llm-reproducibility
基于大语言模型，自动化提取与评估学术论文的可复现性。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：llm-reproducibility。 它的用途是：基于大语言模型，自动化提取与评估学术论文的可复现性。 完整的 Skill 内容见：https://321skill.com/skills/llm-reproducibility/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“请使用 research-assessor 技能，分析这篇关于古代农业的考古学论文，提取其核心研究主张、使用的方法学证据，并评估其数据透明度和方法描述的清晰度。” 它会引导你完成PDF文本提取，并运行多轮工作流，最终生成一份包含结构化提取结果和初步评估要点的报告。
介绍
该工具旨在解决学术研究，特别是田野调查类研究（如考古学、生态学）中，透明度、可复现性和可信度难以系统化评估的问题。传统上，人工审查这些要素耗时耗力且主观性强，本工具通过自动化流程，将非结构化的论文内容转化为结构化数据，为后续分析提供基础。
用户使用前需将PDF论文转换为Markdown文本，随后通过一个包含八个步骤（Pass）的自动化工作流进行处理。该工作流会依次提取论文的元数据、核心论点与证据、研究设计与方法、研究基础设施（如数据标识符）等信息，并最终进行完整性校验，生成结构化的JSON输出。
它非常适合需要批量审阅文献、评估研究质量或进行元分析的研究人员，尤其是人文、艺术和社会科学（HASS）领域关注方法论透明度的学者。对于希望复现他人计算分析结果的研究团队，其内置的Docker复现系统也能提供支持。
请注意，该工具目前主要针对田野调查类研究论文进行了验证，在处理高度理论化或纯数学推导的论文时效果可能有限。使用时应确保输入文本质量，并理解其评估框架（如repliCATS Seven Signals）的适用范围。
核心特点
与通用文献摘要工具不同，它深度聚焦于研究的“可复现性”维度，系统化提取研究设计、方法、协议及证据链等结构化信息，并集成了针对人文社科领域优化的评估框架（repliCATS Seven Signals），而非仅仅生成内容摘要。
注意事项
目前主要针对田野调查类研究论文（如考古、生态）进行了优化，对于高度理论化或形式化证明的论文处理效果可能不佳。
常见问题
这个工具能自动判断一篇论文是否可复现吗？
不能直接给出“是/否”的二元判断，但能系统化提取评估可复现性所需的所有关键要素（如方法细节、数据可用性），并依据特定框架（如repliCATS）提供结构化评估信号，辅助研究者做出判断。
支持哪些格式的论文输入？
主要支持PDF格式。需要先用内置脚本将PDF转换为Markdown文本，再输入给后续的提取工作流进行处理。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/llm-reproducibility/raw/index.md 读取 llm-reproducibility 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/llm-reproducibility/raw/index.md（查看排版版本）