用 AI 写论文最大的风险，不是写得慢，而是它可能在不知不觉间编数据、编文献。一个看似完整的段落，引用的论文并不存在；一张漂亮的图，背后的数字是捏造的。这类问题在生成式写作里很难被发现，因为模型更关心「读起来顺不顺」，而不是「是不是真的」。MuchSci 的论文水手（PaperAssist）试图从流程设计上解决这个问题：全流程九步，每一步都产出真实文件，并在关键节点卡住真实数据与真实文献。
理解它的方式，是把「生成一段文字」和「完成一篇可核对稿件」分开。前者追求的是速度，后者追求的是可追溯。
01 论文写作工具最怕什么：编数据、编文献
AI 写稿的幻觉有两种常见形态。
▲ 图 1｜普通生成式写作求快，论文水手求每一步都可核对
一种是数据幻觉。 模型不知道你手上有什么数据，却可能「合理推测」出一组数字，让图表看起来很完整。另一种是文献幻觉。 模型能生成格式正确的引用，但那条引用对应的论文可能不存在，或者作者、年份、标题对不上。这两种幻觉的共同点是：它们在局部看起来合理，整体验收时却很难一眼识破。
MuchSci 论文水手的做法不是让模型更诚实，而是用流程把「编造」卡在外面。它要求你上传真实数据、从真实数据库建文献库、引用时必须能在库内找到对应条目。可疑的不是模型，而是没有约束的生成环境。
02 论文水手的九步链路（前八步可见）
截图里展示了论文水手的自述界面，可以看到前八步。
▲ 图 2｜论文水手界面：自述全流程九步，截图可见前八步
第一步是定方向：把模糊想法整理成研究问题、创意卡和 Proposal。第二步是建文献库：多源检索、转去重、带 DOI 和引用数、自动下载 PDF 入库，然后基于库内真实摘要写文献综述。第三步是出规划：生成大纲、章节骨架、目标期刊模板，并把 `data_needed`（需要真实数据的章节）标出来。
▲ 图 3｜前六步完成选题、文献、数据、图表的原始积累
第四步是数据收稿：上传 CSV / Excel / JSON，pandas 自动画像，逐章映射「大纲要什么 → 你手上有什么 → 输出缺口分析 + 行动清单」。第五步是数据分析：真实数据跑统计，出图表。第六步是论文配图：支持 8 种图型、多面板拼图 Figure a/b/c、按期刊栏宽导出可编辑 SVG。
▲ 图 4｜第七、八步把「写出来」和「写得可靠」分开执行
第七步是写正文：按章节写，正文引用用 `[cite:key]`，后台做三方核对（已用 / 缺失 / 未用）。第八步是审查自检：最多 3 轮 + 锁定，包括引用真实性校验和去 AI 味引擎。全流程自称九步，但截图只展示到第八步附近，因此第九步的具体细节我们不作推测。
03 真实数据是怎么被卡住的
数据真实性的关键，在于不让模型有机会「填假数」。
▲ 图 5｜三个卡点分别对应学术不端风险最高的三个环节
论文水手在数据环节做了几件事。首先，数据必须上传，不能凭空生成。其次，pandas 自动画像后，工具会把大纲要求和现有数据做逐章映射，明确标出缺口。再者，缺口不会自动补上，而是生成行动清单，告诉你还需要什么。这意味着，如果某个章节需要真实数据但你还没提供，系统不会替你编一个合理的数字，而是把问题留给你解决。
这个设计的好处是诚实。它牺牲了「看起来完整」的速度，换取了「每一步都可核对」的可靠性。
04 真实文献是怎么被卡住的
文献幻觉更难防，因为引用的格式可以非常规范，但来源是假的。
论文水手的处理方式是建立库内文献库。检索阶段从多个真实数据源命中文献，自动去重后下载 PDF 入库。写作阶段的引用格式是 `[cite:key]`，后台会核对这条引用是否确实在库内、是否被使用过、是否有应引未引的文献。这种「已用 / 缺失 / 未用」的三方核对，把引用闭环从格式正确推进到了来源可验证。
当然，这要求使用者真的把文献库建起来。如果库本身漏掉了关键文献，后台核对也发现不了。所以它卡住的是「编造文献」，不是「文献检索不全」。后者仍然是作者自己的责任。
05 边界
照例把边界摆在明面上。
① 本篇讲的是功能机制，不是效果承诺。 论文水手通过流程设计降低编造风险，但不能保证每一篇产出的学术质量、创新性或投稿成功率。
② 真实数据与真实文献的源头责任仍在作者。 系统能卡住「填假数」和「幻觉文献」，但无法替你判断数据是否采集得当、文献是否覆盖全面、论点是否成立。
③ AI 参与论文写作的允许范围以所在机构现行规定为准。 涉及学术诚信、引用规范、数据使用的最终责任，始终在作者本人。