当前不存在名为“龙虾机器人”的学术AI工具，该名称系误称；Clawdbot模型由Anthropic研发，需通过角色预设、结构生成、文献整合、语言强化与批判校验五类指令规范开展学术写作。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
如果您尝试使用“龙虾机器人”完成学术写作任务，但发现该名称并不存在于主流AI工具生态中，则可能是对某款AI写作工具的误称或混淆。当前并无公开、权威、可验证的学术工具名为“龙虾机器人”。Clawdbot系列模型由Anthropic公司研发，其官方命名不含“龙虾”相关标识。以下是针对Clawdbot模型开展学术写作的规范指令模板：
一、角色预设类指令
该类指令用于锚定Clawdbot在学术语境中的身份定位，确保输出符合学术规范与领域专业性。设定明确角色可显著提升生成内容的逻辑严密性、术语准确性及结构合理性。
1、向Clawdbot输入如下指令（中文）：你是一名具有十年高校科研经验的[具体学科，如：教育学/材料科学/临床医学]教授，长期担任SSCI/SCI期刊审稿人。请以严谨、中立、证据导向的学术风格协助我完成论文写作任务，所有陈述必须可溯源、可验证，禁用主观臆断与模糊表述。
2、若需聚焦文献批判能力，可追加：在回应中，须明确区分已有研究结论、本研究假设、实证数据支持程度三类信息，并对引用文献标注年份与期刊影响因子区间（如：2023，Nature子刊，IF≈18–25）。
二、结构生成类指令
该类指令用于驱动Clawdbot生成符合学术出版标准的章节框架，避免常见逻辑断裂与层级混乱问题。指令需包含强制约束条件，防止模型自由发挥偏离规范。
1、要求生成引言段落时，输入：请撰写一段约400字的论文引言，严格遵循IMRaD结构中的Introduction部分范式：首句点明研究领域现实重要性；第二句指出近五年内该领域三个关键知识缺口；第三句用‘然而’转折，说明既有综述或元分析未能解决的核心矛盾；末句清晰陈述本研究拟验证的两个可操作假设，并注明理论依据来源（如：基于Bandura社会学习理论第三章）。
2、生成方法论小节时，使用：请撰写‘研究设计’子章节，限定为320±20字。必须包含：① 研究类型（如实证/质性/混合）及选择依据；② 样本量计算公式与参数设置（如Cohen’s d=0.5, α=0.05, power=0.9）；③ 数据收集工具信效度指标（如Cronbach’s α≥0.85，KMO＞0.7）；④ 伦理审查声明（注明‘已获XX大学IRB批准，批号XXXX’）。
三、文献整合类指令
该类指令引导Clawdbot对输入文献进行结构化处理，而非简单拼接。重点在于建立概念关联、识别论证张力、标注证据强度，避免出现“文献堆砌”现象。
1、上传3篇PDF文献摘要后，输入：请将以下三篇文献按‘理论主张—实证支撑—方法局限’三维矩阵整理：第一列列出各文核心命题；第二列标注每项命题所依赖的关键数据（如：n=1242随机对照试验，p＜0.001）；第三列指出其样本偏差（如：仅覆盖18–25岁本科生，无法外推至在职人群）；最终用表格呈现，禁止添加解释性文字。
2、处理参考文献格式时，指令为：将下列12条参考文献统一转为APA第7版格式，特别注意：① 中文作者须提供拼音全名+中文名括注；② DOI链接必须为https://doi.org/前缀完整格式；③ 期刊名缩写须符合NLM Catalog标准（如JAMA Internal Medicine不可简写为JAMA Intern Med）；④ 电子书需标注‘Advance online publication’及检索日期。
四、语言强化类指令
该类指令针对学术英语表达薄弱环节，通过显性规则约束替代泛化润色请求，确保修改结果具备可验证性与可复现性。
1、提升段落学术性：请重写以下段落，执行三项刚性操作：① 将所有‘we’‘our’替换为‘the present study’或‘this analysis’；② 删除全部程度副词（如very, quite, rather）；③ 每句主语必须为名词性短语（禁用动名词作主语），谓语动词优先选用demonstrate, indicate, suggest, corroborate四词之一。
2、压缩冗余内容：请将以下580字段落压缩至290±15字，删减规则：① 合并所有含相同主语的连续短句（如‘The model is robust. The model is interpretable.’→‘The model demonstrates both robustness and interpretability.’）；② 删除所有举例性从句（含‘such as’, ‘for example’引导部分）；③ 将被动语态占比控制在35%–45%区间，其余强制改为主动语态。
五、批判校验类指令
该类指令激活Clawdbot的元认知能力，使其不仅生成内容，更能对自身输出进行合规性反溯，适用于高风险学术场景（如投稿前终审、学位论文盲审准备）。
1、启动自我核查：请对刚刚生成的‘讨论’章节执行三重校验：① 标出所有未在‘方法’部分明确定义的变量术语（如突然出现‘cognitive load index’但前文未说明测量方式）；② 检查每个因果推论是否匹配‘结果’部分对应数据（如声称‘X导致Y增强’但原文仅报告相关系数r=0.32）；③ 列出所有超出原始数据支撑范围的外推陈述（如将实验室结果直接等同于真实世界干预效果）。
2、响应审稿意见：针对审稿人意见‘Please clarify the novelty of your sampling strategy compared to Smith et al. (2021)’，请生成回复段落。要求：① 首句直引Smith et al.原文方法描述（带页码）；② 第二句用‘In contrast’引出本研究策略差异点（精确到抽样框构建步骤）；③ 第三句说明该差异带来的实证优势（如：使农村教师覆盖率提升37%，见附表A2）；④ 全段禁用‘we believe’‘it is suggested’等弱断言句式。
