后面都能追问"证据在哪、哪些没查、为什么",而不是面对一段无法证伪的流畅文字。

🎯 失败是显性的:工具缺失、查询失败、证据不足,全部以结构化状态暴露在报告里,不会被"总结性话术"糊弄过去。

🎯 人机分工清晰:查得到就自动做,查不到就停下来交给人——选题、创新性判断、投稿目标这些关键决策点始终由你确认,AI 不越权。

亲眼看看"诚实交付"长什么样

仓库里自带端到端示例:一个光催化动力学的论文 Demo,从合成数据、程序化分析、图表生成到 LaTeX PDF 全程可复现。下面是它的成品论文预览:

Light-skills 科研论文Demo排版预览

而所有数据图都来自 Python/R 程序化生成——仓库纪律明确禁止用 AI 生图冒充数据图。九宫格图表画廊就是例证:

Light-skills AI科研图表程序化生成九宫格示例

示例项目说明见 examples/e2e-research-demo/README.md。

快速上手

环境要求很简单:Git + Python 3.10+。clone 仓库后运行引导脚本即可把技能安装到 Claude Code / Codex / OpenCode:

python scripts\bootstrap_agent_skills.py --mode auto --force

安装脚本入口在 scripts/bootstrap_agent_skills.py,跑完用 --check-only 自检。新手建议从总控入口起步:

/light-orchestrator 我想把这个方向做成可投稿英文论文。请先问必要问题,再拆阶段、产物和风险。

写在最后

"查不到就标 unknown" 听起来是一句保守的话,实际是最先进的工程纪律。

在 AI 幻觉频出的今天,一个工具的可靠性不取决于它能说多少漂亮话,而取决于它在多大声地告诉你"这里我查不到"。Light-skills 把诚实从价值观落成了状态枚举、校验规则与阻断门——这正是它值得科研人员信任的原因。

想深入了解某条技能链(比如引用四门核查或证据措辞档),仓库中各技能的 SKILL.md 与 _shared/README.md 是最好的文档,值得逐字读一遍。

登录后查看全文
Light-Science