目录

一、 综合科研与全流程管理

二、 AI 实验与代码工程

三、 论文撰写、结构梳理与分析

四、 学术绘图与可视化

使用建议

---

各个领域的 Skills（即专为 Claude Code、Codex、Cursor 等 AI Agent 设计的模块化工具包与提示词/工作流扩展组件）正在迅速流行。这些 Skills 能直接为 AI 赋予结构化的科研逻辑、工具调用能力与自动化工作流。本文整理了涵盖全流程管理、实验代码工程、文献润色、图表生成等维度的一部分高质量科研 Skills 推荐：

一、 综合科研与全流程管理

1. Academic Research Skills (ARS)

   • 特点与定位：目前 GitHub 上最火爆的科研全流程工具包之一，星标超 40k+。涵盖文献检索（Deep Research）、逻辑框架构建、写稿、同行评审（Reviewer）到反驳信（Response）的端到端闭环。

   • 核心优势：注重逻辑严密性与 Socratic（苏格拉底式）对话引导，避免 AI 产生空洞或幻觉内容。

   • GitHub 链接：Imbad0202/academic-research-skills

2. Nature Skills Suite

   • 特点与定位：主打顶刊级（Nature/Science 风格）的写作与排版规范。包含论文精读、学术润色、顶级配色绘图、投稿与返修助手等 10+ 细分 Skill 组合。

   • 适用场景：对论文语言质量、图表审美、表达逻辑有极高顶会/顶刊要求的科研人员。

   • GitHub 链接：Yuan1z0825/nature-skills

3. Scientific Agent Skills

   • 特点与定位：由 K-Dense 团队维护的庞大科学技能库（包含 70+ 个 Skills）。不仅限于文字处理，还能直接调用数据库、跑数据科学计算、时间序列分析及跨学科计算。

   • GitHub 链接：K-Dense-AI/claude-scientific-skills (或 DenDen047 维护分支)

二、 AI 实验与代码工程

1. AI Research Skills (Orchestra Research)

   • 特点与定位：专门处理 AI/ML 领域科研中的“苦力活”。整合了从模型微调（Unsloth, LLaMA-Factory）、分布式训练、强化学习（GRPO/TRL）、数据清洗（NeMo Curator）到 MLOps（W&B）等 80+ 项底层能力。

   • 核心优势：让 Agent 不仅会写文章，更能实际替你跑训练、调参、部署实验和解决环境 Bug。

   • GitHub 链接：Orchestra-Research/AI-Research-SKILLs

2. Auto-Research-In-Sleep (ARIS) / Auto-Claude-Code

   • 特点与定位：自动化自主研究框架。设置好边界后，Agent 可以在离线状态下自主提出假设、编写代码跑实验、评估结果并迭代下一轮。

   • GitHub 链接：wanshuiyin/Auto-claude-code-research-in-sleep

3. codex-autoresearch

   • 特点与定位：只需定义一个量化指标（例如：提高模型的 Accuracy，或降低训练 Loss），Agent 就会自动在独立分支修改代码、跑实验。如果指标提升则自动合并代码（Merge），若指标下降则自动丢弃改动（Revert）并尝试下一个假设。

   • GitHub 链接：leo-lilinxiao/codex-autoresearch

三、 论文撰写、结构梳理与分析

1. Research-Paper-Writing-Skills

   • 特点与定位：专注将分散的实验结果、草稿代码和零碎笔记转化成符合学术规范的结构化论文初稿。

   • GitHub 链接：Master-cai/Research-Paper-Writing-Skills

2. PaperSpine

   • 特点与定位：注重论文的骨架与逻辑链（Spine）。防止 AI 写作时出现逻辑跳跃，通过先梳理 Method 主线与 Evidence 链条，再重构各章节正文。

   • GitHub 链接：WUBING2023/PaperSpine

3. Paper Craft Skills

   • 特点与定位：侧重于论文的逆向拆解与二次加工，能够将晦涩的高难论文迅速拆解为方法论框架图、深度解读报告甚至配套汇报 PPT。

   • GitHub 链接：zsyggg/paper-craft-skills

四、 学术绘图与可视化

1. Draw.io Skill (Agents365-ai)

   • 特点与定位：通过自然语言直接生成 .drawio 图表文件并支持 CLI 自动渲染。

   • 核心优势：生成的图表不是静态图片，而是可以直接在 Draw.io / VS Code 中二次拉扯编辑的专业架构图、UML 图和网络拓扑图。Agent 在生成 PNG/SVG 后，会主动通过视觉模型检查文字重叠或连线交叉，并自动进行 1~2 轮修正。

   • GitHub 链接：Agents365-ai/drawio-skill

2. Scientific Figure Skill

   • 特点与定位：专门处理数据统计图（Excel/CSV 到出版级 Figure）的工程化 Skill。

   • 核心优势：在绘图前自动做异常值与缺失值检测，生成 00_data_health.md 报告。解决 AI 常见的“中英文混排、坐标轴单位缺失、P 值标注不规范、配色太炫彩”等痛点，输出带全封闭边框（Full Box Frame）和严密 Caption 的标准数据图。

   • GitHub 链接：myzhao0114-del/scientific-figure-skill

3. Academic Figures Drawer

   • 特点与定位：面向 AI/CS 顶会（NeurIPS, ICML, AAAI 等）设计的专属作图 Skill。能够根据算法逻辑生成低饱和度配色、张量维度明确、模块区分清晰的架构图/方法图。

   • GitHub 链接：M1n-n9/academic-figures-drawer

使用建议：

可以在使用的 Agent 终端（如 Claude Code / Codex / Cursor）中通过 直接聊天搜索、Git Symlink 或 Marketplace 导入这些 Skills。

以 Academic Research Skills 为例，以下是其在各主流 AI Agent 终端中的快速配置与启动方法：

1. 快速安装步骤

• 方式一：Git Symlink 方式

# 1. 克隆 ARS 仓库到本地目录
git clone https://github.com/Imbad0202/academic-research-skills.git ~/academic-research-skills

# 2. 根据你使用的终端，建立软链接 (以 Claude Code / Codex 为例)
# 如果使用 Claude Code:
mkdir -p ~/.claude/skills/
ln -s ~/academic-research-skills ~/.claude/skills/academic-research-skills

# 如果使用 Codex / Cursor:
mkdir -p ~/.codex/skills/
ln -s ~/academic-research-skills ~/.codex/skills/academic-research-skills

• 方式二：使用官方一键安装工具

  如果你安装了 Agent Skill Installer，也可直接在终端运行：

skill-installer install https://github.com/Imbad0202/academic-research-skills

2. 验证与启动使用

安装完成后无需重启终端，你的 AI Agent 会在启动时自动读取 Skill 元数据并在触发相应语境时装载。

常用触发指令示例：

• 选题与逻辑推演：

   

  “请加载 academic-research-skills。我正在研究 LLM 在长时间推理下的内存瓶颈，请帮我梳理 3 个具备突破性的创新选题方向。”

• 文献综述与脉络提炼：

   

  “使用 ARS 的文献检索模块，帮我梳理最近两年关于 Agentic Workflow 的经典顶会论文，并提炼出当前领域的核心研究空白。”

• 论文同行评审与返修：

   

  “这是我论文的审稿意见（附上 Reviewer 意见文本），请使用 ARS 中的 Nature Response 逻辑，帮我起草一份礼貌、严谨且按点对齐的 Rebuttal初稿。”

写在最后，没有一劳永逸的skills，只有不断进化的skills，科研必须要保证human in the loop，时刻把控agent的方向。