Academic Research Skills 딥다이브
— AI가 논문을 대신 쓰면서도 거짓말은 못 하게 막는 스킬 묶음

1프로젝트 한줄 요약

Academic Research Skills는 코드 한 줄도 짜지 않고 AI로 학술 논문 한 편을 처음부터 끝까지 뽑아내되, 모든 참고문헌과 주장이 진짜인지 강제로 검증시키는 Claude Code 스킬 묶음이다. 그냥 ChatGPT에게 "논문 써줘" 한 마디로 부탁하는 것과는 차원이 다르다. 작업이 10개 단계로 쪼개져 있고, 각 단계 사이에 "AI가 거짓말을 했나"를 검사하는 무결성 관문이 박혀 있다.

2왜 주목받는가

ChatGPT에게 "이 주제로 논문 써줘"라고 하면 보기엔 멀쩡한 글이 나온다. 그런데 거기 인용된 논문 제목을 구글에 검색해 보면 존재하지 않는다. 이걸 환각(hallucination)이라고 부른다. AI가 학습한 패턴에서 "이쯤에 이런 제목의 논문이 있을 법한데?"라고 만들어내는 것이다.

경쟁 도구 대비 강점

3스킬 구성 / 기술 스택 지도

이건 코드 레포가 아니라 Claude Code 스킬(.md) 모음이다. 그래서 "기술 스택"은 라이브러리 목록이 아니라 어떤 스킬·프롬프트·외부 API가 맞물려 돌아가는가로 읽어야 한다.

① 스킬 구성 스택 — 4개 SKILL.md

② 슬래시 명령 스택 — 16개 진입점

각 명령은 작업 깊이에 따라 모델을 자동 라우팅한다(아키텍처 깊이가 필요하면 Opus, 그 외 Sonnet).

③ 외부 API · 검증 도구 스택

4스킬 파이프라인 구조 심화

전체 파이프라인 구조도

각 단계 체크포인트는 FULL(종합 검토) / SLIM(축약) / MANDATORY(건너뛰기 불가) 세 종류로 적응적으로 작동한다. 무결성 게이트(2.5·4.5)는 항상 MANDATORY다.

핵심 설계 ①: 10단계로 쪼개진 흐름

요청을 한 번에 처리하지 않고 단계별로 잘게 쪼개는 것이 핵심이다. 각 단계마다 결과물 형태가 다르고, "이대로 진행할까요?"를 묻는 확인 게이트가 있다. 학술지에 실제로 논문을 낼 때 거치는 절차를 그대로 모방한 것이다.

핵심 설계 ②: 무결성 게이트 (2.5 · 4.5단계)

두 게이트는 7가지 실패 모드 체크리스트(M1~M7)와 결정론적 인용 존재 게이트를 돌린다. 모든 인용은 lookup_verified 상태를 갖고, 선택적으로 ARS_CLAIM_AUDIT=1을 켜면 본문 주장을 실제로 가져온 인용 발췌와 대조해 판정한다.

핵심 설계 ③: 동료 심사 — 5역 + 악마의 변호인

심사 단계는 편집장(EIC) + 심사위원 R1·R2·R3(차원별 0~100점) + 악마의 변호인(DA)으로 구성된다. AI는 사용자에게 동조하려는 경향(sycophancy 아첨)이 있는데, 학술 글쓰기에서는 치명적이다. 약한 주장도 "훌륭한 통찰입니다"라고 칭찬받으면 사용자가 놓친 채 제출하게 된다.

핵심 설계 ④: 데이터 격리 (3단계 접근 제어)

모든 스킬은 metadata.data_access_level을 선언한다 — raw(원본), redacted(편집됨), verified_only(검증된 것만). 무결성 에이전트는 verified_only 티어로만 동작한다.

핵심 설계 ⑤: [MATERIAL GAP] 태그 — 지어낸 부분 표시

5디렉토리 구조 해부

스킬 폴더 표준 구조: 각 skills/<name>/는 SKILL.md(모드·에이전트·워크플로 정의)를 중심으로, references/(실패 모드 분류·인용 출처 스키마)와 모드별 프롬프트를 묶는다. 가장 빠른 학습 경로는 examples/showcase/ — AI 검증이 실제로 어떻게 발화하는지 완성된 산출물로 체감할 수 있다.

6학습 포인트 (패턴별)

이 레포는 학술 논문 작성용이지만, 거기서 뽑은 설계 패턴은 누구나 자기 도메인(코드 생성, 리포트 작성, 자료 조사)에 옮길 수 있다. "이 레포에서 뭘 배우나"의 핵심이 여기다.

A. 검증 게이트를 워크플로에 박기

배울 것: AI에게 작업을 맡길 때 "결과만 받기"가 아니라 "단계 사이마다 검증을 통과해야 다음 단계로 진행"이라는 구조를 만든다. 결정론적 게이트(인용 존재 여부처럼 참/거짓이 명확한 검사)와 판정형 게이트(주장-근거 대조)를 구분해 배치하는 법.

B. 역할 분리로 자기 견제 만들기

배울 것: 한 명의 AI에게 모든 걸 시키지 말고, 역할이 다른 여러 에이전트(작성자·심사자·악마의 변호인)를 만들어 서로 견제시킨다. 같은 모델이라도 역할만 분리하면 결과가 훨씬 좋아진다. 아첨을 막는 양보 임계값 같은 메커니즘적 강제 설계.

C. 단계별 데이터 접근 제어

배울 것: "이 단계에서는 원본을 보고 작성, 다음 단계에서는 검증된 것만 보고 심사" 식으로 데이터 접근 범위를 단계마다 좁힌다(raw → redacted → verified_only). 그래야 단계 간 검증이 의미를 가진다.

D. 외부 진실 소스로 환각 차단

배울 것: AI의 출력을 모델 외부의 진실 소스(Semantic Scholar·Crossref 등 실 API)에 던져 대조하는 패턴. 한 소스가 아니라 여러 인덱스로 삼각 검증해 누락·오탐을 줄이는 법, 그리고 결과를 SQLite로 캐시해 비용을 줄이는 법.

E. 불확실성을 숨기지 말고 태그하기

배울 것: AI가 자체 지식으로 메운 구멍을 [MATERIAL GAP]처럼 명시적으로 표시하게 만들어, 검증된 자료와 추측을 분리하는 설계. "AI가 모르는 걸 모른다고 말하게 하는" 프롬프트 규율.

F. 작업 회고를 마지막 단계로 박기

배울 것: 작업이 끝난 뒤 AI에게 협업 품질을 다차원으로 채점하게 한다(방향 설정·지적 기여·품질 관리·반복 규율·위임 효율·메타 학습). shared/collaboration_depth_rubric.md가 그 채점표다. 점수화하면 다음 작업의 개선점이 보인다.

7시스템 요구사항 (사용 환경)

이 레포는 직접 실행되는 프로그램이 아니라 Claude Code가 읽어 들이는 스킬 묶음이다. 따라서 요구사항은 GPU/RAM이 아니라 Claude Code 환경 + API 키 + 선택적 변환 도구다.

선택적 출력 도구 (없어도 핵심 기능은 동작)

설치 방법

8직접 해볼 수 있는 실습 과제

# verify_citations.py — 개념 골격
import requests

def verify(title: str) -> bool:
    # Semantic Scholar에 제목을 던져 실존 확인
    r = requests.get(
        "https://api.semanticscholar.org/graph/v1/paper/search",
        params={"query": title, "limit": 1})
    return bool(r.json().get("data"))

for c in extract_citations(my_article):
    print(c, "OK" if verify(c) else "[가짜 의심]")

9관련 기술 심화 학습 로드맵

1주차: 스킬 형식과 흐름 파악

2주차: 검증과 환각 방어

3주차: 멀티 에이전트와 자기 견제

4주차: 직접 만들고 회고하기

10핵심 키워드 사전

11참고 링크

• GitHub 레포 — Imbad0202/academic-research-skills
• skills/ — 4개 핵심 스킬
• examples/showcase — 실제 산출물 모음
• docs/ARCHITECTURE.md — 아키텍처 문서
• docs/SETUP.md — 설치 가이드
• Semantic Scholar API
• OpenAlex (교차 인덱스)
• Crossref (메타데이터 검증)
• Claude Code Skills 공식 문서
• Claude Code 플러그인 가이드