科研技能（Skill）工具库的使用方法——课程详细笔记
本课程围绕科研场景中 AI Skill（技能包）的认识、安装、选择与调用，展开详细操作演示，核心目标是帮助学习者理解
nature skill这个工具库的使用全流程，并在此基础上建立"按需选装、先审后用、人工核验"的科研 AI 工具使用原则。
课程概览与核心结构
本节课程是系列课程的一个组成部分，以在线演示为主要形式，围绕以下几个核心模块展开：
- 在线演示：完整展示从访问 Skill 网站、浏览 Skill 信息、安装 Skill、调用 Skill 到获取结果的整个流程。
- 两大 Skill 库介绍：重点讲解开源社区点击量最高的
nature skill库及国内作者维护的中文库。 - 专业领域案例讲解：针对化学材料、新闻传播社会学、视觉传达设计、生物医学四个方向，演示如何选用领域型 Skill 并完成任务。
- 课堂小问答与课程总结：通过题目巩固知识点，为下节课该系列课程"文献矩阵与综述框架"作铺垫。
一、核心概念：什么是 Skill（技能包）
1.1 Skill 的定义与组成
Skill（技能包）是指安装在 AI 工具（如 Codex）中的一组结构化指令文件，它告诉 AI 如何完成一个特定的任务类型。一个 Skill 通常包括：
- Skill Markdown 文件（主文件） ：包含技能的名称、描述、版本信息、核心工作流程、涉及的数据库、API 信息、格式要求、输出格式要求等。
- 其他辅助文件：包括说明文档、示例、脚本等辅助资源。
为什么重要：Skill 的本质是将某类任务的专家经验和操作流程封装成 AI 可直接执行的指令，使 AI 不再是泛泛地对话，而是按照既定的专业流程来处理任务。
1.2 如何审阅一个 Skill
在安装之前，必须阅读 Skill 的 Markdown 文件以确认其是否符合需求。以课程演示中的 paper lookup 为例，在网页中点击进入该 Skill 后可以看到以下信息：
- 技能名称：paper lookup
- 描述：可以调用十个学术文献的应用程序接口（API）来检索论文
- 适用场景：查询论文
- 版本介绍：版本信息及简单介绍
- 核心工作流程：该 Skill 如何工作
- 涉及的数据库：会从哪些数据库中进行检索
- 格式要求：输入和输出的格式要求
- API 信息：AI 会通过这些 API 获取论文
- 输出格式要求：最终输出结果的格式
操作建议：将 Skill 的 Markdown 文件做一个简单阅读浏览，确认其功能是否是自己需要的，再决定是否要安装。此步骤不可省略。
二、完整操作演示：安装与调用 paper lookup Skill
2.1 第一步：访问 Skill 库并确认需求
- 进入 Skill 库网站链接。
- 可以在文件夹中进行查询，也可以使用搜索功能直接搜索。
- 以搜索
look为例，可以找到skill paper lookup。 - 点击进入，阅读其 Markdown 文件，可翻译成中文进行确认。
2.2 第二步：在 Codex 中安装 Skill
- 打开 Codex 工具，关闭之前的记录。
- 新建一个任务，选择自己工作区。
- 在课程示例中，选择的是"科研教学工作区"。
- 将 Skill 的获取链接复制并粘贴到 Codex 中，由 AI 自动调用已安装的插件来安装该 Skill。
关键建议：安装 Skill 时，推荐将它安装到第一节课中建立的工作区文件夹中。这样做的原因是：这样在这个文件夹中所有的工作 AI 都可以在这个文件夹中进行检索和调用可用内容，有助于后续更好地做科研。
安装完成后，Skill 会出现在工作区的 Skill 文件夹中。
2.3 第三步：通过提示词调用 Skill
调用 Skill 需要用特殊的引用格式，具体操作方法：
- 使用 Shift + 数字键4（即输入
#符号），AI 会自动列出所有可用的 Skill 列表。 - 在弹出的列表中找到需要的 Skill（如 paper lookup），点击即可完成引用。
- 也可手动输入
#后直接输入 Skill 名称。
模型选择建议：由于文献检索任务要求较高，建议使用较强一点的模型（如课程中的 5.5 高版本）。权限设置方面，课程中设置为完全控制权限，用户可根据自身需求进行选择。
2.4 第四步：发送指令并等待结果
发送指令后，AI 会通过 Skill 进行文献检索工作。它会围绕课题检索最相关的论文，并输出结果。
注意：使用 Codex 时可能会遇到"正在连接中"反复出现的情况，一般连接五次之后才会正式工作。这是 Codex 内部逻辑的问题，属于网上常见问题，可以通过查找网上相关帖子找到解决办法，以避免浪费时间。
2.5 第五步：结果的保存与人工核验
运行完成后，结果会被保存到两个地方。直接在 Codex 中点击打开，即可看到生成的结果。以课程示例为例，生成的内容包括：
- 课题近五年的文献摘要
- 按格式要求生成的表格（包含论文题目、作者、年份、数据来源、核心思路、结论、链接）
人工核验（非常重要） ：需要对链接进行抽查验证，确认文献是否真实存在。具体操作包括：
- 点击链接，核对关键信息（如作者名、标题）是否与输出结果一致。
- 查看摘要，核对一些关键数据是否准确。
- 这种人工核对不需要每天都做，而是时不时做一些抽查，以检验 AI 提供的信息是真实的而非编造的。
三、两大 Skill 库介绍
3.1 nature skill 库（国际版）
- 这是课程重点介绍的 Skill 库，包含大量各种类型的 Skill。
- 涵盖文献检索、科研绘图、学术写作、文献引用等通用型技能。
- 通过网页访问，可以浏览和搜索各类 Skill。
3.2 nature skill 国内版
这是一个由国人建立并持续维护的 Skill 库，其特点如下：
- 语言：README 文件为中文，方便中文用户阅读。
- 规模：目前包含 17 个核心技能，包括科研绘图、学术论文、文献引用等通用型 Skill。
- 使用率：在 GitHub 上拥有 27.8K 的星标数（Star），使用率非常高。
- 特点：虽然数量上远少于国际版，但以通用性 Skill 为主，适用于各个专业。每个 Skill 不仅有 Markdown 文件，还有额外的说明文件，对用户非常友好。
建议：两个 Skill 库可以配合使用，国际版覆盖更广、国内版更便于阅读和理解。
四、专业领域案例讲解
课程专门设计了四个专业场景，详细说明不同专业如何进一步使用这些 Skill。核心提醒是：越专业的 Skill 越要确认依赖和数据来源。
4.1 案例一：化学/材料专业——分子性质预测与晶体结构查询
- 场景：分子性质的预测或者晶体结构的查询。
- 推荐通用型 Skill：文献检索、科研写作、可视化、科研写作。
- 推荐的领域型 Skill（4个）：
- 分子结构处理类
- 性质预测/虚拟筛选类
- 晶体结构分析类
- 材料结构处理类
重要警告：
"化学、药学、材料学方向的同学很容易被领域性的 Skill 吸引，因为这些 Skill 看起来非常强。但越专业的 Skill 越要确认依赖和数据来源。"
具体需要确认的问题：
- 第一个 Skill 可以帮你做分子结构处理，但你需要知道输入是什么格式的（是否支持某些特定结构文件）。
- 材料结构处理类 Skill 可以帮你处理材料结构，但你需要知道晶体结构数据是从哪里来的。
课堂任务：先使用 paper lookup 查询三篇分子性质预测或相关专业综述文章；课后再考虑安装专业领域性 Skill，做小任务来检验这些 Skill 的可靠程度。课程右侧提供了对应的提示词供学生复制使用。
4.2 案例二：新闻传播/社会学——短视频与青少年注意力研究
- 场景：短视频与青少年的注意力研究。
- 推荐 Skill：文献检索类、综述写作类、引用管理类、科研写作类。
- 领域型 Skill：暂时不需要，除非涉及大规模文本分析或社交媒体数据分析。
原因分析：此类任务最常用的反而是通用型 Skill——查论文、检索统计论文、总结论文。因此推荐第一步不是做复杂的模型，而是先搞清楚已有研究，具体包括：
- 已有研究如何定义"短视频使用"？
- 如何测量"注意力"？
- 样本是什么？
- 有没有纵向研究？
提示词使用说明：与案例一的提示词有所区别，需要使用英文课题来描述（因为大部分学术论文是英文格式），同时大家应根据具体任务和想要输出的结果，对提示词做定制化改造。
价值说明：这类任务"平时自己做难度不高，但工程量重复劳作非常大，非常辛苦，需要花费很多时间"，通过安装 Skill 可以十分轻松地完成。
4.3 案例三：视觉传达设计学——问卷数据转信息图
- 场景：把问卷数据转成一个信息图。
- 推荐 Skill：前述通用型几个 Skill，外加专门画图的 Skill、做 PPT 的 Skill。
- 领域型 Skill：根据任务选择，通常不需要复杂的科学计算类 Skill。
特别提醒（设计学方向的重要警告）：
"好看不等于科研表达正确。"
具体说：问卷数据做成信息图时，Skill 可以帮助生成图表、建议配色方案、板式草图，但数据比例、样本量、统计口径是不能错的。
正确工作流：
- 先使用 paper lookup 查同类研究，了解同类研究如何呈现数据。
- 再使用可视化或画图的 Skill，把自己的数据转成图。
- 而不是让 AI 凭空生成一组看起来很漂亮的数据。
重要演示过程：课程演示了使用可视化 Skill 生成信息图的完整流程。由于提示词中要求提供一份问卷统计表，但操作者未能提供该表文件，AI 正确反馈"你没有上传你的表格文件"，且没有虚造一个统计表。这一演示恰恰证明了 Skill 的正确使用必须基于真实数据。
提醒：生成图表时，必须提供一个真实的表格，然后再基于这个表格进行优化、图表生成、总结和说明。所有输出必须基于真实数据完成。
4.4 案例四：生物与医学领域——单细胞/转录组论文入门检索
- 场景：单细胞或转录组论文的入门检索。
- 推荐 Skill：前述通用型 Skill，加上若干专业性较强的 Skill。
- 风险提示：生物医学的专业性 Skill 非常多且很强，但风险也很高，因为：
- 常常涉及真实的患者相关信息
- 数据库的查询
- 复杂的分析流程
数据合规分类（非常重要） ：
如果后续使用专业性的 Skill，一定要先分清楚示例数据、公开数据、自己的未公开的个人数据这三类数据的合规要求是不同的，不要把敏感的数据随便发到外部服务。
课堂任务只做文献检索，不直接处理敏感数据。课程演示结果显示 AI 严格按照提示词返回了三篇文献的摘要表（包括检索词、每个文献的数据库、方法等信息），论文真实性经抽查核实无误。
五、课堂练习题目与参考答案
5.1 简单思考题
（课程中给出的简单思考题，用于回顾本节知识点，答案比较简单，学生可在课后自行回顾）
5.2 单选题
第一题：下面哪个说法最准确？（四个选项略）
- 答案：B
第二题：如果要检索三篇关于生成式 AI 与大学生学习的文献，优先使用哪个 Skill？（注：题干中"大学生"可能有笔误，应为大模型学习）
- 答案：A（因为检索文献应使用文献检索类 Skill，即 A 选项对应的 Skill）
第三题：安装前发现某个 Skill 需要 API Key，正确做法是什么？
- 答案：C（要先确认它的用途是否有安全保证）
第四题：下面哪种输出最适合进入文献管理流程？
- 答案：B（必须包括论文题目、作者、年份和 DOI 号，这样可以更好地进行回顾、复习和后续科学管理）
5.3 判断题
（课程包含六道判断题，课上供学生思考判断，参考答案由老师在课堂上公布，请以课程实际公布答案为准。）
六、课程总结与核心原则
6.1 本节课核心内容回顾
本课围绕科研 Skill，重点研究了 nature skill 这一 Skill 库，做了完整的认识、选择、安装与调用流程展开。学生应理解：
- Skill Markdown 文件及其中的其他文件的具体作用。
- Markdown 文件可以帮助 Codex 更稳定地完成任务。
6.2 本节课的基本原则
按需选装，先审后用，人工核验。
具体说明：
- 按需选装：根据实际需求选择 Skill，而不是盲目安装尽可能多的 Skill。
- 先审后用：安装前审查 Skill 的用途、数据来源、API 权限等，特别是在涉及到外部链接、提供 token 信息、API 信息的时候更要谨慎。
- 人工核验：文献检索之后，要结合自己的研究问题，完成一次人工核验，确认：文献是否真实？文献是否与自己的方向高度相关？
6.3 使用通用 Skill 后找领域 Skill 的提示词方法
如果使用完通用 Skill 后，还想选用领域型 Skill，可以使用以下思路的提示词：
- 说明自己的专业方向。
- 说明题目是什么。
- 请 AI 通过 nature skill 库中的各类 Skill，帮助找一个适合的通用 Skill 和一个领域性 Skill。
这样可以由 AI 帮助筛选 Skill，省去自己逐个人工翻找 Skill 库文件的时间，提高效率。
6.4 文献检索失败的三处检查点（重要）
如果发现检索不到文献，不要怀疑 Skill 损坏，可依次检查：
- 关键词是否太窄——如果关键词太窄，可能检索不到与关键词相关度高、相近的论文。
- 时间范围是否太短——如果只检索今年最新的论文，可能因时间范围太短而检索不到足够内容。
- 专业词是否需要英文表达——比如检索"短视频与青少年注意力"，可以试图改为英文并提供英文关键词。因为大部分学术论文是英文格式，如果使用中文检索，需要 AI 进行中文到英文的转换，此过程可能导致专业词汇转换错误。
6.5 下节课预告
下节课将重点以本节课检索到的文献为基础，学习以下内容：
- 文献矩阵和文献综述框架的共建方法。
- 重点包括从文献中提炼研究问题、研究方法、核心结论和研究局限。
- 将 AI 整理的这些相关文献进一步提炼，整理成一个结构化的摘要表。
- 为后续论文写作提供支撑，在综述逻辑和研究切入上提供基础，为初稿撰写打基础。