建議模型：當前最新一代 Claude 模型（撰寫當下為 Fable 5），搭配 Max plan（或同等配置）。現行 Claude 模型採用 adaptive thinking，不需要手動指定 thinking budget。
完整學術 pipeline（10 階段）會消耗大量 token — 單次完整執行可能超過 200K 輸入 + 100K 輸出 token，視論文長度和修訂輪數而定。請依預算斟酌使用。
單獨使用個別 skill（如只用
deep-research或academic-paper-reviewer）的消耗明顯較少。
| Skill / 模式 | 輸入 Token | 輸出 Token | 估算費用 |
|---|---|---|---|
deep-research socratic |
~30K | ~15K | ~$0.60 |
deep-research full |
~60K | ~30K | ~$1.20 |
deep-research systematic-review |
~100K | ~50K | ~$2.00 |
academic-paper plan |
~40K | ~20K | ~$0.80 |
academic-paper full |
~80K | ~50K | ~$1.80 |
academic-paper-reviewer full |
~50K | ~30K | ~$1.10 |
academic-paper-reviewer quick |
~15K | ~8K | ~$0.30 |
| 完整 pipeline（10 階段） | ~200K+ | ~100K+ | ~$4-6 |
| + 跨模型驗證 | +~10K（外部） | +~5K（外部） | +~$0.60-1.10 |
以 ~15,000 字論文、~60 篇引用為基準估算。實際消耗隨論文長度、修訂輪數、對話深度而異。費用以 Opus 4.x 實測、Anthropic API 2026 年 4 月定價計算；換用更新模型時請當成數量級參考，不是精確報價。
v3.11 引用查驗（#182）。 確定性引用存在性 gate 呼叫的是外部書目 API（Semantic Scholar / OpenAlex / Crossref / arXiv），不是 LLM，因此不增加上表的 Claude token 成本——只在首次查詢時有網路延遲。持久化 SQLite cache（
~/.cache/ars/verification.db，90 天 TTL）讓每篇論文只查驗一次、跨草稿重用；對已 cache 的書目重跑不做任何網路請求。見 SETUP。
| 設定 | 功能說明 | 啟用方式 | 官方文件 |
|---|---|---|---|
| Agent Team（選用） | 啟用 TeamCreate / SendMessage tools 做手動多 agent 協作。ARS 內部平行化不需要這個 flag — skills 透過內建 Agent tool 直接 spawn subagent。僅在你想手動跨 session 協作持久 team 時有用。 |
設定 CLAUDE_CODE_EXPERIMENTAL_AGENT_TEAMS=1（研究預覽） |
實驗性功能 — 尚無穩定文件 |
| Auto 模式（建議） | 自動接受大多數工具動作，讓長時間 pipeline 大幅減少中斷；同時由伺服器端 classifier 擋下超出你請求範圍的危險動作（例如部署到 production、force-push 或直接 push main、資料外洩）。明確的 ask 規則與 classifier 攔截仍可能跳出確認。是「手動逐項確認」與「完全不檢查」之間的折衷。 | 啟動時加上 claude --permission-mode auto（若可用），或在 ~/.claude/settings.json 設定 "permissions": { "defaultMode": "auto" }；啟動後確認當前模式（研究預覽） |
Permission modes |
| Skip Permissions | 跳過例行的工具使用確認，且不做任何安全檢查。比 auto 模式更快，但移除所有護欄。設計用途是用完即拋、無網路連線的隔離沙箱，不適合真實開發機器。 | 啟動時加上 claude --dangerously-skip-permissions（等同 --permission-mode bypassPermissions） |
Permission modes |
⚠️ 模式選擇：大多數無人值守的 pipeline，建議使用 auto 模式。它讓長時間執行大幅減少中斷，同時由 classifier 擋下超出你請求範圍的危險動作，但 ask 規則與 classifier 攔截仍可能跳出確認。auto 模式是研究預覽：它不保證安全，也不能取代敏感操作的人工審查，且行為可能變動。Skip Permissions 則完全移除這層安全網，僅應在無網路連線的隔離沙箱中使用，且你要確定可以接受 Claude 在無檢查的情況下執行檔案讀寫與 shell 指令。
當 ARS 以 Claude Code plugin 方式安裝（/plugin install academic-research-skills）時，會把三個下游 worker agent 暴露為 plugin-shipped subagent：synthesis_agent、research_architect_agent、report_compiler_agent。三個 agent frontmatter 都標 model: inherit，意思是它們繼承派工 session 的模型而非寫死特定 floor：
inherit 走的是主 session 模型，主 session 本身又被「ARS 全程不用 Haiku」政策守住。自 #514（於 #521 出貨）起，這三個 agent 的 frontmatter 同時帶固定的 tools 白名單——tools: Read, Write, Edit, Grep, Glob，無 shell、無網路抓取——派工當下即是最小權限；白名單內容由 scripts/check_tools_allowlist.py（#524）在 CI 鎖定。
意涵：plugin agent 的 token 成本完全跟著上表各模式估算走，沒有額外加減（ARS_MODEL_TIERING 未設定時）。dispatched agent 跟主 session 同一個模型，主 session 已經付的成本沒有再多一層 plugin agent 收費。設定 ARS_MODEL_TIERING=economy 時，plugin 暴露的 execution 型 agent（如 report_compiler_agent）改走分層規則——比 session model 低一階、樓地板 Opus 級（見 shared/model_tiering.md）。如果 pipeline 中途換模型（例如 revision pass 改用 Sonnet 省成本），下一輪 agent 派工自動跟上。
其他 ARS agent（bibliography_agent、literature_strategist_agent 等）在 v3.7.0 不暴露為 plugin agent；它們仍是 in-skill prompt template，由主 session 內聯執行，預設沒有獨立的模型路由層。Opt-in 的 ARS_MODEL_TIERING（#517）在其上加了一層 dispatch 時的路由規則：當分層方向適用於某角色時，session 會把該角色以子代理形式派發、鎖定目標層級（內聯角色也一樣——「派發為子代理」正是其機制）；flag 未設定時，本段描述的行為完全不變。見 shared/model_tiering.md。更廣的 plugin agent 覆蓋留到後續版本。
完整 pipeline 設計為 human-in-the-loop，每個階段都需使用者確認。實務上一次完整執行會跨越數小時到數天，遠長於 Anthropic 的 prompt cache TTL（5 分鐘）。兩項結果：
compliance_history[] 與階段完成標記定位中斷點。full / methodology-focus 模式必跑）Schema 13 sprint contract 把每個 reviewer agent 切成 Phase 1（不見論文、先承諾評分準則）+ Phase 2（看論文做審稿）兩階段。已 ship template 的兩個模式（full panel 5 + methodology-focus panel 2）下，每位 reviewer 約等於跑兩個 LLM turn。保留模式（re-review / calibration / guided / quick）維持 pre-v3.6.2 行為。
| Skill / 模式 | Token 影響 | 備註 |
|---|---|---|
academic-paper-reviewer full |
每位 reviewer 約 +30-40% input + 小幅 output × 5 位 | Phase 1 讀 contract template + 論文 metadata；Phase 2 讀完整論文 |
academic-paper-reviewer methodology-focus |
同上 shape，panel 2 | EIC + methodology 兩位 reviewer 各跑兩階段 |
| Synthesizer（固定一個） | +~2-3K input | 讀 contract + 各 reviewer 輸出，跑三步機械協議 |
實測待真實大規模審稿後校準。兩階段架構是 gated mode 的不可選 overhead，不是 tunable。
在 Stage 2.5 與 Stage 4.5 加上 mode-aware compliance_agent 會讓 SR 全 pipeline token 多出：
| Skill / 模式 | 輸入 Token | 輸出 Token | 估算費用 |
|---|---|---|---|
deep-research systematic-review（僅 2.5） |
+~5–8K | +~3–5K | +~$0.15 |
| 全 pipeline SR（2.5 + 4.5） | +~10–15K | +~5–8K | +~$0.30 |
academic-paper full（pre-finalize） |
+~3–5K | +~2–3K | +~$0.08 |
以上為既有 per-skill 成本之上的額外增量（與上表共用 15,000 字 / 60 篇引用基準，見上表下方 footnote）。跨模型驗證成本（若啟用）維持不變。
設定 ARS_PASSPORT_RESET=1 後，每個 FULL checkpoint 變成 context 重置邊界。預期工作流程：
[PASSPORT-RESET: hash=<hash>, stage=<completed>, next=<next>] tag。resume_from_passport=<hash>。支援可選覆蓋：resume_from_passport=<hash> stage=<n> mode=<m>。kind: boundary entry，append 一個 kind: resume entry 完成消費，然後繼續。繼續的 stage 由以下順序決定：使用者在 resume 指令附上 stage= 時以其為準，否則當 boundary 帶 pending_decision 時由 orchestrator 先重新詢問使用者再用對應選項的 next_stage，否則才採用記錄的 next 欄位。所有選項都終止時，next 可以是 null。何時重置比延續划算：
systematic-review 模式，stage 獨立性由 Material Passport 精確界定。何時延續仍然比較好：
Passport 檔案位置規約：
Orchestrator 預設在目前工作目錄下尋找 ./passports/<slug>/ 或 ./material_passport*.yaml。將 hash 解析到磁碟上的 passport 檔案是整合方的責任，orchestrator 載入呼叫端工具提供的 passport。預設位置見上方 ./passports/<slug>/ 規約。
Resume 指令只定義 hash 與可選的 stage/mode 覆蓋：
resume_from_passport=<hash> [stage=<n>] [mode=<m>]
Resume 指令本身沒有路徑語法。客製 passport 位置在專案的 CLAUDE.md 設定，或由整合方的工具在呼叫 orchestrator 前處理。
實測 token 節省： 尚待真實 systematic-review 搭配儀器化測量。取得實測資料後會回填本節。目前不做任何數值宣稱。完整協議見 ../academic-pipeline/references/passport_as_reset_boundary.md。
Material Passport 的 literature_corpus[] 欄位由使用者自行撰寫的 adapter 產出，不是 ARS 本身。v3.6.4 附三個 reference adapter：scripts/adapters/folder_scan.py、scripts/adapters/zotero.py、scripts/adapters/obsidian.py。執行方式與自行撰寫 adapter 的指引見 scripts/adapters/README.md。
literature_corpus[] 依 citation_key 排序；rejection_log.rejected[] 依 source 排序。這些邊界是刻意的，反映 ARS 的 data-layer 定位：ARS 是 writing / review layer 的框架，語料整合留在 user-owned code。如需 API-based live-sync adapter，由使用者以三個 reference adapter 為起點自行撰寫。
v3.6.5 起，Phase 1 兩個文獻 agent 透過 corpus-first、search-fills-gap 流程讀取 literature_corpus[]：deep-research/agents/bibliography_agent.md 與 academic-paper/agents/literature_strategist_agent.md。兩者走相同的五步流程與四條 Iron Rule（Same criteria / No silent skip / No corpus mutation / Graceful fallback on parse failure）。Search Strategy 報告新增 PRE-SCREENED 可重現區塊，列出已納入／排除／略過的 corpus entry，並含 F3 zero-hit 與 F4 provenance 報告。消費端啟動採 presence-based — passport 帶非空 literature_corpus[] 且解析成功時自動進入；解析失敗時 fallback 到 external-DB-only flow，並 surface [CORPUS PARSE FAILURE]。
完整 consumer 協定見 academic-pipeline/references/literature_corpus_consumers.md。citation_compliance_agent 的 corpus 整合留到 v3.6.6+。
Material Passport 帶非空 literature_corpus[] 時，Phase 1 讀取量隨 corpus 大小線性增長。PRE-SCREENED block 的 emit 本身屬 prompt-layer（成本可忽略）；LLM 成本來自 Step 1 pre-screening — 對每筆 corpus entry 套用當前 Inclusion / Exclusion 條件，比對 title（一定有）與已填的選填欄位（abstract / tags）。
| Corpus 規模 | Step 1 pre-screening（每位 consumer） | 備註 |
|---|---|---|
| 空 / 不存在 | 0 | external-DB-only flow 維持原樣 |
| ~50 筆（典型 Zotero 子集） | +~3-5K input + ~1-2K output | title + abstract 掃描 |
| ~200 筆 | +~10-15K input + ~3-5K output | title-only 掃描為主，abstract 視填充情況 |
| ~500 筆（大型文獻庫） | +~25-40K input + ~8-12K output | passport emit 前考慮先精簡 corpus |
Step 2 search-fills-gap 在 uncovered_topics 小（case A）時會降低 external-DB 成本，可部分抵銷 Step 1。淨效應實測待真實 SR run instrumentation 後校準；目前不下總體數字結論。Parse 失敗約一個短 turn 成本（parse + emit [CORPUS PARSE FAILURE] + fallback）。