thesis-creator

论文创作 Agent 系统

面向中国本科生的毕业论文全流程写作辅助系统

从选题到交稿，一句话搞定

功能特性 • 快速开始 • 使用文档 • 贡献指南

---

简介

论文创作 Agent 系统是一个基于 Claude Code 的毕业论文写作辅助工具。通过智能化的 10 步工作流，帮助本科生高效完成毕业论文创作，同时提供降重优化、AIGC 检测和文献真实性验证功能。

[!IMPORTANT] v2.0 多学科 Beta 预告：main 当前默认支持 CS / SE 学科。 已在 multi-discipline-beta 分支提供 9 个学科模板包（计算机/经管/法学/教育/人文/医护/工科/理科/艺术设计）+ 状态机产物对账 + 图片管线双格式。 教育学测试用例已端到端跑通（Step 0→9 全部 completed，AIGC 6.1%）。 完整路线请见 docs/ROADMAP.md。

功能特性

特性	说明
🔄 全流程覆盖	从选题到交稿的端到端工作流
📉 降重优化	句式重构、同义替换、段落重组
🤖 AIGC 降低	场景化重写、自然承接、轻冗余控制和高密度句拆解，降低模板化与机械表达特征
🔗 自然承接语	压缩模板化连接词，允许“具体来说、换句话说、放到实际使用里看”等解释型转场
🪶 轻冗余控制	删除机械废话，保留少量“通常、往往、也会、在一定程度上”等缓冲词
🧩 高密度句拆解	将职责、流程、目标塞在一句内的内容拆成主干、动作和解释层
📚 成语适度使用	仅在非技术性总结或维护效果说明处少量使用，避免技术细节附近堆砌
🔍 本地检测	轻量级 AIGC 检测工具，快速预估检测率
📝 格式检查	自动检查论文结构规范性
💬 智能讨论	三轮深入讨论充分理解论文需求
🖼️ 图片生成	从图片需求清单生成 Mermaid、Graphviz、PlantUML 图表；系统架构图和截图按用户图片占位处理
📄 图片插入	Word 文档自动插入图片和图注
📚 文献验证	三源学术搜索 + DOI 验证 + 虚构文献自动替换 ⭐ NEW
⚙️ 配置化	YAML 配置文件，API Key / 日志 / 导出格式可配置 ⭐ NEW
📝 摘要生成	自动生成中英文摘要与关键词 ⭐ NEW
📊 文档导出	支持 Word/PDF 格式一键导出

---

AIGC 降低效果展示

改写示例

检索增强生成（Retrieval-Augmented Generation，RAG）技术的出现，为解决上述问题提供了有效方案。RAG通过将检索系统与大模型结合，使模型能够基于特定知识库生成回答，显著提升了回答的准确性和可靠性。 从实践角度看，中小企业在部署AI知识库时面临诸多挑战。商业化的企业级知识管理产品往往价格昂贵、部署复杂，难以满足中小企业的实际需求。开源方案虽然成本较低，但技术门槛高、集成难度大
。因此，设计一个技术成熟、部署灵活、成本可控的AI知识库系统，对推动中小企业数字化转型具有重要的实践意义。

国内外研究现状
知识管理领域的研究始于20世纪90年代。Nonaka于1995年提出的SECI知识创造模型，系统阐述了隐性知识与显性知识的转化过程，为后续研究奠定了理论基础[3]。进入21世纪后，随着互联网技术的发展
，知识管理系统的研究重心逐渐从理论框架转向技术实现。
在知识表示与存储方面，知识图谱（Knowledge Graph）技术成为研究热点。2012年，Google正式发布知识图谱项目，将其应用于搜索引擎优化。此后，Facebook、Amazon、Microsoft等科技公司相继推
出类似产品。知识图谱通过结构化的方式表示实体及其关系，使机器能够"理解"知识语义，为智能问答提供了有力支撑[4]。学者们围绕知识图谱的构建方法、存储优化、推理机制等展开了深入研究。Bo
rdes等人提出的TransE模型开创了知识图谱嵌入学习的先河，后续的TransH、TransR等模型进一步提升了表示学习的效果[5]。
在智能问答方面，早期的研究主要基于关键词匹配和模板填充。随着深度学习技术的发展，基于神经网络的问答系统逐渐成为主流。2017年，Vaswani等人提出的Transformer架构引发了自然语言处理领
域的范式变革[6]。基于Transformer的预训练模型，如BERT、GPT系列，在问答任务上取得了突破性进展。2022年，ChatGPT的发布更是将智能问答推向了新的高度。
RAG技术的提出解决了大模型在专业领域应用中的知识局限性问题。Lewis等人于2020年首次系统阐述了RAG框架，通过引入外部知识库增强模型的生成能力[7]。此后，众多学者对RAG进行了改进和优化。
Karpukhin等人提出的DPR（Dense Passage Retrieval）方法，利用双塔编码器实现高效的语义检索[8]。Gao等人探索了RAG在医疗、法律等专业领域的应用，验证了其在垂直场景的有效性[9]。
纵观国内外研究现状，知识库系统的发展呈现出以下特点：
其一，技术架构从单一存储向多元融合演进。现代知识库系统不仅支持结构化数据和非结构化文档的统一管理，还融合了向量检索、图数据库等新技术，实现了多模态知识的高效组织。
其二，智能化程度不断提升。从早期的关键词搜索到语义检索，从简单的问答对匹配到大模型驱动的智能对话，知识库系统的交互方式日益智能化。
其三，部署模式趋于灵活。云原生架构、微服务设计的普及，使得知识库系统能够根据企业规模和需求灵活部署，降低了中小企业的使用门槛。
然而，现有研究和产品仍存在一定不足：部分商业产品价格高昂，中小企业难以承受；开源项目技术门槛较高，需要较强的研发能力；现有系统在知识图谱自动化构建、多源知识融合等方面的能力有待
提升。本研究将在现有技术基础上，设计一个适合中小企业部署的轻量级AI知识库系统

研究内容
本文围绕AI知识库系统的设计与实现展开研究，主要内容包括：
（1）系统架构设计。研究适合中小企业部署的系统架构，采用前后端分离、微服务设计思想，确保系统的可扩展性和可维护性。
（2）核心技术实现。深入研究RAG架构、向量检索、知识图谱等核心技术，设计合理的实现方案。
（3）功能模块开发。实现用户管理、知识库管理、智能问答、知识图谱、系统配置等功能模块，满足企业的实际业务需求。
（4）系统测试与优化。对系统进行功能测试和性能测试，验证系统的正确性和稳定性。

但实践层面，中小企业部署AI知识库并非一帆风顺。商业化产品动辄数十万，部署也颇为复杂；开源方案虽然免费，技术门槛却高不可攀，集成起来困难重重。这便是本研究的出发点：设计一个技术成熟、部 署灵活、成本可控的AI知识库系统，为中小企业数字化转型提供切实可行的路径。

国内外研究现状

知识管理研究起点可以追溯到20世纪90年代。Nonaka在1995年提出SECI模型，系统揭示了隐性知识与显性知识转化机制，后来者多有沿袭[3]。进入21世纪，互联网技术突飞猛进，研究重心也随之从理论框架 转向技术落地。

知识图谱的兴起是一个重要节点。2012年Google正式发布知识图谱项目后，Facebook、Amazon、Microsoft等科技巨头紧随其后。知识图谱用结构化方式表示实体及其关系，机器因此能够"理解"知识语义，智 能问答有了坚实根基[4]。围绕知识图谱的构建方法、存储优化、推理机制等，学者们展开了较为深入的研究。Bordes等人提出的TransE模型开创了知识图谱嵌入学习先河，后续的TransH、TransR等模型又将 表示学习效果推上新台阶[5]——这几篇论文在当时被引用得相当多。

智能问答的演进同样耐人寻味。早期方案依赖关键词匹配和模板填充，粗糙而僵化。深度学习入场后，基于神经网络问答系统逐渐成为主流。2017年是转折点——Vaswani等人提出的Transformer架构颠覆了自然 语言处理既有范式[6]。BERT、GPT等预训练模型相继涌现，问答任务取得长足进步。2022年ChatGPT发布，更是将智能问答推向公众视野中心。

RAG技术则在另一个维度上发力：它解决的是大模型在专业领域的知识短板。根据Lewis等人（2020）的阐述，RAG框架通过引入外部知识库来增强模型生成能力[7]。此后改进方案层出不穷：Karpukhin等人提 出DPR方法，用双塔编码器实现高效语义检索[8]；Gao等人则在医疗、法律等领域验证了RAG实战价值[9]。

纵观研究现状，知识库系统演进呈现出几条清晰脉络。技术架构层面，从单一存储走向多元融合——现代知识库系统既能管理结构化数据，也能处理非结构化文档，向量检索、图数据库等技术引入让多模态知识 组织更加高效。智能化程度持续深化，交互方式也从关键词搜索升级为语义检索，从问答对匹配进化为大模型驱动智能对话。部署模式日趋灵活，云原生架构和微服务设计逐渐普及，中小企业可以根据自身规 模和需求灵活部署。

当然，现有研究和产品仍有短板。商业产品价格令人望而却步；开源项目对研发能力要求较高；知识图谱自动化构建、多源知识融合等能力也还有提升空间。本研究将在现有技术基础上，设计一个适合中小企 业部署的轻量级AI知识库系统。

研究内容

本文围绕AI知识库系统设计与实现展开研究，主要工作包括：

（1）系统架构设计。针对中小企业部署场景，采用前后端分离、微服务设计思想，兼顾可扩展性与可维护性。

（2）核心技术实现。围绕RAG架构、向量检索、知识图谱等关键技术，设计切实可行的实现方案。

（3）功能模块开发。完成用户管理、知识库管理、智能问答、知识图谱、系统配置等模块开发工作。

（4）系统测试与优化。开展功能测试和性能测试，验证系统正确性与稳定性。

策略应用说明

策略	应用前后对比
场景化重写	先判断段落功能，从真实使用场景切入，而不是只替换词语
自然承接语	压缩「此外、综上所述」等模板连接，保留“具体来说、换句话说”等解释型转场
轻冗余控制	保留少量“通常、往往、也会”等缓冲词，避免文本被压缩得过于生硬
高密度句拆解	将职责、动作、目标集中的长句拆成主干句、动作说明和解释层
条款结构保护	保留（1）（2）（3）等编号、标题和顺序，只改条款内部表达
学术边界	不新增虚构接口、表结构、实验指标或参考文献，避免口语化和宣传化

📌 AIGC检测率对比

---

⚠️ 重要提示

[!WARNING] 关于 AIGC 降低的客观认知

降低检测率的同时，文本可能会失去部分学术严谨性。

• 成语替换可能让学术表达显得稍显文学化
• 「的」字删除需谨慎处理，过长定语保留可读性
• 微瑕疵模拟不应影响核心论点的逻辑清晰
• 不同学科对成语接受度不同，请参考学科适配表

建议：将降重视为辅助工具，最终内容需人工审核确保学术质量。

---

工作流程

┌─────────────────────────────────────────────────────────────┐
│                      论文创作工作流                           │
├─────────────────────────────────────────────────────────────┤
│  Step 0: 初始化工作区                                        │
│      ↓                                                       │
│  Step 1: 环境准备  →  Step 1.5: 背景信息讨论                  │
│      ↓                                                       │
│  Step 2: 读取参考资料  →  Step 3: 生成论文大纲                │
│      ↓                                                       │
│  Step 4: 分章节撰写（含摘要生成）→  Step 5: 降重处理           │
│      ↓                                                       │
│  Step 6: AIGC 人性化  →  Step 7: 合并检测                     │
│      ↓                                                       │
│  Step 8: 图片生成与渲染 🖼️                                   │
│      ↓                                                       │
│  Step 9: 文档导出（Word/PDF + 图片插入）                      │
└─────────────────────────────────────────────────────────────┘

各平台查重及 AIGC 检测结果

朱雀全文检测

---

PaperPass检测

---

paperYY检测

---

快速开始

前置要求

• Python 3.9+
• Claude Code 已安装
• Windows 10/11

安装

方式一：Claude Skill 安装

# 自然语言安装
帮我安装下 skill，项目地址是：https://github.com/Stars-OC/thesis-creator.git

# 从 GitHub 安装
git clone https://github.com/Stars-OC/thesis-creator.git
将文件放入./claude-skills/skills/ 下

# 市场安装 (待进行)

方式二：OpenSkills 安装

使用 OpenSkills 包管理器安装：

# 安装 OpenSkills CLI（如未安装）
pip install openskills

# 或从 GitHub 安装
openskills install https://github.com/Stars-OC/thesis-creator.git
openskills sync

方式三：完整安装（推荐）

包含 Python 工具和依赖：

# 克隆仓库
git clone https://github.com/Stars-OC/thesis-creator.git
cd thesis-creator

# 安装 Python 依赖
.\scripts\install.ps1

# 创建虚拟环境
python -m venv .venv

# 激活虚拟环境
.\.venv\Scripts\Activate.ps1

# 安装依赖
pip install -r scripts\requirements.txt

使用

1. 准备参考资料

references/
├── templates/         # 学校论文格式模板
├── examples/          # 优秀范文
├── guidelines/        # 写作规范
├── prompt/
│   └── background.md  # 论文背景信息（必填）
└── reference/
    ├── code/          # 参考代码
    └── doc/           # 参考文献

2. 触发 Skill

在 Claude Code 中输入：

帮我写论文，主题是《大数据在精准营销中的应用研究》

系统将自动执行完整工作流。

单功能模式

触发语	功能	说明
帮我降重这段文字：…	降重优化	同义替换、句式重构
降低这段的 AIGC 率：…	人性化改写	输出处理前计划、改写文本和清单自检，按场景化重写、自然承接、轻冗余和高密度句拆解处理
用成语降重这段文字：…	成语替换改写	侧重成语替换策略
检测这段文字的 AIGC 率	AIGC 检测	调用 scripts/aigc/detect.py 本地快速预估
帮我生成论文大纲	大纲生成	根据背景信息生成
生成摘要	摘要生成 ⭐	中英文摘要 + 关键词
生成图片 / 生成图表 / 生成架构图	图片生成	AI 图按 Mermaid、Graphviz、PlantUML 生成；架构图生成 source=user 占位并提示用户补图
为第X章配图	图片生成	为指定章节生成图表
导出 Word / 导出文档	文档导出	Word + 图片插入
导出 PDF	文档导出	PDF 格式
一键导出	图片+文档	自动生成图片并导出 Word
验证文献 / 搜索文献	文献验证 ⭐	三源搜索 + DOI 验证

AIGC 降低策略一览

策略层级	策略名称	说明	优先级
P0	场景化重写	先判断段落功能，从真实使用场景切入，避免只做词语替换	必做
P0	自然承接语	压缩“因此、此外、综上所述”等模板连接，允许“具体来说、换句话说、放到实际使用里看”等解释型转场	必做
P0	轻冗余控制	删除机械废话，保留少量“通常、往往、也会、在一定程度上”等缓冲词	必做
P0	高密度句拆解	对职责、流程、目标集中在一句内的内容按“抽主干 → 拆动作 → 补解释层”处理	必做
P0	条款结构保护	保留（1）（2）（3）等编号、标题和顺序，只改条款内部表达	必做
P1	句长波动	形成短句点题、长句解释、中句收束的节奏，避免句长过度均匀	建议
P1	原句骨架重组	语义接近前提下调整句序和段内组织，避免机械同义替换	建议
P2	成语适度使用	仅在非技术性总结或维护效果说明处少量使用，技术细节附近不堆砌	可选
P2	学术边界复核	检查是否未新增虚构接口、表结构、实验指标、参考文献或系统能力	必做

目录结构