收录解读
自动化 peer review 这些年已经从简单打分和摘要生成，推进到生成 structured feedback，但主流系统依然有一个根本缺陷：它们大多只看论文本身，不主动补齐领域背景、已有 baseline、相邻工作和 claim 的外部验证，因此很容易停留在 surface-level critique，难以真正判断 novelty、significance 和深层方法问题。
ScholarPeer 的关键推进，是把 automated review 改写成一个 context-aware multi-agent workflow。它不是单模型直接吐 review，而是用 historian agent 构造领域叙事、用 baseline scout 查缺漏、再用多方面 Q&A verification engine 对论文 claim 做主动核验，把 critique grounding 到 live web-scale literature 上。这个结构更接近资深研究者的工作方式，而不是闭卷式评论生成。
它值得正式收录，因为这类工作对仓库关心的 agent-driven academic workflow 有明显的 durable value。它把 literature search、context building、claim verification 和 structured critique 组织成一条清晰的 agent pipeline，对自动科研助手、学术评审辅助、文献审查和 research ops 都有可复用外溢，不只是“自动写 review”这么窄。
它暂时不升到更高一级，原因在于 automated peer review 仍是一个高度主观且制度依赖的场景，当前评估也主要建立在 DeepReview-13K 这类数据和 side-by-side 比较上。它很强，但距离成为更广科研工作流的默认基础设施，还需要更长期、更跨学科的稳定验证。