科研Skill笔记

科研 Skill 的本质与实战：借助 Codex 掌握 GitHub 热门科研技能库

科研 Skill 的本质是预先写好的专业操作说明、脚本与示例的文件夹，它让 Codex 学会执行重复、专业、步骤固定的科研动作，但绝不能替代研究者自身的学术判断。

课程定位与学习目标

课程模块关系

• 模块一：解决“让 Codex 进入一个科研规范的工作区”的问题，即建立文献、数据、代码、笔记四个基础工作区。
• 模块二（本讲）：解决“让 Codex 学会更专业的科研动作”的问题，即通过安装和调用 Skill，让 Codex 掌握文献检索、引用核查、统计分析、科研绘图等专业动作。

本节教学目标

学完本节课程后，学员应能够：

1. 用自己的话解释 Skill 是什么，及其本质。
2. 区分直接命令 AI 与调用 Skill 做专业任务的区别。
3. 会安装、查看、触发一个科研 Skill。
4. 快速读懂一份 Skill 的 Markdown 文件，至少能看懂名称、适用场景、依赖项、可执行操作与外部服务、示例提示词。
5. 理解科研 Skill 需要按需安装，而非看到热门项目就全部安装的原因。
6. 能从科研 Skill 库中为自己的专业挑选 1—2 个合适的 Skill。
7. 完成一次小型实操：调用 Skill 检索三篇本专业相关文献并生成摘要表。

课前准备要求

• 已完成模块一“四件套科研工作区”的建设。
• 已确定自己的专业方向或研究题目。
• 能正常打开并运行 Codex。
• 如果课程环境不方便安装命令行工具，可以先观看演示，课后自行安装。

核心要点：为什么需要 Skill

工作区与 Skill 的关系

工作区可理解为实验台，但实验台上还需要工具。Skill 就是让 Codex 学会专业动作的方式。本讲追求的不是把所有 Skill 都安装上，而是理解 Skill 的本质，学会安装、查看、触发、判断安全风险，并从中挑选 1—2 个真正用得上的 Skill。

课前问答与关键判断

问题一：为什么模块一要先讲工作区，而不是直接讲 Skill？

因为 Skill 的输出要落在项目文件夹工作区中。如果工作区混乱，会导致结果也混乱。如果文献、笔记、数据都散落在桌面上，Codex 无法获得当前任务需要的资料，可能产生信息漏检或误检。

问题二：Skill 能否直接替你完成论文？

不能。Skill 只能把某类专业流程写清楚，不能替代研究的判断。核心结论、数据结果必须由研究者自己负责。

问题三：为什么不要求大家装全部 Skill？

因为全装会增加干扰和安全风险。许多 Skill 当前用不上。应根据自己的任务和需求，寻找最适合自己的 3—5 个 Skill。

详细解析：Skill 的本质

Skill 的精确定义

Skill 是一个预先写好的专业操作说明 + 脚本 + 示例的文件夹。

其中几个关键词的含义如下：

• 预先写好的：不是每次临时教 AI 怎么做，而是有人已经把某类任务的标准做法整理好了。
• 专业操作说明：不只是笼统地说“请认真一点”，而是告诉 AI 遇到这个任务应查哪些资料、用哪些工具、按什么步骤做、最后输出什么格式的文件。
• 包含脚本和示例：不只是文字说明，还可能包含可执行的代码模板、文件案例、输入输出样例。

Skill 文件夹的典型结构

一个典型的 Skill 文件夹通常包含以下五个部分：

Skill 的工作机制

Skill 的作用不是让 AI 获得无限知识，而是把某个任务的上下文提前整理好。

• 没有 Skill 时：需要在提示词中写很多步骤，如“请先检索数据库，再筛选标签摘要，再生成表格，再标出 DOI，再提醒我核查”。
• 有 Skill 之后：这些步骤被固定在 Skill.md 文件中。Codex 每次遇到类似任务时，只需通过阅读该文件，即可更快、更系统地获得完整任务要求。

这类似于实验室的 SOP——不一定能保证实验一定成功，但可以减少 AI 的随意发挥，降低漏步骤的风险。

Skill 的适用边界

适合使用 Skill 的任务特征：重复的、专业的、步骤比较固定的任务。 不适合使用 Skill 的任务特征：价值判断、理论创新、核心结论等。

判断标准不是任务难不难，而是看它是否有清楚的步骤、是否可以检查。如果结果没法检查，或涉及核心学术判断，就不能直接把最终答案交给 Skill。

课堂任务适用性判断示例

方法与步骤：Skill 的安装、查看与触发

安装 Skill

课程重点介绍的是 Nature Skill 这个 Skill 库。两种常见安装方式：

1. 直接安装整个库：在终端输入代码，由其自动完成安装。
2. 只安装其中某一个 Skill：在代码中列出具体要安装的 Skill 名称，如 paper-lookup（查询文献）。

此外还有第三种最简单的方法，也是课程最推荐的方法：

• 直接将该 Skill 在 GitHub 中的链接发给 Codex，命令它帮你安装这个 Skill 在当前文件夹中。

推荐第三种方式的原因：上述两种方式经常会遇到依赖缺失导致无法安装，或安装到了其他文件夹，导致当前文件夹看不到、调用不了该 Skill。

如何查看 Skill

推荐使用 Skill 网站来查看：该网站是开源的，会更新目前发布的所有 Skill 及其热度排序，可以看到全部趋势、24 小时趋势以及当前热门趋势。

例如总榜中下载量、安装量最多的是一个 Fight Skill 库，其核心功能是帮你找到适合你的 Skill。比如你想搭建前端可视化页面网站，安装 Fight Skill 库后，它就能帮你找出适合该任务的 Skill。

Codex 版本更新说明

演示时提到 Codex 刚做了一次更新，从 5.5 升级到了 5.6，并且将 GPT 和 Codex 做了合并。目前 Codex 的名字变成了 ChatGPT Work（或类似名称），GPT 和 Codex 不再作为两个单独的项目存在。5.6 分为了强、中、弱三个不同版本，5.5 版本仍可使用。

安装演示过程要点

在 Codex 对话框中通过 Shift+4 打出金钱符号（$），即可看到当前文件夹可以检测到的所有 Skill。点击刚安装的 Skill 即可调用。双击还可以看到它的 Markdown 文件。

使用方式：直接输入“使用这个 Skill 来完成什么什么任务”即可。

安装时的安全注意

Skill 的安装命令本身不需要包含密码、Token 或 API Key。涉及隐私的部分在 Skill 中无需提供。如果需要你提供这些信息，需要谨慎考虑是否安装该 Skill。

查看 Skill 的关键检查项

安装前后都可以查看 Skill。安装前打开其 GitHub 仓库看 Skill.md；安装后在本机 Skill 目录中找到对应文件夹再读。

查看时应重点确认以下内容：

1. Skill 叫什么名字？
2. 它适合什么任务？不适合什么任务？
3. 它会不会安装 Python 包或其他依赖？（需注意：一个 Skill 本体不大，但可能关联大量环境安装包，安装后会变得非常庞大）
4. 它会不会联网查询或搜索？
5. 它会不会调用外部数据库或 API？
6. 它会不会读写本地文件？（这是较敏感的操作，需重点关注）
7. 它要求输出什么样的格式？是否满足任务需求？

跳过阅读 Markdown 文件直接上手使用，就像在实验室里拿到陌生试剂盒却不看说明书，在科研场景中是非常危险的。

触发 Skill 的两种方式

1. 自动触发：提出任务后，Codex 根据任务内容自行判断该用哪个 Skill。
2. 手动触发：在提示词中明确写出 Skill 的名称。

课程建议使用手动触发，如：“请使用 paper-lookup 这个 Skill”，这样过程更清楚，也方便检查 AI 是否按预期工作。等熟悉后再让它自动选择。Skill 一旦多了，AI 可能会在两个 Skill 之间犹豫不决；如果你能直接指定，输出内容可能更符合要求。

安装、查看、触发的区分

• 安装 Skill：把 Skill 放到本机电脑中的某一个文件夹中。
• 触发 Skill：在任务中让 Codex 使用它。

二者不是一回事。

详细解析：快速读懂 Skill 的 Markdown 文件

四步读法

1. 看名称和适用场景：名称通常告诉你它的能力边界。如 paper-lookup 重点是查论文，literature-review 重点是做文献综述结构，citation-management 是引用管理。还有化学、生物等专业领域的 Skill。名称越专业，越需要确认自己是否真的需要。

1. 看依赖和外部服务：依赖指它可能需要的工具包、命令行工具、数据库 API 账号等。要特别注意：如果 Skill 需要外部服务，要知道数据会不会发出去。检索公开文献通常问题不大；但如果把未公开实验数据、原文访问、患者数据、商业数据发送到外部服务，必须先确认该 Skill 的合规性和安全性。

1. 看操作步骤：好的 Skill.md 会告诉 Codex 按什么步骤做，如先检索、再筛选、再提取字段、再输出表格、再提醒校验。要判断这些步骤是否符合科研逻辑。如果一个文献检索 Skill 只说“搜索并总结”，但不要求返回来源、DOI、检索数据库，就不可靠。

1. 看示例输出：要看它是否结构化、有没有来源、有没有字段、有没有提示局限。对课堂任务来说，文献摘要表至少应包含：题名、作者、年份、数据库、研究方法问题、发现以及链接或 DOI。

科研文献检索的基本要求

科研文献检索的基本要求是可追溯——必须知道它来自哪个数据库、搜了哪些词、搜到了什么、为什么选择这几篇。科研的检索不是只要结果，更要过程可追溯，这样才有利于人工复核，检验 AI 是否在编造文献。

课堂判断示例

读 Skill 前必须先问的八个问题

1. 这个 Skill 适合什么任务和不适合什么任务？
2. 是否要安装依赖？
3. 是否要联网？
4. 是否要 API？
5. 是否可读写本机文件？
6. 是否包含来源链接？
7. Star 数是否越高越安全？（不能完全依赖）
8. 当打开 Skill.md 发现它会安装依赖、联网访问外部 API 且要求提供 Token 时：先不要急于安装，要确认它访问了什么服务、为什么需要 Token、Token 如何配置、是否会上传本机数据。看不懂就先不用它，或请教老师、同学、专业技术人员。

关于 Star 数的重要判断

Star 可以作为价值参考，但不能替代审查。一个项目很热门只说明很多人关注它，但不等于每个 Skill 都适合你，也不等于它永远不会出错。科研工作不能把“大家都在用”当作唯一的证据。

重点专题：Nature Skill 库精讲与选型

Nature Skill 库概览

截至 2026 年 7 月，Nature Skill 库已扩展到 148 个科研技能，全面覆盖学术科研全部流程。它兼容 Cursor、Claude、Codex 等 AI 主流编程助手。GitHub Star 数约 3 万（实时变化，以打开界面时为准）。

在 GitHub 页面中的 skills 文件夹中可以找到所有 Skill，涵盖领域包括：PPT 相关、PDF 相关、网络相关、模型相关，以及各科研专业的高专业性 Skill 和通用的方法论类 Skill。

为什么 Nature Skill 适合作为课堂案例

不单纯因为它热门，而是因为它把很多科研场景拆解成了 Skill，可以理解为一个开源的科研工具箱。包括：文献检索、文献综述、引用管理、科学写作审查、统计分析、实验设计、科研绘图、文档生成，以及化学、生物医学、材料、地理空间、人工智能等专业工具。

注意：使用 Skill 不意味着可以跳过原文阅读。核心结论和核心方法仍需人工重点关注，Skill 无法提供最精准、最全面的概括。

Nature Skill 库的组成

Github 仓库中 skills 文件夹存放所有 Skill，README 文件是对整个库的介绍，其中包含了 148 个 Skill、涉及的领域范围、100 多个数据库、70 多个专业 Python 包，以及安装说明。每个细分的 Skill 都有自己的 Markdown 文件，包含使用说明、如何安装、涉及任务、依赖项、输出格式等。

安全声明的重要性

README 中有专门的安全声明部分。很多 Skill 涉及执行代码、安装包、联网连接、读写本地文件，甚至要求提供 API Token，这些数据比较敏感。安全声明提示不要将敏感数据随意交给外部服务，以防信息泄露。

Skill 选择的三条标准

1. 跟我的任务有关。
2. 我能看懂它大概会做什么。
3. 它的风险和依赖在我能接受的范围内。

三条标准缺一不可：只跟任务有关但完全看不懂的不装；看起来很安全但跟任务没关系的不装；功能很强但需要外部服务、密钥、API 复杂环境而目前只是课堂练习的，也可以先不装。

推荐的安装优先级

1. 优先：全专业通用型 Skill。
2. 第二：与本专业直接相关的领域型 Skill。
3. 第三优先：暂时只收藏不安装，等真正需要该任务时再安装。

通用型 Skill 与领域型 Skill 示例

通用型 Skill（多专业可用） ：

领域型 Skill（针对具体细分专业） ：

包括市场调研、生物学、医学、地理、材料等专业领域的 Skill。

选型匹配示例

方法与步骤：Paper Lookup 完整操作流程

六步操作流程

第一步：打开项目页面

打开 Nature Skill 库主页，确认标题和 README，先做笼统阅读。

第二步：定位 Skill 文件夹

找到 paper-lookup Skill 文件夹，或直接搜索该文件。打开其中的 Markdown 文件，确认名称、适用场景、依赖、示例、输出格式。

第三步：安装 Skill

两种方式任选其一：

• 在终端使用安装指令，指定安装 paper-lookup。
• 直接将该 Skill 的主页面链接发给 Codex，通过提示词指令安装。

第四步：触发 Skill 并完成任务

使用一段完整提示词，格式参考如下：

请使用 paper-lookup 这个 Skill，围绕“（你的课题）”进行文献检索，输出一个摘要表，字段包括：（题名、作者、年份、数据库、研究方法问题、发现、链接/DOI）。要求：近五年内、找三篇最新文献、没有 DOI 必须给出可核验的链接、最后列出使用的关键词和数据库、将检索结果保存在“文献检索”工作区中。

写提示词的五个关键点

1. 明确指定使用哪个 Skill：否则 Codex 可能使用其他 Skill，效率无法保证。
2. 限定主题和时间范围：如“近五年内”，避免出现老旧文献，无参考价值。
3. 规定输出字段：不规定的话，AI 会按自己的想法输出，可能不是最需要的关键字段。
4. 明确要求不编造文献，必须给出 DOI 或链接：AI 偶尔会虚构假文献，或文献部分内容真实但部分错误（如题目对但作者错、或期刊名/时间不准确），需要人工后期核查。
5. 要求保存到工具区：把检索结果保存到文献工具区，后续科研工作可直接从中读取利用。

第五步：检查输出并核验

不要看到表格或列表就结束。科研使用 AI 最关键的一步就是核验。至少要抽查一篇文献，复制其 DOI 或标题到数据库或浏览器中查证，确认是否真实存在、题名和作者是否一致。只有能查到，才能继续进入后续文献阅读。

第六步：记录 AI 使用过程

最后输入提示词，把整个使用记录写入“笔记”工作区中专门的“AI 使用日志”Markdown 文件中。这让 AI 实时记录自己的工作，让工作留痕。后续写论文、课程报告、毕业论文时，如果学校要求说明 AI 使用情况，这个记录能帮助说清楚“AI 做了什么、我怎么核验的、哪些判断由我负责”。

限制与待确认问题

• 安装 Skill 的终端命令方式可能遇到依赖缺失或安装路径错误的问题，推荐直接使用链接方式由 Codex 安装。
• AI 在检索文献输出结果时，偶尔会触发虚构假文献的行为，或文献部分字段错误，必须人工核验。
• 一个项目很热门（Star 数高）不等于可靠或适合自己，仍需逐项审查。
• 使用 Skill 不能替代原文阅读；核心结论和核心方法必须人工关注。
• 如果 Skill 要求提供 Token、访问外部服务且无法理解其用途，应暂停使用并寻求帮助。

行动清单

1. 确认已完成模块一：建立文献、数据、代码、笔记四个工作区。
2. 在 GitHub 或 Skill 网站上浏览 Nature Skill 库，查看 148 个 Skill 的整体情况。
3. 根据“三标准”（任务相关、能看懂、风险可接受）选择 1—2 个适合自己的 Skill（建议从通用型开始）。
4. 优先采用“把 GitHub 链接发给 Codex”的方式安装所选 Skill。
5. 安装后阅读其 Markdown 文件，确认名称、适用场景、依赖、输出格式、安全风险。
6. 在提示词中手动指定 Skill 名称，完成检索三篇本专业相关文献并生成摘要表的任务。
7. 写提示词时注意五要点：指定 Skill、限定主题和时间、规定输出字段、要求 DOI 或链接、保存到工作区。
8. 对输出结果做至少一篇的抽查核验（复制 DOI 或标题查证）。
9. 将 AI 使用过程记录到笔记工作区的“AI 使用日志”Markdown 文件中。
10. 后续遇到陌生 Skill 时，用“四步读法”（看名称→看依赖→看步骤→看示例输出）和“八问清单”进行判断。

总结

本讲的核心在于让学员掌握科研 Skill 的本质与使用逻辑。Skill 是一个预先写好的专业操作说明、脚本和示例的文件夹，它将科研专业流程固化为 AI 可执行的说明书，减少了 AI 随意发挥和漏步骤的风险。科研 Skill 适合重复的、专业的、步骤固定的任务，但涉及价值判断、理论创新和核心结论的任务不能依赖 Skill。

安装、查看、触发是三个需要区分的动作。安装是将 Skill 放到 Codex 能找到的位置，查看是先读说明书，触发是在任务中让 Codex 使用它。初学者建议在提示词中手动指定 Skill 名称，使过程更清楚、可检查。安全方面，要重点检查 Skill 是否安装依赖、是否联网、是否调用外部 API、是否读写本地文件；安装命令不需要 Token 和隐私信息。

Nature Skill 库是当前覆盖范围较广的开源科研工具箱，拥有 148 个科研技能和约 3 万 Star，覆盖全部科研流程与多个专业领域。选择 Skill 时用三个标准判断：与任务有关、能看懂、风险可接受。优先安装通用型，再考虑领域型，暂时用不上的先收藏不安装。

实操层面，以 paper-lookup 为例的六步流程（打开项目页面→查看 Skill.md→安装→触发→核验→记录）可以迁移到任何其他 Skill。最关键的教训是：科研使用 AI 时，核验步骤不能省略——只有可追溯的结果才能用于科研记录。