htlin222/meta-pipe · 上手攻略

仓库：htlin222/meta-pipe
链接：https://github.com/htlin222/meta-pipe
分类：AI 应用 · 学术工具 · 系统综述
作者：Jay
更新：2026-09-23

这是什么

meta-pipe 是一个基于 Claude Code 的端到端系统综述（Systematic Review）与元分析（Meta-Analysis）自动化 pipeline。你给一个研究主题，Claude Code 自动完成从文献检索、筛选、数据提取、统计分析到生成符合期刊格式的手稿，整个过程模块化、可重现、留有 5 个强制人工决策点。

核心逻辑：用 Claude（Anthropic） 做 LLM 编排——用 Opus 4 做复杂推理任务（筛选裁定、风险偏倚评估、手稿生成），用 Haiku 3.5 做高吞吐分类任务（标题/摘要分类、数据验证）。统计部分用 R（meta、metafor、gemtc、netmeta），手稿渲染用 Quarto。

配套一个完整示例项目：projects/ici-breast-cancer/——关于免疫检查点抑制剂治疗三阴性乳腺癌的元分析，含 5 项 RCT、N=2,402 患者、主要结局 RR=1.26（95% CI 1.16–1.37），手稿 4,921 词（Lancet Oncology 格式）。

解决什么问题

传统系统综述的核心痛点： - 时间成本极高：一项系统综述手动做 100+ 小时，筛选、提取、录入全靠人工 - 流程不透明：筛选决策无记录，方法不可复现 - 统计门槛：R 的 meta 分析包对临床研究者有学习成本 - 手稿格式：从分析结果到期刊格式手稿还有大量排版工作

meta-pipe 把这四个环节串成一条自动化流水线，Claude Code 当「执行者」，人在 5 个关键节点把关（9 阶段中标注了强制人工审核点）。

⚠️ 注意：这不是一个「一键生成论文」的工具，而是「把重复性最高的筛选和提取工作自动化，保留人工审核关卡」的半自动化流水线。arXiv 论文（2606.28363v1）也指出，API 成本估算约 $15–30/项（5–10 项成对 meta 分析），且超过 50 项研究时的成本 scaling 尚未表征。

快速安装

前置依赖

工具	版本	说明
`uv`	最新	Python 包管理
R	≥ 4.2 + `renv`	统计计算
`cmake`	最新	编译部分 R 包（如 `fs`），macOS ARM 必需
Quarto	最新	手稿渲染
Claude API Key	—	填入 `.env`

安装步骤

① 克隆仓库

git clone https://github.com/htlin222/meta-pipe.git
cd meta-pipe

② 配置环境变量

cp .env.example .env
# 编辑 .env，填入你的 API keys

③ 初始化 Python 环境

cd tooling/python && uv init

④ 创建新项目

# 在仓库根目录运行
uv run tooling/python/init_project.py --name my-meta-analysis
# 项目创建在 projects/my-meta-analysis/

⑤ 编辑研究问题

打开 projects/my-meta-analysis/TOPIC.txt，写入你的 PICO 问题或研究主题。

⑥ 启动 Claude Code

在仓库根目录启动 Claude Code（或 claude CLI），对 Claude 说：

Start project my-meta-analysis

或：

See projects/my-meta-analysis/TOPIC.txt and start

Claude 会自动读取 TOPIC.txt，询问数据库选择、结局指标等澄清问题，然后自动跑完 9 阶段 pipeline。

核心用法

9 阶段 Pipeline

阶段	目录	输出
01_protocol	`01_protocol/`	`pico.yaml`、`eligibility.md`
02_search	`02_search/`	`dedupe.bib`（去重后的文献库）
03_screening	`03_screening/`	`decisions.csv`（每篇的纳入/排除决策）
04_fulltext	`04_fulltext/`	`manifest.csv`（全文获取清单）
05_extraction	`05_extraction/`	`extraction.csv`（提取数据）
06_analysis	`06_analysis/`	`figures/`、`tables/`（统计图表）
07_manuscript	`07_manuscript/`	`manuscript.pdf`（排版手稿）
08_reviews	`08_reviews/`	`grade_summary.md`（证据质量评级）
09_qa	`09_qa/`	`final_qa_report.md`（质量保证报告）

手动启动（非交互模式）

如果你只想跑某个阶段而不走完整交互：

# 进入项目目录
cd projects/my-meta-analysis

# 手动触发特定阶段（由 Claude Code 执行）
# 前提：已完成 TOPIC.txt 配置

查看示例完整项目

# 查看已完成的示例
projects/ici-breast-cancer/
├── README.md                          # 项目概览
├── 00_overview/FINAL_PROJECT_SUMMARY.md  # 关键发现
└── 07_manuscript/                    # 完整手稿（5 节）

CLAUDE.md 的作用

仓库根目录有 CLAUDE.md，Claude Code 启动时会自动加载其中定义的 agent 行为规则，包括 9 阶段各自的职责和输出规范。不要删除或修改这个文件，它是 pipeline 正常运转的关键。

典型适用场景

场景	价值
临床医学系统综述	自动完成 PRISMA 流程，从检索到手稿
护理学循证实践	快速生成证据摘要，指导临床决策
公共卫生政策评估	多研究证据合成，输出结构化报告
研究生开题	快速了解领域现有证据，识别研究空白
学术发表（期刊 Letter / Review）	缩短系统综述写作周期

⚠️ 适用前提：已有明确的研究问题（PICO 清晰），零基础用户仍需要理解系统综述的基本流程（PICO 是什么、PRISMA 是什么），Claude 是执行者，不是研究者。

坑与注意

① Claude API 成本不可忽视

官方估算 $15–30/项（5–10 项成对 meta 分析），但这只是筛选和提取阶段的理论值。超过 50 项研究时 cost scaling 未被表征。跑之前先在 Claude Console 看用量。

② 5 个人工决策点是强制关卡，不可跳过

Pipeline 在 9 个阶段中标注了 5 处强制人工审核点。如果跳过这些关卡直接让 Claude 全自动跑，最终结果的方法学质量无法保证，且不符合系统综述的规范要求。

③ 输出质量高度依赖研究问题表述

TOPIC.txt 写得模糊 → 检索策略不准 → 后面的结论全歪。建议先用 Claude 帮你把模糊想法精确化成 PICO 格式。

④ R 包依赖（macOS ARM 用户注意）

renv 管理 R 包环境，macOS ARM（M1/M2/M3）上部分 R 包（如 fs）需要 cmake 编译。先确保：

# macOS
xcode-select --install
brew install cmake

⑤ 统计结果需人工解读

R 的 meta 分析输出是标准统计量（RR、OR、95% CI、I² 等），但临床意义的解读仍需领域知识，Nimble 这类模型无法替代。

⑥ 系统综述注册

规范的系统综述需要事先在 PROSPERO 等平台注册。meta-pipe 不包含注册流程，如需发表可能需要补充。

⑦ 项目文件默认不进入 Git

projects/ 目录在 .gitignore 中，只有示例项目 ici-breast-cancer/ 被 Git 跟踪。新项目需要自己备份。

与同类对比

工具	自动化程度	LLM 引擎	统计集成	适用场景
meta-pipe	高（9 阶段自动）	Claude（Opus 4 + Haiku 3.5）	R（meta 等包）+ Quarto	完整系统综述
Otto-SR	中	GPT-4 类	部分	文献筛选
MetaScreener	高	多个 LLM	无	文献筛选（开源）
raymeta	中	Claude 类	部分	元分析
PRISMA 流程图工具	低（只画图）	无	无	仅流程文档

meta-pipe 的核心差异化是端到端（从问题到排版手稿）+ 统计 R 集成 + 5 强制人工关卡。不做文献筛选/评估的单一环节，而是覆盖整个系统综述生命周期。

一句话推荐

如果你正在或计划做系统综述 / 元分析，且对 Claude Code + R + Quarto 这套工具有基本了解——meta-pipe 能把文献筛选和数据提取的重复性工作自动化，将 100+ 小时压缩到以「人工审核节点」为主的十几个小时；前提是研究问题已经过认真提炼，不要期待它替你做研究设计。