问题变多了
AI 写作、图片复用、隐藏提示词、引用污染，让普通人很难第一眼判断风险。
面向 AI 论文时代的科研诚信工具
#2026AIAgent清客松Paper Hunter论文打假人
上传论文 PDF，先免费完成风险初筛。没有疑点，流程结束；出现风险信号，再解锁证据卡、图像对比和复核报告。
paperhunt.lol不是在开玩笑。学术是严谨的事，任何质疑都必须回到可复核证据。
30s初筛反馈¥0无疑点免费付费只为证据付费
免费初筛疑点触发付费证据包可下载真实 PDF 扫描
产品理念
我们不当法官，我们当第一道安检门。
复核太贵了
正式调查需要专家、原始数据和机构流程，但很多 PDF 连要不要复核都没人先筛。
我们给证据
只把可疑信号整理成证据卡，明确方法、位置、置信度和下一步动作。
AI 论文循环
一篇论文开始在 AI 之间来回传球。
学生用 AI 写，导师用 AI 批，学生再用 AI 按导师的 AI 意见改，改完再交回给导师的 AI。 每个人都参与了，但最后没人说得清：哪些内容被谁判断过，哪些风险真正被人看见过。
先让 AI 写一版
摘要、引言、讨论先搭出来，看起来像一篇完整论文。
再让 AI 批一遍
导师时间不够，把稿子交给 AI 做结构、逻辑和语言意见。
拿 AI 意见再让 AI 改
学生把导师的 AI 批注复制回去，让另一个 AI 继续润色。
改完再交给 AI 看
新版本再回到导师，导师继续用 AI 查问题，循环开始加速。
回到下一轮Paper Hunter 要做的不是反 AI，而是给这个循环加一张可追溯的风险底片。
谁都可以用 AI，但每篇论文都应该留下证据：哪里可疑、为什么可疑、下一步该人工核验什么。
现场演示
点击一次，真的跑完一篇论文扫描。
这不是静态截图。开始扫描后，系统会调用后端分析一篇带有风险信号的 PDF，并把进度、日志、风险分和证据卡同步展示出来。
PDF
风险分--
接收论文0%
1
接收论文
读取 PDF 的文本层、图片、页码和 DOI 线索。
2
抽取图像
把论文里的图片候选拆出来，准备做相似度比对。
3
寻找疑点
检查图片复用、隐藏提示词、引用异常等风险信号。
4
生成证据
把可疑位置、方法、置信度和下一步动作整理成证据卡。
5
输出报告
给出风险分、证据包和可下载的复核报告。
实时日志
- 已接收风险示例论文
- 正在拆解 PDF 页面和文本层
证据预览
开始扫描后，这里会出现可疑图片、隐藏提示词、引用核验等证据卡。
用户群体
谁会第一时间需要它？
不是所有人都要做学术调查，但很多人都需要一个便宜、快速、能解释的风险入口。
研究生和导师
投稿前自查，避免低级风险拖垮一篇本来可以发表的论文。
期刊编辑和审稿人
先看机器证据卡，再决定哪些稿件值得人工重点复核。
高校与科研机构
把匿名举报、毕业审核、项目结题的初筛流程标准化。
媒体和公众监督
把“感觉有问题”变成“这里需要进一步核验”。
产品主张
主张很简单：先筛风险，再谈结论。
Paper Hunter 不说“实锤”，也不替机构定性。它只做三件事：找到疑点、解释为什么可疑、告诉你下一步该找什么材料。
不输出学术不端判决，只输出可复核证据。
演示环境不做长期保存，生产版接机构私有存储。
把几小时人工初筛压缩成一分钟以内的复核反馈。
AI 不是裁判，是帮复核者少漏看一眼的助手。
收费方式
先免费扫描，再为证据付费。
每篇论文都可以先做免费初筛。只有系统发现疑点，用户才需要解锁证据包和复核报告。
免费扫描
¥0先扫，永远免费
上传 PDF、得到风险分、知道有没有疑点。扫不到疑点，不收钱。
证据解锁
¥9.9 起/篇扫到疑点再付费
解锁证据卡、图像对比、引用核验和可下载报告。适合个人投稿前自查。
机构复核台
机构套餐给实验室和期刊
批量扫描、团队复核、导出审查记录。适合期刊编辑部和科研诚信办公室。
计费规则：风险分和是否存在疑点免费展示；证据卡、图像对比、引用核验和报告导出按篇解锁。
模型与论文库
模型自己带，论文库系统接。
面向机构场景，Paper Hunter 不强绑单一模型。用户可以配置自己的推理模型， 后端同时聚合公开论文知识库，用来核验 DOI、预印本、引用网络和医学文献记录。
前端配置自己的模型
证据解释引用核验报告润色
等待配置团队自己的模型
后台打通论文知识库
0/5已准备连接多论文库
检索后会显示来自 OpenAlex、Crossref、Semantic Scholar、arXiv 和 PubMed 的论文线索。
扫描工作台
上传论文，立即生成可复核结果。
Paper Hunter 会把论文拆成风险分、证据卡、图片对比、引用核验和报告，让复核者先看到问题在哪里。
等待第一篇 PDF
先让机器筛一遍，再决定要不要花钱。
没有疑点就免费结束；出现疑点，再解锁证据包、图像对比和复核报告。
技术实现逻辑
从一篇 PDF 到一组可复核证据。
Paper Hunter 不靠一句“AI 觉得可疑”下结论。它把论文拆开，分别检查图片、文本和引用线索， 再把每个疑点包装成能被人工追问、复查和导出的证据卡。
任务入口
前端把上传 PDF 或内置样例提交到 /api/tasks。后端创建任务编号，保存源文件，并返回结构化扫描结果。
PDF 拆解
后端用 PyMuPDF 读取文本层、页码、图片对象和基础元数据，把论文从一个 PDF 文件拆成可分析的材料。
图片取证
系统抽取论文内嵌图片，计算感知哈希和像素差异；相似度过高时生成并排对比图和差异热图。
文本风险
文本层会被扫描隐藏提示词、AI 审稿指令和 DOI 线索。当前版本先做本地规则识别，再把可疑点交给人工复核。
证据建模
每个疑点都会变成证据卡：包含类型、严重等级、置信度、位置、检测方法、推荐复核动作和关联图片。
报告输出
前端把风险分、证据卡、图像对比、引用核验和 Markdown 报告展示出来，方便现场讲解和后续人工审查。
模型路由
机构可以在前端配置自己的模型、Base URL 和密钥。后端只保存脱敏状态，后续用于证据解释、引用核验和报告润色。
知识库聚合
后端并行请求 OpenAlex、Crossref、Semantic Scholar、arXiv 和 PubMed，上游异常时自动降级，继续返回可用论文线索。
现场可以这样讲
左边是用户看到的产品，右边是后端真实跑的分析链路。我们先给免费风险初筛； 只有出现疑点时，才让用户付费解锁证据包。核心价值不是替人定罪，而是把“哪里可疑”说清楚。
Next.js 产品页和扫描工作台，负责上传、状态展示、证据切换、报告预览和现场演示动画。
FastAPI 分析服务，负责 PDF 解析、图片取证、文本规则扫描、风险评分和证据报告生成。
前后端均部署在 Vercel。演示环境使用临时任务存储；生产环境可切换到机构私有存储或对象存储。
模型配置和论文库连接都是独立接口，后续可以接机构网关、私有知识库、撤稿库和审稿系统。
技术边界：系统只输出证据和复核优先级，不输出学术不端判决。最终判断必须由人基于原始数据和机构流程完成。
团队介绍
做一个能上场演示的科研诚信产品。
我们把产品表达、工程实现和专业支持放在同一条线上：先让大家看懂，再让系统跑起来。
队长
Kevin
GTM、Demo负责产品叙事、商业化路径和现场演示节奏，把技术能力翻译成评委能立刻理解的产品价值。
全栈工程师
戈洋
前端、后端负责扫描工作台和交互链路，把复杂的论文检测过程做成现场观众能看懂、能跟上的产品体验。
全栈工程师
Min远
API、部署负责后端服务、PDF 分析链路和线上部署，让演示不是静态页面，而是可以真实跑通的产品。
专业支持
MR.BOLT
技术支持、演示保障负责关键环节支持和现场稳定性保障，帮助团队把想法快速落成可展示、可验证的作品。