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。