学术来源核查 Skill

验证论文与文献的真实性，交叉核对元数据与各渠道被引数，检查撤稿与更正记录，并下载可获取的开放获取全文以核验内容。本技能与 arxiv 技能互补：arxiv 负责检索发现论文，本技能负责核对文献并获取全文。

核心原则：引用科研结论前，须核对文献身份、已知撤稿信号、被引数口径以及结论原文，避免凭记忆或二手转述下结论。

When to Use

• 用户要求"下载论文交叉核查""验证这个文献是不是真的""核对被引数"
• 建模/论证里引用了文献，需要坐实它的标题/作者/年份/期刊/被引数
• 需要拿到论文全文（开放获取）并确认下载的是正确的那篇
• 核查一篇文献是否已被撤稿或发过更正（引用的底线检查）
• 查经典专著/公版书的原文（Ebbinghaus 遗忘曲线、Miller 1956 等）

Don't use for: 纯检索发现论文（用 arxiv skill）、OCR/解析已下载的 PDF 正文（用 pdf）。

Prerequisites

网络请求使用 Python stdlib urllib；PDF 提取需单独检查 pymupdf。OpenAlex 可匿名小规模查询，建议免费 key；Unpaywall 要求用户真实联系邮箱。各服务均有限额，免费访问不保证无需配置：

服务	用途	限制
OpenAlex	元数据、主题、OA 与撤稿标记	匿名 $0.10/日、免费 key $1/日预算；超过预算或 100 req/s 返回 429
Crossref	Crossref 收录口径被引数 + 撤稿/更正记录	非 Crossref 注册 DOI 可返回 404（例如 DataCite 注册的 arXiv DOI）
Semantic Scholar	另一数据库的被引数口径	匿名共享限额易 429；key 初始额度 1 req/s，按分配额度执行
Unpaywall	OA 全文定位（is_oa + best_oa_location）	需带 email 参数

核查四道关

第一关：三库交叉核对（真实性 + 被引数）

核对 DOI、标题、作者与版本，记录三个数据库的差异。数据库之间可能共享出版商或 Crossref 数据，不能将数据一致性视作三个独立证明；被引数不可用于判定文献身份。

库	端点	关键字段
OpenAlex	https://api.openalex.org/works/https://doi.org/{DOI}	cited_by_count、publication_year、authorships、primary_location.source.display_name、open_access.oa_status + oa_url
Crossref	https://api.crossref.org/works/{DOI}	message.is-referenced-by-count
Semantic Scholar	https://api.semanticscholar.org/graph/v1/paper/DOI:{DOI}?fields=title,authors,year,venue,citationCount,influentialCitationCount,openAccessPdf（或 arXiv:{id}）	citationCount

请求要带 User-Agent（带 mailto 更礼貌），否则部分端点会拒。三库被引数必然不同（收录范围不同），分数量级差异也可来自版本合并/收录范围，须解释而不据此否定论文身份。

用 execute_code 批量查并打印对照表；按各服务实际配额控制调用速率；固定 sleep 不能保证避免共享限额的 429。标识符归一与 OpenAlex/Crossref 两库身份核对已抽为脚本：

python "${HERMES_SKILL_DIR}/scripts/normalize_identifier.py" <标识符>
python "${HERMES_SKILL_DIR}/scripts/verify_work.py" --doi <DOI>   # 已有记录时 --openalex-json/--crossref-json 离线核对

第二关：撤稿与更正核查（Crossref update 记录）

Crossref 于 2025-01 将 Retraction Watch 信号纳入 REST API（2023-09 是合作/收购时间）。记录原始 DOI、通知 DOI、类型、source 和查询时间。update-to 通常位于通知记录，指向被更新对象；不能把通知本身判成被撤稿论文。message.type 是文献类型，不是撤稿类型。

1. 查原文 DOI 元数据；标题 RETRACTED: / WITHDRAWN: 前缀只作需核实信号，普通标题用词不是结论。
2. 反向查 https://api.crossref.org/works?filter=updates:<DOI>&rows=100，逐项核对 update-to[].DOI 是否是目标 DOI。超过一页则用 Crossref 自己的 cursor 规则继续，记录截断。
3. 区分 retraction、withdrawal、correction 与 expression-of-concern，记录 publisher 或 retraction-watch 来源；不同信号不合并归为撤稿。
4. OpenAlex is_retracted=true 表示数据库记录的撤稿信号；false 不排除遗漏。arXiv 另查 abs 页及版本历史的 withdrawal 状态；有疑问核对出版社通知或 Retraction Watch 原记录。

更新信号的离线提取与反向查询已抽为 scripts/check_updates.py（离线输入须来自已成功查询的 Crossref 记录；retraction、withdrawal、correction 与 expression-of-concern 分类计数，不合并）：

python "${HERMES_SKILL_DIR}/scripts/check_updates.py" --doi <原始DOI>                        # 在线 filter=updates 反向查询
python "${HERMES_SKILL_DIR}/scripts/check_updates.py" --doi <原始DOI> --records records.json # 离线信号提取

查无信号时仅报告“在已检查的数据源中未发现撤稿或撤回记录”，并注明数据来源、查询时间以及失败或未查项目。网络请求失败不等于未发现记录。命中撤稿信号时须说明证据层次；撤稿论文可作为撤稿事件的研究对象，不可在无说明的情况下当作可靠结论依据。

官方依据：Crossref 集成说明、更新查询过滤器。

第三关：OA 全文定位（Unpaywall 首选）

Unpaywall 是 OA 定位渠道之一，覆盖率和更新延迟与其他来源不同，未作普遍优劣保证。查询已抽为 scripts/locate_oa.py；UNPAYWALL_EMAIL 未配置时脚本明确 SKIP 不推断，is_oa=false 时 best_oa_location 为 null，先判再取：

python "${HERMES_SKILL_DIR}/scripts/locate_oa.py" --doi <DOI>   # 已保存记录时 --record 离线解析

顺序：Unpaywall best_oa_location → OpenAlex oa_url → Semantic Scholar openAccessPdf.url → archive.org（公版书/专著）。付费墙 403 不要死磕。

第四关：下载与内容核对

• arXiv（绿 OA）：https://arxiv.org/pdf/{id}；可因限流、撤回或网络限制失败。
• 公版书/专著（如 Ebbinghaus 1885）：走 archive.org —— 先用 https://archive.org/advancedsearch.php?q=<标题>&fl[]=identifier,title,year,mediatype&rows=3&output=json 搜 identifier，再查 https://archive.org/metadata/{identifier} 的 files 选择实际 PDF 文件名；不假定文件名与 identifier 相同，并核对访问状态。

首页文字提取与身份核对已抽为 scripts/verify_pdf_identity.py（需 pymupdf，缺失时明确报错；下载成功 ≠ 内容正确）：

python "${HERMES_SKILL_DIR}/scripts/verify_pdf_identity.py" --pdf <路径> --title <标题> --doi <DOI>

下载统一存到稳定目录（例如 Path("~/papers").expanduser() 并 mkdir(parents=True, exist_ok=True)，路径保证 UTF-8 可用），回报绝对路径 + 字节数 + 页数。

Helper Scripts

scripts/ 内置确定性逻辑脚本，均可 --help 查看参数；网络访问集中在明确标记的 live 函数，无 key 或离线时明确 SKIP 不推断：

脚本	功能
scripts/normalize_identifier.py	DOI/arXiv/PMID/OpenAlex ID 归一（纯离线）
scripts/verify_work.py	OpenAlex/Crossref 身份核对与字段级对照（可离线）
scripts/check_updates.py	Crossref update-to 撤稿/更正反向查询与信号分类
scripts/locate_oa.py	Unpaywall OA 定位（is_oa + best_oa_location）
scripts/verify_pdf_identity.py	PDF 首页文字/元数据与声明标题、DOI 核对

Procedure

1. 确定论文的 DOI/arXiv ID/标题。期刊论文用 DOI，arXiv 预印本用 arXiv ID；标识符用 scripts/normalize_identifier.py 归一。
2. 用 scripts/verify_work.py 或 execute_code 批量查 OpenAlex + Crossref（+ Semantic Scholar），打印三库标题/作者/年份/期刊/被引数对照表。
3. 按第二关核查双向更新关系（scripts/check_updates.py）、OpenAlex 标记及出版社/arXiv 状态，分类记录，避免把通知记录判成被撤稿对象。
4. 判断真实性：DOI、元数据与版本匹配 → 报告身份已核对。不一致 → 记下差异，如实报告。
5. 能下 OA 就下（scripts/locate_oa.py → arXiv → archive.org），下完用 scripts/verify_pdf_identity.py 提首页文字核对内容。
6. 付费墙 403 的，报告已完成的实际检查与“全文访问受限”；403 也可能是反爬/访问策略，不据此断定付费墙或撤稿状态，不反复尝试。

Pitfalls

1. 被引数有来源口径。预印本与正式版本的合并、重复记录及数据库覆盖都会影响计数，标明来源和查询日；不把某库数值称为真实影响或严格下限。
2. Crossref 与 OpenAlex 查 arXiv 的 data-DOI 可能 404/滞后。10.48550/arXiv.<id> 是 DataCite 注册的，Crossref 常返回 404，OpenAlex 偶有收录延迟。遇此情况直接调用 arXiv 官方 API（http://export.arxiv.org/api/query?id_list=<id> 或 search_query=ti:<标题>）核实标题、摘要、版本历史与撤回（withdrawn）状态。
3. 经典奠基文献标题易与后继综述撞车。以简短通用标题（如 "Working Memory"）检索时，极易命中作者多年后的同名回顾篇。核查奠基作须限定出版年份（Crossref filter=from-pub-date:YYYY-01-01,until-pub-date:YYYY-12-31）并核对作者序列表。
4. Semantic Scholar 无 key 极易 429。请求间隔 ≥1.1s，失败退避重试；持续 429 就退回 OpenAlex + Crossref 两个来源，并如实说明。
5. update-to 非空 ≠ 撤稿。还须核对更新方向、目标 DOI 与 update.type；更正和表达关注分别记录，不能见 update-to 就报撤稿。
6. 出版商 PDF 付费墙，脚本下载 403。OpenAlex 的 oa_status: "bronze" 只表示"在出版商网站免费可读"，不代表能脚本下载（Wiley 的 pdfdirect 就是 403）。403 后报告访问受限，不循环重试。
7. 下载成功 ≠ 内容正确。必须提取 PDF 首页文字核对标题/作者，防止下到同名错误文件。
8. Unpaywall 的 email 参数有硬校验。使用自己的真实联系邮箱；服务可用 422 拒绝缺失/示例邮箱，不推断邮箱域名的 DNS 行为。is_oa=false 时 best_oa_location 为 null，先判再取。

输出语言：默认跟随用户输入语言（用户用什么语言问就用什么语言答）；论文标题与引文保留原文，译名首次出现时附原文。

Verification

# external-test: true
import json, os, time
from urllib.request import Request, urlopen
from urllib.parse import urlsplit, urlencode, quote
from urllib.error import HTTPError

def get(url):
    headers = {'User-Agent': 'academic-research-kernel/1.2'}
    if urlsplit(url).netloc == 'api.openalex.org' and os.environ.get('OPENALEX_API_KEY'):
        headers['Authorization'] = 'Bearer ' + os.environ['OPENALEX_API_KEY']
    for attempt in range(3):
        try:
            with urlopen(Request(url, headers=headers), timeout=20) as response:
                return json.load(response)
        except HTTPError as error:
            if error.code not in {429, 500, 502, 503, 504} or attempt == 2:
                raise
            # 有界退避；长预算封锁交给调用者报告，不循环耗尽免费服务。
            retry = error.headers.get('Retry-After', '')
            delay = float(retry) if retry.isdigit() else 2**attempt
            if delay > 10:
                raise
            time.sleep(delay)

doi = '10.1038/nature14539'
oa = get('https://api.openalex.org/works/https://doi.org/' + quote(doi, safe=''))
assert oa.get('doi', '').lower() == 'https://doi.org/' + doi
assert 'deep learning' in oa['title'].lower()
assert isinstance(oa.get('is_retracted'), bool)
cr = get('https://api.crossref.org/works/' + quote(doi, safe=''))['message']
assert cr['DOI'].lower() == doi and 'deep learning' in ' '.join(cr['title']).lower()
original = '10.1177/1758835920922055'
updates = get('https://api.crossref.org/works?' + urlencode({'filter': 'updates:' + original, 'rows': 5}))['message']
assert any(u.get('DOI', '').lower() == original and u.get('type') == 'retraction'
           for item in updates['items'] for u in item.get('update-to', []))
print('OpenAlex/Crossref identity + reverse retraction lookup passed')
email = os.environ.get('UNPAYWALL_EMAIL')
if email:
    up = get('https://api.unpaywall.org/v2/' + quote(doi, safe='') + '?' + urlencode({'email': email}))
    assert isinstance(up.get('is_oa'), bool) and up['doi'].lower() == doi
    print('Unpaywall passed')
else:
    print('SKIP Unpaywall: UNPAYWALL_EMAIL not configured; no result inferred')

无 key 时 OpenAlex 自检会实际走匿名路径；带 key 路径仅在配置 OPENALEX_API_KEY 后运行。未配置服务应明确 SKIP，不当作通过。Semantic Scholar 按任务与可用额度另行核对。

Evidence Receipt 输出约定

核查结束时，将结论写成机器可读的 evidence receipt JSON，格式见 schemas/evidence-receipt.schema.json，示例见 examples/evidence-receipt.example.json。要点：

• 每个来源单独记录查询时间、状态（ok/failed/skipped）与覆盖范围；失败的查询写进 failures，不得当作结果推断。
• 每条 claim 标明证据类型、来源、定位与支持状态（supported/contradicted/unverifiable/out_of_scope）。
• 互相矛盾的来源结论写入 conflicts，不在 receipt 里私自裁决。
• 下游技能（literature-analysis、academic-writing、math-computation）优先消费 receipt，不重新用自然语言转述上一阶段结论。

用户未要求落盘时，receipt 仅在对话中呈现；要求落盘时写入用户指定路径。