前言¶
写综述、改 AI 生成的初稿，或维护带 PMID 的知识库时，常见做法是逐条打开 PubMed 看编号是否存在。这只覆盖了一半问题：不少「看起来合法」的引用，PMID 在库里真有记录，却指向另一篇同年、同领域的论文——单纯的存在性检查会把这类错配全部放过。
下面介绍 SkillHub 上的 PubMed文献引用批量验证（pubmed-verifier）。它在 Agent 对话里按自然语言触发批量核验，底层用纯 Python 标准库脚本对接 NCBI 等公开学术接口，在本地生成审计报告，不额外拉第三方运行时依赖。
这是什么¶
一句话定位：批量核验 PMID / DOI / arXiv 等引用是否真实，并判断编号是否对得上你声称的那篇文献；错配时可推荐更可能的 PMID，并支持参考文献格式化导出。
该 Skill 在 SkillHub 发布，官方入口为：
https://api.skillhub.cn/user_481397b5/pubmed-verifier
公开页显示分类为 professional，评分 93097，下载 1855 次（以 SkillHub 展示为准）。同类技能说明页（如 @indiv-sorsor/pubmed-verifier）将能力概括为：五态判定、引用上下文解析与交叉比对、撤稿检测、arXiv 与纯文本参考文献表解析、GB/T 7714 / Vancouver / APA / AMA 等格式导出，以及 NCBI、Europe PMC、Crossref、OpenAlex 多数据源；网络不可达时标注为「未判定」，不误报为「不存在」。许可为 MIT-0，核心实现为单文件 CLI scripts/verify_pmids.py，零依赖、纯本地运行（需联网访问学术注册库）。
核心功能¶
五态判定¶
与仅返回「有 / 无」不同，核验结果分为五类（含义与 Skill 文档一致）：
| 判定 | 含义 |
|---|---|
| Correct | PMID 存在，且与声称的题名、作者、期刊、年份等一致 |
| Mismatch | PMID 存在，但指向另一篇文献（AI 幻觉引用里较常见） |
| Partial | 部分元数据吻合（例如作者、期刊对但题名不同） |
| Invalid | PubMed 中不存在该 PMID |
| Unknown | 声称信息不足无法交叉比对，或数据源暂时不可达 |
输入与交叉比对¶
- 从项目目录扫描
.html、.md、.txt、.json等中的 PMID / PubMed 链接，并启发式解析周围参考文献上下文。 - 支持 Word（
.docx）、PowerPoint（.pptx）、导出 HTML、BibTeX / RIS、粘贴的参考文献表（--parse-text/--stdin）。 - 可选
--claims-file（JSON 或 CSV）传入期望题名与作者，做决定性五态判定；可选--verify-doi、--suggest（错配时检索候选 PMID）、撤稿与 DOI 拼接检测。 - 输出终端摘要、HTML 仪表盘、JSON、CSV，以及
--format-references等格式化结果。
Agent 侧触发¶
在 Cursor 等兼容环境中安装 Skill 后，可用中文或英文触发词唤起，例如：验证 PMID、参考文献核查、引用验证、撤稿检查、文献排版、verify PMIDs、citation audit、AI幻觉检测 等。Skill 说明强调：只做验真与排版，不润色、不翻译、不凭空生成参考文献。
安装与启用¶
- 在浏览器打开 SkillHub 官方地址（见上文），按页面指引将 Skill 安装到当前使用的 Agent（如 Cursor）。各客户端的具体菜单或命令以 SkillHub 当时展示为准；本文不写无法从公开资料核实的安装命令。
- 安装完成后，技能包内通常包含
scripts/verify_pmids.py与SKILL.md。除对话触发外，也可在技能目录下直接调用 CLI 做批处理或 CI。
可选环境变量（用于 NCBI 限速与身份标识，非必须）：
export NCBI_API_KEY="你的_NCBI_API_Key"
export PUBMED_VERIFIER_MAILTO="you@lab.org"
大陆网络环境可参考 Skill 文档：使用 HTTPS_PROXY / HTTP_PROXY、先执行 --check-net，或通过 --meta-source europepmc 等参数；Skill 包在 ModelScope 等镜像仅减轻安装摩擦，核验仍访问学术注册库。
典型用法¶
下列示例来自公开的 pubmed-verifier Skill 文档，路径请替换为本机技能目录下的 scripts/verify_pmids.py。
投稿前快速全量检查（刷新缓存、DOI 交叉验证、错配建议）：
python3 scripts/verify_pmids.py --source /path/to/draft --quick --output report.html
验证指定 PMID：
python3 scripts/verify_pmids.py --pmids 31018962,22213727
粘贴参考文献表（无需先存文件）：
python3 scripts/verify_pmids.py --parse-text references.txt --no-cache
# 或从管道读入
cat references.txt | python3 scripts/verify_pmids.py --stdin
带声称元数据的 CSV，并对错配给出 PMID 建议：
python3 scripts/verify_pmids.py --claims-file claims.csv --suggest --output report.html
claims.csv 需包含 pmid、title 等列；缺 title 时判定最高只能到 partial。可先离线校验：
python3 scripts/verify_pmids.py --lint-claims claims.csv
在 Python 中调用（将 sys.path 指向技能内 scripts 目录）：
import sys
sys.path.insert(0, "/path/to/pubmed-verifier/scripts")
import verify_pmids as vp
info = vp.fetch_summaries(["31018962"], batch_size=1)["31018962"]
cross = vp.cross_check_citation(
{"claimed_title": "Classification criteria for autoinflammatory recurrent fevers",
"claimed_year": "2019"},
{"title": info["title"], "authors": info["authors"],
"journal": info["journal"], "pubdate": info["pubdate"]})
print(cross["verdict"], round(cross["confidence"], 2))
适用场景与注意¶
适合谁
- 系统综述、meta 分析投稿前的参考文献自检。
- 审核 AI 生成文稿中的 PMID / DOI 列表。
- 医学科普、教学材料、内部知识库引文 QA。
使用上要注意
--pmids只做存在性检查时，不能等同于「引用正确」；要判 mismatch，应提供题名等 claims（--claims-file或解析上下文）。- 终稿前建议加
--no-cache，避免新收录或撤稿状态被旧缓存误导。 - 大批量（数百条以上）时，
--verify-doi与--suggest会显著增加请求次数；可先扫一遍，再对 flagged 条目深度核验。 - 引用上下文解析是启发式，非常规排版可能拆错；精确场景请用结构化 claims。
- 工具连接
eutils.ncbi.nlm.nih.gov、www.ebi.ac.uk、api.crossref.org、api.openalex.org、export.arxiv.org等官方接口；报告与缓存写在本地（默认缓存目录~/.cache/pubmed-verifier/，可用--no-cache关闭）。
结尾¶
PubMed文献引用批量验证把「PMID 是否存在」推进到「是否指向正确论文」，用五态结果和可导出的 HTML / JSON 报告，适合在 Agent 里用自然语言发起，也适合用同一套 CLI 做投稿前批处理。官方地址：
https://api.skillhub.cn/user_481397b5/pubmed-verifier
