用途：在写论文或立项前，系统核查一个方法或想法是否已被文献做过，输入为方法描述（$ARGUMENTS）。
主要能力：
- 提取关键主张：识别 3-5 条承载“新意”的核心技术主张，涵盖方法内容、所解决问题、机制及与明显基线的差异。
- 多源文献检索：对每条主张用 WebSearch 检索 arXiv、Google Scholar、Semantic Scholar，每条至少 3 种查询式并加 2024-2026 年份过滤；对照 ICLR 2025/2026、NeurIPS 2025、ICML 2025/2026 及近期 arXiv 预印本，用 WebFetch 读取疑似重叠论文的摘要与相关工作。
- 跨模型复核：通过 Codex MCP（mcp__codex__codex）调用 REVIEWER_MODEL=gpt-6-astra，配置 model_reasoning_effort 为 xhigh。若材料较长，先写入 NOVELTY_DOSSIER.md（含方法、核心主张、候选论文与问题），再只传文件路径给 MCP。
- 输出结构化《Novelty Check Report》：包含方法、逐条主张的最接近论文与差异、先前工作对照表、X/10 评分、建议（PROCEED / PROCEED WITH CAUTION / ABANDON）及定位建议。
判定限制：邻近工作只作信息不作否决；只有能点名某篇已发表论文已包含该结果才可 ABANDON；拥挤但有差异判 PROCEED；并行或竞争工作不构成否决；判断存疑时取更宽松结论。
反幻觉要求：先前工作表中每篇论文须先用 verify_papers.py 做预检索核验（arXiv / CrossRef / Semantic Scholar 三层回退）；辅助脚本不可用或调用失败时，候选条目标记 [UNVERIFIED] 并明示不确定性，禁止凭记忆编造 arXiv ID、DOI 或标题。
调用追踪：每次 Codex 复核调用后按 review-tracing.md 保存记录，可用 save_trace.sh，或直接写入 .aris/traces/<skill>/<date>_run<NN>/。
适用场景：论文选题查新、投稿前定位、判断想法是否值得推进。
限制：具体支持的模型清单、依赖与安装方式、收费情况、运行平台和实际效果在资料中暂未提供；该检查仅为早期门槛，不能替代后续试验、试点或外部评审。