全网爆火的Nature Skills保姆级教程让学术版Codex覆盖文献检索论文写作审稿与翻修的完整科研工作流很多人第一次用Codex做科研通常会从一句话开始帮我查几篇相关文献。或者帮我把这段中文润色成英文。这些请求当然能得到结果但结果往往不够稳定。AI可能根据标题判断文献相关性可能把“相关”写成“证明”也可能在润色时悄悄扩大原文结论。到了审稿回复环节问题会更加明显它写出了一封语气得体的回复信却没有确认论文正文里是否真的完成了对应修改。科研并不是“把一段话写得更像论文”这么简单。它包含文献发现、全文阅读、研究设计、数据分析、图表制作、论证写作、投稿前检查、审稿意见回复等一连串任务。每个任务的输入、判断标准和风险都不一样。这正是Nature Skills值得关注的地方。它不是一个“一键生成Nature论文”的按钮也不能替作者创造创新、伪造实验或保证投稿成功。更准确地说它是一套围绕科研任务组织起来的 AI Skills让Codex知道某项工作应该如何开始、需要检查什么、哪些地方不能猜以及最后应该交付什么产物。如果你把普通提示词理解成“告诉AI做什么”那么一个完整的Skill更像是“把这件事的工作流程、质量标准和边界一起交给AI”。这篇文章不讲空泛概念直接从安装、调用和组合三个层面梳理一套可以落地的科研工作流。Nature Skills科研工作流总览一、Nature Skills究竟解决了什么问题过去使用大模型辅助科研最常见的方式是把所有任务都交给同一个聊天窗口查找相关论文总结一篇PDF写摘要和引言润色英文画实验图模拟审稿回复审稿意见。问题在于这些任务并不只是“文字生成”。查文献需要检索策略、来源和纳入标准论文阅读需要保留图表、公式和原文位置引用匹配需要确认文献真的支持当前论断统计审查需要知道样本量、重复数和检验方法返修回复则要建立“审稿意见—修改动作—证据—正文位置”的对应关系。一个泛化提示词很难稳定覆盖这些细节。它可能写得很流畅却没有真正完成核验。Nature Skills采用了另一种思路把科研流程拆成多个相对独立的技能模块。每个模块通常包含以下内容什么时候应该调用需要用户提供哪些材料任务应该分成哪些步骤哪些结论不能推测信息缺失时如何标记最后要输出什么文件输出完成后如何检查。所以Skill的重点不是让AI“更会写”而是让AI在科研任务中更有流程感也更容易被检查。二、先认识技能地图不要一上来全部安装官方仓库目前把不同科研环节拆成多个技能状态主要分为Stable、Beta和DraftStable已经过较多真实内容验证规则相对稳定Beta已有示例或部分场景验证但仍需要人工复核Draft核心流程已经建立真实场景验证还不充分。这个状态标签很重要。安装成功只代表文件被正确放进了技能目录并不代表它适合所有学科、所有数据和所有期刊。下面是最值得先掌握的一组技能。1. 文献发现与阅读nature-academic-search用于多来源文献检索、DOI核验、引用关系分析和参考文献整理。nature-downloader负责通过开放获取版本、机构图书馆、作者主页或合法登录状态寻找全文。它不是绕过付费墙的工具。nature-literature-pipeline可以把一次性检索变成持续运行的文献监测流程例如每周检索新论文、去重、评分、推送和归档。nature-reader适合把PDF整理成带标题层级、图表对应、公式和来源锚点的阅读材料。nature-paper-card则更适合对单篇论文做结构化精读梳理研究问题、方法逻辑、实验到结论的证据链以及作者没有证明的部分。2. 论证、写作与语言nature-proposal-writer强调先建立研究问题、证据和章节契约再进入正文写作。nature-writing适合根据研究材料起草摘要、引言、结果、讨论和方法等章节。nature-polishing负责已有文本的英文润色、翻译、段落重组、术语统一和表达压缩。这三个技能的分工可以简单理解为先用proposal-writer搭结构再用writing写内容最后用polishing处理语言。不要把“写作”和“润色”混成一个动作。没有研究材料和证据链时单纯要求AI“写得像Nature”很容易得到一篇看起来专业、但无法对应真实研究的文字。3. 图表、统计与数据声明nature-figure用于Python或R科研绘图包括图表结构、导出格式和投稿级检查。nature-statistics可以帮助检查样本量、重复、随机种子、p值、效应量、置信区间、多重比较和图注统计说明。nature-data用于准备Data Availability Statement和FAIR相关信息。这几个技能有一个共同前提你必须提供真实数据和真实实验记录。没有原始数据时AI可以帮你设计图表契约、统计检查清单或声明模板但不能把模拟数据伪装成实验结果。4. 预投稿审稿与返修nature-reviewer从审稿人视角检查原创性、科学意义、技术可靠性、证据充分性、统计问题、可复现性和结论边界。nature-response把编辑和审稿人的意见拆分编号建立逐点回复、修改位置、证据要求和Cover Letter。nature-ref-verifier则用于逐条核验参考文献的作者、标题、年份、卷期、页码和DOI。这一组技能最适合放在投稿前和返修阶段使用。它们的价值不是替你预测编辑决定而是帮你提前发现那些最可能被追问的问题。Nature Skills四个工作面三、安装前先记住一个原则保留完整目录Nature Skills本质上是一组围绕SKILL.md组织的技能包。一个技能目录里除了SKILL.md还可能有README.md README_EN.md SKILL.md manifest.yaml static/ references/ scripts/ assets/这些文件分别承担说明、路由、参考规则、脚本和模板等职责。因此不要只复制一个SKILL.md。有些技能会依赖references/、static/、脚本、图片资产或共享目录nature-shared/。缺少这些文件技能可能看起来已经安装但运行到具体步骤时才暴露问题。不太会安装Codex可以直接使用学术版Codex这里也要照顾到一类很现实的读者很多人知道自己需要科研AI却不太熟悉终端、Node.js、Git和本地技能目录。对他们来说真正的门槛可能不是不会用Nature Skills而是还没开始使用就先卡在了安装环节。如果你不想自己配置原生Codex可以直接使用学术版Codex学术版Codex已经内置Nature Skills不需要再手动下载、复制技能目录或配置依赖打开后即可开始使用文献检索、论文写作、审稿和返修等科研工作流。对于第一次接触Codex、主要目标是尽快把工具用起来的老师和本硕博生这是一条更省事的入口。两种方式的区别可以简单理解为学术版CodexSchoaiNature Skills已经内置适合希望开箱即用、少折腾配置的用户原生Codex 手动安装适合希望自己管理技能版本、目录和运行环境的用户。这并不是两套完全不同的工作方法。后面文章介绍的检索、阅读、写作、统计、模拟审稿和返修流程在学术版Codex中同样可以直接使用。区别主要在于前者把安装和环境配置提前处理好了后者则把更多控制权交给使用者。通过npx查看可安装技能官方仓库当前支持使用npx skills查看和安装技能。首先查看仓库里实际暴露的技能名npx skills add Yuan1z0825/nature-skills --list注意目录名不一定等于最终显示的frontmatter名称。安装时应以--list返回的名称为准。全局安装到Codex如果你希望在不同项目中都能使用可以执行npx skills add Yuan1z0825/nature-skills \ --global \ --agent codex \ --skill * \ --yes \ --copy如果只想安装一个技能也可以指定技能名npx skills add Yuan1z0825/nature-skills \ --agent codex \ --skill nature-figure \ --yes \ --copy对于依赖共享资料的技能记得同时选择nature-shared。安装完成后重新开启一个Codex会话再开始调用。使用仓库自带脚本同步如果你已经把仓库克隆到本地也可以使用官方脚本同步到Codex技能目录git clone https://github.com/Yuan1z0825/nature-skills.git cd nature-skills scripts/update-codex-skills.sh --pull scripts/update-codex-skills.sh --check其中--check用于检查本地安装内容是否与当前仓库一致。如果长期使用还可以考虑配置自动更新。但自动更新并不等于每次启动都强制联网。实际配置时要注意保留已有的Codex hooks并先确认本地仓库没有未提交改动。四、第一套工作流从“查几篇论文”升级为可核验的文献研究很多文献检索请求的问题不在于关键词太少而在于没有定义“什么算相关”。例如“请找主动学习和特征获取相关论文”这个请求过于宽泛。更好的请求应该把研究对象、时间范围、数据库、纳入标准和输出格式写清楚。可以直接使用下面的模板请使用 nature-academic-search 完成一次文献检索。 研究主题 研究对象 时间范围 优先数据库 纳入标准 排除标准 需要比较的变量 输出格式Markdown表格 RIS或BibTeX 请为每篇候选文献提供 1. 标题、作者、年份和DOI 2. 文献来源 3. 与研究问题的实际相关性 4. 文献真正支持的结论 5. 是否可以直接支撑我的论断 6. 需要人工确认的项目。 不要仅根据标题判断相关性不要猜测缺失的DOI和元数据。更稳妥的流程是建立检索式 ↓ 获取候选文献 ↓ 去重与筛选 ↓ 合法获取全文 ↓ 全文精读 ↓ 为具体论断匹配引用 ↓ 核验最终参考文献这里要特别区分三个动作nature-academic-search负责发现和组织文献nature-citation负责为具体论断寻找支撑nature-ref-verifier负责检查参考文献字段是否准确。如果你的论文里写了“某方法能够显著降低成本”不要只问AI“帮我找一篇支持这句话的论文”。应该先把论断拆开降低的是标注成本、计算成本还是特征获取成本适用于什么任务文献证明的是普遍规律还是某个数据集上的观察引用数量不是严谨性的替代品论断范围和证据范围一致才是。从关键词到可核验引用五、第二套工作流先建立论证再写论文论文写作最容易出现的误区是让AI从一个标题直接生成完整论文。正确的顺序应该是先把研究材料整理成一张“证据地图”研究问题是什么现有研究已经解决了什么还留下什么缺口本文提出了什么方法哪些实验结果支持哪些判断哪些结论目前不能推出。第一步让AI先生成章节契约以Discussion为例可以这样请求请使用 nature-writing 起草论文的 Discussion。 在写正文前先生成章节契约包括 1. 本节需要回答的科学问题 2. 三个最主要的实验发现 3. 每个发现对应的表格或图片 4. 可以得出的结论 5. 不能得出的结论 6. 仍然缺少的信息。 只使用我提供的实验结果。 不要补造统计显著性。 不确定的位置使用 [AUTHOR INPUT NEEDED] 标记。这一步的作用是先把“这段讨论到底要回答什么”固定下来。第二步根据契约生成初稿确认章节契约后再进入正文根据已经确认的章节契约起草 Discussion。 要求 1. 先概括主要发现 2. 解释结果可能说明什么 3. 讨论性能、成本和稳定性之间的关系 4. 说明不同数据集之间的差异 5. 如实写出方法局限性 6. 不要声称方法在所有场景中都最优 7. 需要引用的位置使用 [CITATION NEEDED] 标记。注意这里的关键词是“可能说明什么”而不是“证明了什么”。讨论部分尤其容易出现过度外推相关关系被写成因果关系单个数据集上的改进被写成普遍优势实验观察被写成理论结论。第三步最后再做语言润色请使用 nature-polishing 润色这份 Discussion。 保持技术含义、数据、引用编号和结论边界不变。 不要添加新的实验结果或参考文献。 先检查段落逻辑再处理英文表达。 统一术语、单位和数值精度。 输出润色稿并列出主要结构调整。论文英文写作不是生僻词比赛。真正重要的是研究问题尽早出现段落之间关系清楚证据与结论匹配非本领域读者也能读懂。论文写作先证据后表达六、第三套工作流把实验、统计和图表连接起来一张好看的图不等于一张经得起审稿的图。在生成科研图之前最好先建立一条从原始实验到最终结论的记录链数据集 ↓ 数据划分 ↓ 随机种子 ↓ 参数设置 ↓ 原始结果 ↓ 汇总统计 ↓ 图表 ↓ 论文结论让nature-figure画图时至少要说明横轴和纵轴分别代表什么每个点或柱子对应什么误差线是标准差、标准误还是置信区间数据来自多少次重复是否需要黑白打印需要导出哪些格式。例如请使用 nature-figure 生成预算—性能曲线。 数据文件results.csv 横轴平均特征获取成本 纵轴Macro-F1 分组不同算法 重复信息按 seed 汇总 误差线95% confidence interval 输出PDF、SVG和300 dpi PNG 请先检查字段、缺失值和分组结构。 如果数据不足以计算置信区间请列出问题不要自行补造。统计检查也不能只盯着p值。对于机器学习实验还需要问不同算法是否使用了相同的数据划分结果来自多少个随机种子多次划分是否被错误地当成完全独立样本均值是否掩盖了某些数据集上的失败多重比较是否需要校正统计显著是否真的具有实际意义。AI可以帮你发现这些问题但不能在没有原始数据的情况下重新计算一个看似精确的统计结果。七、第四套工作流投稿前模拟审稿投稿前审稿的价值不是让AI“猜编辑会不会接收”而是让它站到作者之外的位置系统检查论文。可以把审稿任务拆成三个不同角色审稿人A关注创新性、问题定义和方法贡献 审稿人B关注实验设计、统计和可复现性 审稿人C关注论文表达、广泛意义和结论边界调用模板请使用 nature-reviewer 评估这篇稿件。 请生成三份侧重点不同的匿名审稿报告 1. 方法创新与问题定义 2. 实验、统计与可复现性 3. 论文表达、广泛意义与结论边界。 每份报告都请区分 Major concerns 和 Minor concerns。 最后汇总最可能阻碍投稿的五个问题。 不要虚构审稿人身份。 不要把三份报告改写成同一份意见。拿到报告后不要立刻让AI写回复信。先建立一个问题清单审稿意见问题类型是否需要新实验所需证据预计修改位置当前状态需要补充对比方法Major是新实验结果Results/Figure待完成统计方法说明不足Major否分析方法与重复数Methods进行中图注不清晰Minor否图注重写Figure legend已完成这张表比一封漂亮的回复信更重要。因为它把审稿意见变成了可以执行、可以回查的任务。返修意见追踪表八、第五套工作流把返修变成“意见—行动—证据—位置”一封合格的Response to Reviewers至少要回答三个问题这条意见是否被完整回应声称完成的修改是否真的存在于论文中如果无法采纳建议理由是否清楚、诚实、有证据。可以这样调用nature-response请使用 nature-response 处理这封返修邮件。 请将编辑意见编号为 E.1、E.2 将Reviewer 1意见编号为 R1.1、R1.2 将Reviewer 2意见编号为 R2.1、R2.2。 为每条意见建立以下字段 1. 审稿意见 2. 问题性质 3. 拟采取行动 4. 需要补充的证据 5. 论文修改位置 6. 回复草稿 7. 当前完成状态。 没有真实完成的实验和修改不得写成已经完成。 请最后检查回复信、正文、图表和补充材料是否一致。返修时最危险的一句话是We have addressed this concern.如果正文、图表或补充材料里找不到对应修改这句话就会变成新的风险。AI可以帮你整理语言和结构但不能替作者声称做过没有做过的实验也不能替作者决定是否接受一个涉及研究设计的重大建议。九、一个更适合长期使用的完整科研工作流如果把前面的技能组合起来一套比较稳妥的流程是阶段一发现研究问题使用nature-literature-pipelinenature-academic-searchnature-readernature-paper-card产出主题词和同义词表候选文献集论文精读卡片已解决问题与未解决问题矩阵。阶段二设计研究方案使用nature-proposal-writer通用代码智能体或本地分析工具产出研究问题定义假设和目标方法路线实验验证契约风险与替代方案。算法、数学推导和实验设计不能完全交给写作Skill。你仍然需要提供变量、约束、假设、伪代码和已知反例让AI做一致性检查、反例分析和表达整理。阶段三记录实验与生成图表使用nature-experiment-lognature-statisticsnature-figurenature-data产出结构化实验日志统计检查清单投稿级图表数据和代码可用性声明。阶段四论文写作推荐顺序研究材料 → 论证结构 → 章节契约 → 章节初稿 → 引用匹配 → 参考文献核验 → 英文润色 → 数据与代码声明对应技能可以组合为nature-writingnature-citationnature-ref-verifiernature-polishingnature-data阶段五投稿与返修使用nature-reviewernature-statisticsnature-response产出投稿前问题清单统计和内部一致性检查逐点回复信Cover Letter标红稿或修改映射。关键不是一次安装多少技能而是让每个阶段的输出成为下一阶段的输入。十、使用Nature Skills时最容易踩的五个坑1. 把Skill当成万能提示词Skill能提供流程但不能替代研究判断。你仍然要提供真实数据、真实结果和真实研究背景。2. 只安装一个SKILL.md复杂技能往往依赖参考资料、脚本、模板和共享目录。缺文件时最容易出现“能触发、不能完成”的问题。3. 让AI自动补齐未知信息DOI、样本量、p值、伦理审批号、数据仓库编号、实验结果和审稿人身份都不能靠猜。更好的要求是如果信息不足请使用 [AUTHOR INPUT NEEDED] 标记 并在结尾列出待确认事项。4. 把AI生成的模拟结果当成真实结果AI可以生成代码和绘图模板但模拟数据只能用于测试流程不能进入论文结论。5. 忽视隐私、版权和合规上传未发表论文、未公开数据、患者信息、审稿意见或专利申请前材料前需要确认所使用模型和服务的数据处理政策。全文下载和翻译也应通过开放获取、机构订阅、作者公开版本或图书馆服务完成。十一、Nature Skills适合谁它尤其适合以下人群需要高频阅读论文的研究生正在撰写英文论文的研究人员需要准备组会汇报的课题组正在投稿或返修的作者希望把科研任务标准化的实验室已经在本地使用Codex处理论文、数据和文档的人。但它不应该被理解为自动发表论文工具自动创造科研创新的机器统计学家或领域专家的替代品论文真实性担保工具不需要人工检查的端到端论文生成器。结语真正的变化不是“AI替你写论文”Nature Skills最值得关注的地方不是它有多少个技能而是它把科研工作从一团模糊的聊天请求拆成了若干可以执行、检查和复用的任务。你可以把一次论文研究拆成发现问题 → 找到证据 → 读懂文献 → 设计方案 → 记录实验 → 生成图表 → 构建论证 → 写作与润色 → 模拟审稿 → 逐点返修这套方法的核心不是让AI替你承担科研责任而是让AI承担更多重复、结构化、可核验的工作。真正应该被自动化的是文献去重、格式整理、版本比对、图表生成、术语统一、意见编号和修改映射真正不能外包的是研究问题、数据真实性、数学正确性、结论边界和学术诚信。如果你准备开始使用建议不要一次安装全部技能。先从一条最刚需的链路开始nature-academic-search → nature-reader → nature-writing → nature-polishing如果你使用学术版Codex这条链路不需要先处理复杂的安装步骤登录后就可以直接开始。等检索、阅读、写作这条基础链路稳定后再加入图表、统计、预审和返修模块。这样做出来的才不是“会生成论文的聊天机器人”而是一套真正能服务科研工作的个人工作台。参考链接Nature Skills官方仓库GitHub - Yuan1z0825/nature-skills: 符合nature论文学术表达和科研绘图的Skill · GitHubNature Skills在线项目页https://yuan1z0825.github.io/学术版CodexSchoAISchoAI 思果学术AI - 专为老师和本硕博生打造的科研学术AI助手内置1000科研skillsnpx skills安装工具说明GitHub - vercel-labs/skills: The open agent skills tool - npx skills · GitHub说明本文为基于公开资料的重新组织与改写安装命令、技能名称和状态可能随官方仓库更新而变化。实际使用前请以官方仓库当前README和技能索引为准。 全网爆火的Nature Skills保姆级教程：让学术版Codex覆盖文献检索，论文写作，审稿与翻修的完整科研工作流
全网爆火的Nature Skills保姆级教程让学术版Codex覆盖文献检索论文写作审稿与翻修的完整科研工作流很多人第一次用Codex做科研通常会从一句话开始帮我查几篇相关文献。或者帮我把这段中文润色成英文。这些请求当然能得到结果但结果往往不够稳定。AI可能根据标题判断文献相关性可能把“相关”写成“证明”也可能在润色时悄悄扩大原文结论。到了审稿回复环节问题会更加明显它写出了一封语气得体的回复信却没有确认论文正文里是否真的完成了对应修改。科研并不是“把一段话写得更像论文”这么简单。它包含文献发现、全文阅读、研究设计、数据分析、图表制作、论证写作、投稿前检查、审稿意见回复等一连串任务。每个任务的输入、判断标准和风险都不一样。这正是Nature Skills值得关注的地方。它不是一个“一键生成Nature论文”的按钮也不能替作者创造创新、伪造实验或保证投稿成功。更准确地说它是一套围绕科研任务组织起来的 AI Skills让Codex知道某项工作应该如何开始、需要检查什么、哪些地方不能猜以及最后应该交付什么产物。如果你把普通提示词理解成“告诉AI做什么”那么一个完整的Skill更像是“把这件事的工作流程、质量标准和边界一起交给AI”。这篇文章不讲空泛概念直接从安装、调用和组合三个层面梳理一套可以落地的科研工作流。Nature Skills科研工作流总览一、Nature Skills究竟解决了什么问题过去使用大模型辅助科研最常见的方式是把所有任务都交给同一个聊天窗口查找相关论文总结一篇PDF写摘要和引言润色英文画实验图模拟审稿回复审稿意见。问题在于这些任务并不只是“文字生成”。查文献需要检索策略、来源和纳入标准论文阅读需要保留图表、公式和原文位置引用匹配需要确认文献真的支持当前论断统计审查需要知道样本量、重复数和检验方法返修回复则要建立“审稿意见—修改动作—证据—正文位置”的对应关系。一个泛化提示词很难稳定覆盖这些细节。它可能写得很流畅却没有真正完成核验。Nature Skills采用了另一种思路把科研流程拆成多个相对独立的技能模块。每个模块通常包含以下内容什么时候应该调用需要用户提供哪些材料任务应该分成哪些步骤哪些结论不能推测信息缺失时如何标记最后要输出什么文件输出完成后如何检查。所以Skill的重点不是让AI“更会写”而是让AI在科研任务中更有流程感也更容易被检查。二、先认识技能地图不要一上来全部安装官方仓库目前把不同科研环节拆成多个技能状态主要分为Stable、Beta和DraftStable已经过较多真实内容验证规则相对稳定Beta已有示例或部分场景验证但仍需要人工复核Draft核心流程已经建立真实场景验证还不充分。这个状态标签很重要。安装成功只代表文件被正确放进了技能目录并不代表它适合所有学科、所有数据和所有期刊。下面是最值得先掌握的一组技能。1. 文献发现与阅读nature-academic-search用于多来源文献检索、DOI核验、引用关系分析和参考文献整理。nature-downloader负责通过开放获取版本、机构图书馆、作者主页或合法登录状态寻找全文。它不是绕过付费墙的工具。nature-literature-pipeline可以把一次性检索变成持续运行的文献监测流程例如每周检索新论文、去重、评分、推送和归档。nature-reader适合把PDF整理成带标题层级、图表对应、公式和来源锚点的阅读材料。nature-paper-card则更适合对单篇论文做结构化精读梳理研究问题、方法逻辑、实验到结论的证据链以及作者没有证明的部分。2. 论证、写作与语言nature-proposal-writer强调先建立研究问题、证据和章节契约再进入正文写作。nature-writing适合根据研究材料起草摘要、引言、结果、讨论和方法等章节。nature-polishing负责已有文本的英文润色、翻译、段落重组、术语统一和表达压缩。这三个技能的分工可以简单理解为先用proposal-writer搭结构再用writing写内容最后用polishing处理语言。不要把“写作”和“润色”混成一个动作。没有研究材料和证据链时单纯要求AI“写得像Nature”很容易得到一篇看起来专业、但无法对应真实研究的文字。3. 图表、统计与数据声明nature-figure用于Python或R科研绘图包括图表结构、导出格式和投稿级检查。nature-statistics可以帮助检查样本量、重复、随机种子、p值、效应量、置信区间、多重比较和图注统计说明。nature-data用于准备Data Availability Statement和FAIR相关信息。这几个技能有一个共同前提你必须提供真实数据和真实实验记录。没有原始数据时AI可以帮你设计图表契约、统计检查清单或声明模板但不能把模拟数据伪装成实验结果。4. 预投稿审稿与返修nature-reviewer从审稿人视角检查原创性、科学意义、技术可靠性、证据充分性、统计问题、可复现性和结论边界。nature-response把编辑和审稿人的意见拆分编号建立逐点回复、修改位置、证据要求和Cover Letter。nature-ref-verifier则用于逐条核验参考文献的作者、标题、年份、卷期、页码和DOI。这一组技能最适合放在投稿前和返修阶段使用。它们的价值不是替你预测编辑决定而是帮你提前发现那些最可能被追问的问题。Nature Skills四个工作面三、安装前先记住一个原则保留完整目录Nature Skills本质上是一组围绕SKILL.md组织的技能包。一个技能目录里除了SKILL.md还可能有README.md README_EN.md SKILL.md manifest.yaml static/ references/ scripts/ assets/这些文件分别承担说明、路由、参考规则、脚本和模板等职责。因此不要只复制一个SKILL.md。有些技能会依赖references/、static/、脚本、图片资产或共享目录nature-shared/。缺少这些文件技能可能看起来已经安装但运行到具体步骤时才暴露问题。不太会安装Codex可以直接使用学术版Codex这里也要照顾到一类很现实的读者很多人知道自己需要科研AI却不太熟悉终端、Node.js、Git和本地技能目录。对他们来说真正的门槛可能不是不会用Nature Skills而是还没开始使用就先卡在了安装环节。如果你不想自己配置原生Codex可以直接使用学术版Codex学术版Codex已经内置Nature Skills不需要再手动下载、复制技能目录或配置依赖打开后即可开始使用文献检索、论文写作、审稿和返修等科研工作流。对于第一次接触Codex、主要目标是尽快把工具用起来的老师和本硕博生这是一条更省事的入口。两种方式的区别可以简单理解为学术版CodexSchoaiNature Skills已经内置适合希望开箱即用、少折腾配置的用户原生Codex 手动安装适合希望自己管理技能版本、目录和运行环境的用户。这并不是两套完全不同的工作方法。后面文章介绍的检索、阅读、写作、统计、模拟审稿和返修流程在学术版Codex中同样可以直接使用。区别主要在于前者把安装和环境配置提前处理好了后者则把更多控制权交给使用者。通过npx查看可安装技能官方仓库当前支持使用npx skills查看和安装技能。首先查看仓库里实际暴露的技能名npx skills add Yuan1z0825/nature-skills --list注意目录名不一定等于最终显示的frontmatter名称。安装时应以--list返回的名称为准。全局安装到Codex如果你希望在不同项目中都能使用可以执行npx skills add Yuan1z0825/nature-skills \ --global \ --agent codex \ --skill * \ --yes \ --copy如果只想安装一个技能也可以指定技能名npx skills add Yuan1z0825/nature-skills \ --agent codex \ --skill nature-figure \ --yes \ --copy对于依赖共享资料的技能记得同时选择nature-shared。安装完成后重新开启一个Codex会话再开始调用。使用仓库自带脚本同步如果你已经把仓库克隆到本地也可以使用官方脚本同步到Codex技能目录git clone https://github.com/Yuan1z0825/nature-skills.git cd nature-skills scripts/update-codex-skills.sh --pull scripts/update-codex-skills.sh --check其中--check用于检查本地安装内容是否与当前仓库一致。如果长期使用还可以考虑配置自动更新。但自动更新并不等于每次启动都强制联网。实际配置时要注意保留已有的Codex hooks并先确认本地仓库没有未提交改动。四、第一套工作流从“查几篇论文”升级为可核验的文献研究很多文献检索请求的问题不在于关键词太少而在于没有定义“什么算相关”。例如“请找主动学习和特征获取相关论文”这个请求过于宽泛。更好的请求应该把研究对象、时间范围、数据库、纳入标准和输出格式写清楚。可以直接使用下面的模板请使用 nature-academic-search 完成一次文献检索。 研究主题 研究对象 时间范围 优先数据库 纳入标准 排除标准 需要比较的变量 输出格式Markdown表格 RIS或BibTeX 请为每篇候选文献提供 1. 标题、作者、年份和DOI 2. 文献来源 3. 与研究问题的实际相关性 4. 文献真正支持的结论 5. 是否可以直接支撑我的论断 6. 需要人工确认的项目。 不要仅根据标题判断相关性不要猜测缺失的DOI和元数据。更稳妥的流程是建立检索式 ↓ 获取候选文献 ↓ 去重与筛选 ↓ 合法获取全文 ↓ 全文精读 ↓ 为具体论断匹配引用 ↓ 核验最终参考文献这里要特别区分三个动作nature-academic-search负责发现和组织文献nature-citation负责为具体论断寻找支撑nature-ref-verifier负责检查参考文献字段是否准确。如果你的论文里写了“某方法能够显著降低成本”不要只问AI“帮我找一篇支持这句话的论文”。应该先把论断拆开降低的是标注成本、计算成本还是特征获取成本适用于什么任务文献证明的是普遍规律还是某个数据集上的观察引用数量不是严谨性的替代品论断范围和证据范围一致才是。从关键词到可核验引用五、第二套工作流先建立论证再写论文论文写作最容易出现的误区是让AI从一个标题直接生成完整论文。正确的顺序应该是先把研究材料整理成一张“证据地图”研究问题是什么现有研究已经解决了什么还留下什么缺口本文提出了什么方法哪些实验结果支持哪些判断哪些结论目前不能推出。第一步让AI先生成章节契约以Discussion为例可以这样请求请使用 nature-writing 起草论文的 Discussion。 在写正文前先生成章节契约包括 1. 本节需要回答的科学问题 2. 三个最主要的实验发现 3. 每个发现对应的表格或图片 4. 可以得出的结论 5. 不能得出的结论 6. 仍然缺少的信息。 只使用我提供的实验结果。 不要补造统计显著性。 不确定的位置使用 [AUTHOR INPUT NEEDED] 标记。这一步的作用是先把“这段讨论到底要回答什么”固定下来。第二步根据契约生成初稿确认章节契约后再进入正文根据已经确认的章节契约起草 Discussion。 要求 1. 先概括主要发现 2. 解释结果可能说明什么 3. 讨论性能、成本和稳定性之间的关系 4. 说明不同数据集之间的差异 5. 如实写出方法局限性 6. 不要声称方法在所有场景中都最优 7. 需要引用的位置使用 [CITATION NEEDED] 标记。注意这里的关键词是“可能说明什么”而不是“证明了什么”。讨论部分尤其容易出现过度外推相关关系被写成因果关系单个数据集上的改进被写成普遍优势实验观察被写成理论结论。第三步最后再做语言润色请使用 nature-polishing 润色这份 Discussion。 保持技术含义、数据、引用编号和结论边界不变。 不要添加新的实验结果或参考文献。 先检查段落逻辑再处理英文表达。 统一术语、单位和数值精度。 输出润色稿并列出主要结构调整。论文英文写作不是生僻词比赛。真正重要的是研究问题尽早出现段落之间关系清楚证据与结论匹配非本领域读者也能读懂。论文写作先证据后表达六、第三套工作流把实验、统计和图表连接起来一张好看的图不等于一张经得起审稿的图。在生成科研图之前最好先建立一条从原始实验到最终结论的记录链数据集 ↓ 数据划分 ↓ 随机种子 ↓ 参数设置 ↓ 原始结果 ↓ 汇总统计 ↓ 图表 ↓ 论文结论让nature-figure画图时至少要说明横轴和纵轴分别代表什么每个点或柱子对应什么误差线是标准差、标准误还是置信区间数据来自多少次重复是否需要黑白打印需要导出哪些格式。例如请使用 nature-figure 生成预算—性能曲线。 数据文件results.csv 横轴平均特征获取成本 纵轴Macro-F1 分组不同算法 重复信息按 seed 汇总 误差线95% confidence interval 输出PDF、SVG和300 dpi PNG 请先检查字段、缺失值和分组结构。 如果数据不足以计算置信区间请列出问题不要自行补造。统计检查也不能只盯着p值。对于机器学习实验还需要问不同算法是否使用了相同的数据划分结果来自多少个随机种子多次划分是否被错误地当成完全独立样本均值是否掩盖了某些数据集上的失败多重比较是否需要校正统计显著是否真的具有实际意义。AI可以帮你发现这些问题但不能在没有原始数据的情况下重新计算一个看似精确的统计结果。七、第四套工作流投稿前模拟审稿投稿前审稿的价值不是让AI“猜编辑会不会接收”而是让它站到作者之外的位置系统检查论文。可以把审稿任务拆成三个不同角色审稿人A关注创新性、问题定义和方法贡献 审稿人B关注实验设计、统计和可复现性 审稿人C关注论文表达、广泛意义和结论边界调用模板请使用 nature-reviewer 评估这篇稿件。 请生成三份侧重点不同的匿名审稿报告 1. 方法创新与问题定义 2. 实验、统计与可复现性 3. 论文表达、广泛意义与结论边界。 每份报告都请区分 Major concerns 和 Minor concerns。 最后汇总最可能阻碍投稿的五个问题。 不要虚构审稿人身份。 不要把三份报告改写成同一份意见。拿到报告后不要立刻让AI写回复信。先建立一个问题清单审稿意见问题类型是否需要新实验所需证据预计修改位置当前状态需要补充对比方法Major是新实验结果Results/Figure待完成统计方法说明不足Major否分析方法与重复数Methods进行中图注不清晰Minor否图注重写Figure legend已完成这张表比一封漂亮的回复信更重要。因为它把审稿意见变成了可以执行、可以回查的任务。返修意见追踪表八、第五套工作流把返修变成“意见—行动—证据—位置”一封合格的Response to Reviewers至少要回答三个问题这条意见是否被完整回应声称完成的修改是否真的存在于论文中如果无法采纳建议理由是否清楚、诚实、有证据。可以这样调用nature-response请使用 nature-response 处理这封返修邮件。 请将编辑意见编号为 E.1、E.2 将Reviewer 1意见编号为 R1.1、R1.2 将Reviewer 2意见编号为 R2.1、R2.2。 为每条意见建立以下字段 1. 审稿意见 2. 问题性质 3. 拟采取行动 4. 需要补充的证据 5. 论文修改位置 6. 回复草稿 7. 当前完成状态。 没有真实完成的实验和修改不得写成已经完成。 请最后检查回复信、正文、图表和补充材料是否一致。返修时最危险的一句话是We have addressed this concern.如果正文、图表或补充材料里找不到对应修改这句话就会变成新的风险。AI可以帮你整理语言和结构但不能替作者声称做过没有做过的实验也不能替作者决定是否接受一个涉及研究设计的重大建议。九、一个更适合长期使用的完整科研工作流如果把前面的技能组合起来一套比较稳妥的流程是阶段一发现研究问题使用nature-literature-pipelinenature-academic-searchnature-readernature-paper-card产出主题词和同义词表候选文献集论文精读卡片已解决问题与未解决问题矩阵。阶段二设计研究方案使用nature-proposal-writer通用代码智能体或本地分析工具产出研究问题定义假设和目标方法路线实验验证契约风险与替代方案。算法、数学推导和实验设计不能完全交给写作Skill。你仍然需要提供变量、约束、假设、伪代码和已知反例让AI做一致性检查、反例分析和表达整理。阶段三记录实验与生成图表使用nature-experiment-lognature-statisticsnature-figurenature-data产出结构化实验日志统计检查清单投稿级图表数据和代码可用性声明。阶段四论文写作推荐顺序研究材料 → 论证结构 → 章节契约 → 章节初稿 → 引用匹配 → 参考文献核验 → 英文润色 → 数据与代码声明对应技能可以组合为nature-writingnature-citationnature-ref-verifiernature-polishingnature-data阶段五投稿与返修使用nature-reviewernature-statisticsnature-response产出投稿前问题清单统计和内部一致性检查逐点回复信Cover Letter标红稿或修改映射。关键不是一次安装多少技能而是让每个阶段的输出成为下一阶段的输入。十、使用Nature Skills时最容易踩的五个坑1. 把Skill当成万能提示词Skill能提供流程但不能替代研究判断。你仍然要提供真实数据、真实结果和真实研究背景。2. 只安装一个SKILL.md复杂技能往往依赖参考资料、脚本、模板和共享目录。缺文件时最容易出现“能触发、不能完成”的问题。3. 让AI自动补齐未知信息DOI、样本量、p值、伦理审批号、数据仓库编号、实验结果和审稿人身份都不能靠猜。更好的要求是如果信息不足请使用 [AUTHOR INPUT NEEDED] 标记 并在结尾列出待确认事项。4. 把AI生成的模拟结果当成真实结果AI可以生成代码和绘图模板但模拟数据只能用于测试流程不能进入论文结论。5. 忽视隐私、版权和合规上传未发表论文、未公开数据、患者信息、审稿意见或专利申请前材料前需要确认所使用模型和服务的数据处理政策。全文下载和翻译也应通过开放获取、机构订阅、作者公开版本或图书馆服务完成。十一、Nature Skills适合谁它尤其适合以下人群需要高频阅读论文的研究生正在撰写英文论文的研究人员需要准备组会汇报的课题组正在投稿或返修的作者希望把科研任务标准化的实验室已经在本地使用Codex处理论文、数据和文档的人。但它不应该被理解为自动发表论文工具自动创造科研创新的机器统计学家或领域专家的替代品论文真实性担保工具不需要人工检查的端到端论文生成器。结语真正的变化不是“AI替你写论文”Nature Skills最值得关注的地方不是它有多少个技能而是它把科研工作从一团模糊的聊天请求拆成了若干可以执行、检查和复用的任务。你可以把一次论文研究拆成发现问题 → 找到证据 → 读懂文献 → 设计方案 → 记录实验 → 生成图表 → 构建论证 → 写作与润色 → 模拟审稿 → 逐点返修这套方法的核心不是让AI替你承担科研责任而是让AI承担更多重复、结构化、可核验的工作。真正应该被自动化的是文献去重、格式整理、版本比对、图表生成、术语统一、意见编号和修改映射真正不能外包的是研究问题、数据真实性、数学正确性、结论边界和学术诚信。如果你准备开始使用建议不要一次安装全部技能。先从一条最刚需的链路开始nature-academic-search → nature-reader → nature-writing → nature-polishing如果你使用学术版Codex这条链路不需要先处理复杂的安装步骤登录后就可以直接开始。等检索、阅读、写作这条基础链路稳定后再加入图表、统计、预审和返修模块。这样做出来的才不是“会生成论文的聊天机器人”而是一套真正能服务科研工作的个人工作台。参考链接Nature Skills官方仓库GitHub - Yuan1z0825/nature-skills: 符合nature论文学术表达和科研绘图的Skill · GitHubNature Skills在线项目页https://yuan1z0825.github.io/学术版CodexSchoAISchoAI 思果学术AI - 专为老师和本硕博生打造的科研学术AI助手内置1000科研skillsnpx skills安装工具说明GitHub - vercel-labs/skills: The open agent skills tool - npx skills · GitHub说明本文为基于公开资料的重新组织与改写安装命令、技能名称和状态可能随官方仓库更新而变化。实际使用前请以官方仓库当前README和技能索引为准。