我以前以为AI 写不好论文是因为我提示词写得不够长。后来我把提示词写得很长。它还是会犯错。我告诉它“请帮我润色成 Nature 风格。”它一开始很听话句子短了语气稳了还知道不要乱说“突破性”。但写着写着它的胆子就大了起来。一个普通结果被它写成了“显著揭示”一个还没有验证的机制被它写成了“首次证明”。这时候我才发现问题可能不在于 AI 不会写而在于它没有规矩。科研写作最怕的不是语言不好而是边界不清。什么可以说什么不能说哪里要强调哪里要保守图要证明什么引用要支撑什么审稿人问的是实验问题还是表达问题。这些东西不是一句“请专业一点”能解决的。最近我看到一个 GitHub 项目nature-skills。它在 GitHub 上已经有约 8.3k star 和 542 fork项目介绍是“符合 Nature 论文学术表达和科研绘图的 Skill”。它真正有价值的地方不是“Nature 风格”这几个字而是它试图把科研工作流变成 AI Agent 可以复用的技能。简单说nature-skills不是让 AI 更会聊天而是让 AI 少一点临场发挥。一、nature-skills 到底是什么先说结论nature-skills 不是 Python 包也不是 npm 包而是一套面向 AI Agent 的科研工作流技能库。它的组织方式很简单。每一个skills/nature-*文件夹就是一个可安装的技能单元。官方 README 也明确提醒安装时应该复制整个 skill 文件夹而不是只复制SKILL.md因为很多 skill 会依赖references/、assets、scripts 或 README 上下文。一个典型目录大概是这样skills/nature-topic/ ├── SKILL.md ├── README.md └── references/这件事看起来很小其实很关键。过去我们使用 AI很多时候是在写一次性的提示词。今天让它读论文明天让它写摘要后天让它做 PPT。每一次它都像第一次上班。你要重新告诉它不要编造数据不要乱加引用不要夸大结论不要把图表做成海报不要把审稿意见回复写得像吵架。nature-skills 的思路是既然这些要求每次都要说不如把它们沉淀成一套可以复用的 skill。这就是它和普通提示词最大的区别。普通提示词像临时口头交代。skill 更像一份岗位说明书、流程手册和质检清单。二、它解决的不是“写得更像 Nature”而是“做事更稳定”很多人看到nature-skills这个名字第一反应可能是这是不是一个“Nature 风格润色提示词合集”如果只是这样那它没有太大新意。网上类似的提示词已经很多了。但 nature-skills 更有意思的地方在于它不是只关心最后那段文字像不像 Nature而是关心整个科研任务应该怎么被执行。比如你让 AI 帮你做一张论文图。普通提示词可能会说请画一张高级、简洁、适合 Nature 的图。AI 可能会给你换个配色、加粗字体、调一下网格线。看起来确实漂亮了一点但这不一定是一张好论文图。论文图不是装饰品。论文图要回答科学问题。nature-figure 这个 skill 的思路就更接近真实科研写图的逻辑先想清楚这张图要证明什么再决定 panel 怎么组织、图形类型怎么选、导出什么格式、文字是否可编辑。README 中也提到nature-figure 面向 Nature 或高影响力期刊风格的多面板图强调 typography、semantic colour palette、editable SVG output 以及非冗余的 panel 信息结构。也就是说它不只是让图更好看而是让图更像一个证据链。这才是科研工作流里真正重要的东西。三、当前包含哪些 skills根据仓库 README当前 nature-skills 包含 9 个主要 skill覆盖了论文阅读、写作、润色、绘图、引用、数据声明、审稿回复、论文转 PPT 和学术检索等科研场景。Skill主要用途适合场景nature-figure科研绘图、多面板图、论文级图表做论文图、补充材料图、组会结果图nature-polishing学术英文润色、中文转英文、Nature 风格表达改摘要、结果、讨论、cover letternature-writing论文段落重构、摘要/引言/结果/讨论写作从实验结果和笔记生成论文段落nature-citation文本主张拆解、文献检索、引用导出给论文段落补支撑文献nature-dataData Availability、FAIR 元数据检查投稿前写数据可用性声明nature-reader论文全文阅读、中英文对照、图文对应 Markdown精读论文、做文献笔记nature-response审稿意见逐点回复major revision、rebuttal letternature-paper2ppt论文转中文汇报 PPTjournal club、组会汇报nature-academic-search多源学术检索、DOI 核验、参考文献管理系统查文献、整理引用如果把科研过程拆开看这 9 个 skill 基本覆盖了一个科研人最常见的几类“苦力活”。读论文的时候用nature-reader。做汇报的时候用nature-paper2ppt。写文章的时候用nature-writing和nature-polishing。做图的时候用nature-figure。投稿前用nature-data和nature-citation。返修时用nature-response。它不一定能替你完成科研判断但能把很多重复劳动变成可复用流程。四、为什么它比普通提示词更稳普通提示词最大的问题是上下文是一次性的。今天你写了一段很好的提示词明天换一个模型、换一个任务、换一个输入长度效果可能就变了。而 skill 的优势在于它把规则固定下来。比如 nature-polishing 并不是简单说“请润色成 Nature 风格”而是规定了很多具体约束包括句长、时态、hedging、引用完整性、过度声称检测和英式英语等。README 中提到它要求句子长度控制在 30 个词以内并通过 12 步流程进行润色包括句子拆分、section 识别、时态审查、词汇升级、引用审查和 overclaim 检查等。这就不是一句“写得高级一点”了。它开始像一个编辑。一个不一定聪明绝顶但至少知道规矩的编辑。再比如 nature-writing。它不是让 AI 根据一句话自由发挥而是强调从作者提供的 claims、results、figures、notes 或中文草稿出发重建论文段落和论证结构。它的核心规则之一是不要编造数据、机制、参考文献、统计结果、新颖性或局限性。这个约束非常重要。科研写作里AI 最大的风险不是写得不好看而是写得太好看。好看到你差点忘了它有些地方是编的。五、怎么安装到 Codex如果你使用 Codex安装方式比较直接。先克隆仓库git clone https://github.com/Yuan1z0825/nature-skills.git cd nature-skills只安装一个 skill比如nature-readermkdir -p ~/.codex/skills cp -R skills/nature-reader ~/.codex/skills/安装全部当前 skillsmkdir -p ~/.codex/skills for d in skills/nature-*; do cp -R $d ~/.codex/skills/ done然后重启 Codex让新 skill 被加载。README 中也给出了类似安装方式并提示可以自然地发起任务比如让 Agent 把论文转换成完整 Markdown reader或者生成中文 journal-club PPT。这里最容易犯的错是只复制SKILL.md。不要这样做。# 不建议这样做 cp skills/nature-reader/SKILL.md ~/.codex/skills/因为很多 skill 不只靠一个SKILL.md工作。它还要读取同目录下的references/、README、示例资产或脚本。只复制一个文件就像你把一本书的目录撕下来交给学生然后要求他掌握整本书。他当然会努力。但他没有正文。六、怎么在 Claude Code 中使用对于 Claude Code仓库 README 提供了插件市场安装方式。大致流程是/plugin marketplace add https://github.com/Yuan1z0825/nature-skills /plugin install nature-skills /reload-pluginsREADME 中说明通过插件安装后9 个 skills 会在 reload 后自动可用。也可以手动创建 subagent 或 slash command wrapper。但我个人更建议优先使用官方推荐的插件方式除非你确实需要对某个 skill 进行定制化修改。七、实际使用时应该怎么提问安装 skill 之后不代表你可以只说一句“帮我处理一下”。科研任务需要边界。我建议用下面这个模板Use [skill name] to [task]. Input: [你的材料] Output: [你希望得到的格式] Constraints: [哪些内容不能编哪些内容必须保留]比如润色结果段Use nature-polishing to polish this Results paragraph. Input: [粘贴你的结果段] Output: Polished academic English. Constraints: Keep the claim strength conservative. Do not invent mechanisms, references, or statistical results.比如把论文做成组会 PPTUse nature-paper2ppt to make a 12-slide Chinese journal-club deck from this paper. Input: [上传论文 PDF] Output: A PPTX file. Constraints: Audience: first-year graduate students. Focus on problem, method intuition, key evidence, and limitations. Do not include every experiment.比如做论文图Use nature-figure. Input: [上传 CSV 数据和已有脚本] Output: Editable SVG and 300 dpi PNG. Constraints: Before plotting, propose the panel map. Each panel should answer a different scientific question. Do not beautify without explaining the scientific purpose.这个写法的重点不是“命令 AI”而是“给 AI 画边界”。没有边界的 AI很容易变成一个勤奋的胡说八道者。有边界的 AI才更像一个能交付草稿的助手。八、最适合科研人的三个技能1. nature-reader适合读论文很多人让 AI 总结论文得到的是一段摘要。但科研阅读不是只要摘要。你需要知道作者为什么做这个问题核心证据在哪里图和正文怎么对应哪些结论是强证据哪些只是推测。nature-reader的目标不是简单总结而是生成完整的中英文 Markdown 阅读稿并强调图文对应和来源锚点。它特别适合用来做文献精读笔记。2. nature-figure适合做论文图如果你经常画图会知道真正难的不是 matplotlib 怎么写而是这张图到底该证明什么。nature-figure强调多面板图的信息结构。README 中提到它要求多面板图遵循 overview → deviation → relationship 的三层信息层级并且两个 panel 不能回答同一个科学问题。(GitHub)这一点非常适合论文结果图。因为审稿人看图的时候不是在欣赏配色。他是在问你的证据够不够3. nature-paper2ppt适合组会汇报很多研究生做 journal club最痛苦的是把论文变成 PPT。论文是线性的。PPT 是故事化的。你不能把每一张图都搬进去。你要重新组织问题、方法、证据和局限。nature-paper2ppt就适合这个场景。它不只是生成大纲而是面向中文 journal club 或论文汇报生成 PPTX。当然生成后的 PPT 仍然需要人工调整。但它至少能帮你搭好第一版骨架。九、AI不是无所不能的这些场景不要尝试nature-skills 很有价值但不能神化。它不适合三类使用方式。第一不适合“一键写 Nature 论文”。如果没有真实数据、真实图表和真实发现AI 不应该替你发明一篇论文。第二不适合“让 AI 自动判断所有科学事实”。它可以帮你整理 claim-evidence map但不能替你确认实验设计是否合理也不能替你判断统计结论是否成立。第三不适合“不提供材料只要结果”。科研任务不是写朋友圈文案。你不给论文、不给图、不给数据、不给审稿意见它只能根据常识补。而科研写作里最危险的就是“看起来合理的补充”。所以使用 nature-skills 时我建议始终记住一句话AI 可以帮你加工材料但不应该替你发明材料。十、未来的 AI 科研工作流一定会从 prompt 走向 skill过去我们用 AI常常是在比拼提示词。谁的 prompt 更长谁的模板更复杂谁的指令更多。但越用越会发现提示词不是最终答案。因为真正稳定的工作流不应该每次都靠人重新说一遍。写论文有写论文的规矩。做图有做图的规矩。读文献有读文献的规矩。答审稿人有答审稿人的规矩。这些规矩如果只存在人的脑子里AI 每次都要重新学习。这些规矩如果沉淀成 skillAI 才能越来越像一个熟悉流程的助手。这就是我觉得 nature-skills 值得关注的原因。它不是一个完美工具也不是科研自动化的终点。但它提供了一个很好的方向不要再让 AI 每次都临场发挥而是把你已经知道的科研判断标准变成下一次还能复用的执行规则。很多时候AI 工作流真正的提升不是换一个更强的模型。而是给模型一套更清楚的规矩。模型负责干活。规矩负责不让它乱干。这可能才是科研 AI 最应该进化的地方。
我终于明白，科研 AI 最缺的不是提示词，而是规矩：8.4k Star 的 nature-skills 体验
发布时间：2026/5/19 15:47:28
我以前以为AI 写不好论文是因为我提示词写得不够长。后来我把提示词写得很长。它还是会犯错。我告诉它“请帮我润色成 Nature 风格。”它一开始很听话句子短了语气稳了还知道不要乱说“突破性”。但写着写着它的胆子就大了起来。一个普通结果被它写成了“显著揭示”一个还没有验证的机制被它写成了“首次证明”。这时候我才发现问题可能不在于 AI 不会写而在于它没有规矩。科研写作最怕的不是语言不好而是边界不清。什么可以说什么不能说哪里要强调哪里要保守图要证明什么引用要支撑什么审稿人问的是实验问题还是表达问题。这些东西不是一句“请专业一点”能解决的。最近我看到一个 GitHub 项目nature-skills。它在 GitHub 上已经有约 8.3k star 和 542 fork项目介绍是“符合 Nature 论文学术表达和科研绘图的 Skill”。它真正有价值的地方不是“Nature 风格”这几个字而是它试图把科研工作流变成 AI Agent 可以复用的技能。简单说nature-skills不是让 AI 更会聊天而是让 AI 少一点临场发挥。一、nature-skills 到底是什么先说结论nature-skills 不是 Python 包也不是 npm 包而是一套面向 AI Agent 的科研工作流技能库。它的组织方式很简单。每一个skills/nature-*文件夹就是一个可安装的技能单元。官方 README 也明确提醒安装时应该复制整个 skill 文件夹而不是只复制SKILL.md因为很多 skill 会依赖references/、assets、scripts 或 README 上下文。一个典型目录大概是这样skills/nature-topic/ ├── SKILL.md ├── README.md └── references/这件事看起来很小其实很关键。过去我们使用 AI很多时候是在写一次性的提示词。今天让它读论文明天让它写摘要后天让它做 PPT。每一次它都像第一次上班。你要重新告诉它不要编造数据不要乱加引用不要夸大结论不要把图表做成海报不要把审稿意见回复写得像吵架。nature-skills 的思路是既然这些要求每次都要说不如把它们沉淀成一套可以复用的 skill。这就是它和普通提示词最大的区别。普通提示词像临时口头交代。skill 更像一份岗位说明书、流程手册和质检清单。二、它解决的不是“写得更像 Nature”而是“做事更稳定”很多人看到nature-skills这个名字第一反应可能是这是不是一个“Nature 风格润色提示词合集”如果只是这样那它没有太大新意。网上类似的提示词已经很多了。但 nature-skills 更有意思的地方在于它不是只关心最后那段文字像不像 Nature而是关心整个科研任务应该怎么被执行。比如你让 AI 帮你做一张论文图。普通提示词可能会说请画一张高级、简洁、适合 Nature 的图。AI 可能会给你换个配色、加粗字体、调一下网格线。看起来确实漂亮了一点但这不一定是一张好论文图。论文图不是装饰品。论文图要回答科学问题。nature-figure 这个 skill 的思路就更接近真实科研写图的逻辑先想清楚这张图要证明什么再决定 panel 怎么组织、图形类型怎么选、导出什么格式、文字是否可编辑。README 中也提到nature-figure 面向 Nature 或高影响力期刊风格的多面板图强调 typography、semantic colour palette、editable SVG output 以及非冗余的 panel 信息结构。也就是说它不只是让图更好看而是让图更像一个证据链。这才是科研工作流里真正重要的东西。三、当前包含哪些 skills根据仓库 README当前 nature-skills 包含 9 个主要 skill覆盖了论文阅读、写作、润色、绘图、引用、数据声明、审稿回复、论文转 PPT 和学术检索等科研场景。Skill主要用途适合场景nature-figure科研绘图、多面板图、论文级图表做论文图、补充材料图、组会结果图nature-polishing学术英文润色、中文转英文、Nature 风格表达改摘要、结果、讨论、cover letternature-writing论文段落重构、摘要/引言/结果/讨论写作从实验结果和笔记生成论文段落nature-citation文本主张拆解、文献检索、引用导出给论文段落补支撑文献nature-dataData Availability、FAIR 元数据检查投稿前写数据可用性声明nature-reader论文全文阅读、中英文对照、图文对应 Markdown精读论文、做文献笔记nature-response审稿意见逐点回复major revision、rebuttal letternature-paper2ppt论文转中文汇报 PPTjournal club、组会汇报nature-academic-search多源学术检索、DOI 核验、参考文献管理系统查文献、整理引用如果把科研过程拆开看这 9 个 skill 基本覆盖了一个科研人最常见的几类“苦力活”。读论文的时候用nature-reader。做汇报的时候用nature-paper2ppt。写文章的时候用nature-writing和nature-polishing。做图的时候用nature-figure。投稿前用nature-data和nature-citation。返修时用nature-response。它不一定能替你完成科研判断但能把很多重复劳动变成可复用流程。四、为什么它比普通提示词更稳普通提示词最大的问题是上下文是一次性的。今天你写了一段很好的提示词明天换一个模型、换一个任务、换一个输入长度效果可能就变了。而 skill 的优势在于它把规则固定下来。比如 nature-polishing 并不是简单说“请润色成 Nature 风格”而是规定了很多具体约束包括句长、时态、hedging、引用完整性、过度声称检测和英式英语等。README 中提到它要求句子长度控制在 30 个词以内并通过 12 步流程进行润色包括句子拆分、section 识别、时态审查、词汇升级、引用审查和 overclaim 检查等。这就不是一句“写得高级一点”了。它开始像一个编辑。一个不一定聪明绝顶但至少知道规矩的编辑。再比如 nature-writing。它不是让 AI 根据一句话自由发挥而是强调从作者提供的 claims、results、figures、notes 或中文草稿出发重建论文段落和论证结构。它的核心规则之一是不要编造数据、机制、参考文献、统计结果、新颖性或局限性。这个约束非常重要。科研写作里AI 最大的风险不是写得不好看而是写得太好看。好看到你差点忘了它有些地方是编的。五、怎么安装到 Codex如果你使用 Codex安装方式比较直接。先克隆仓库git clone https://github.com/Yuan1z0825/nature-skills.git cd nature-skills只安装一个 skill比如nature-readermkdir -p ~/.codex/skills cp -R skills/nature-reader ~/.codex/skills/安装全部当前 skillsmkdir -p ~/.codex/skills for d in skills/nature-*; do cp -R $d ~/.codex/skills/ done然后重启 Codex让新 skill 被加载。README 中也给出了类似安装方式并提示可以自然地发起任务比如让 Agent 把论文转换成完整 Markdown reader或者生成中文 journal-club PPT。这里最容易犯的错是只复制SKILL.md。不要这样做。# 不建议这样做 cp skills/nature-reader/SKILL.md ~/.codex/skills/因为很多 skill 不只靠一个SKILL.md工作。它还要读取同目录下的references/、README、示例资产或脚本。只复制一个文件就像你把一本书的目录撕下来交给学生然后要求他掌握整本书。他当然会努力。但他没有正文。六、怎么在 Claude Code 中使用对于 Claude Code仓库 README 提供了插件市场安装方式。大致流程是/plugin marketplace add https://github.com/Yuan1z0825/nature-skills /plugin install nature-skills /reload-pluginsREADME 中说明通过插件安装后9 个 skills 会在 reload 后自动可用。也可以手动创建 subagent 或 slash command wrapper。但我个人更建议优先使用官方推荐的插件方式除非你确实需要对某个 skill 进行定制化修改。七、实际使用时应该怎么提问安装 skill 之后不代表你可以只说一句“帮我处理一下”。科研任务需要边界。我建议用下面这个模板Use [skill name] to [task]. Input: [你的材料] Output: [你希望得到的格式] Constraints: [哪些内容不能编哪些内容必须保留]比如润色结果段Use nature-polishing to polish this Results paragraph. Input: [粘贴你的结果段] Output: Polished academic English. Constraints: Keep the claim strength conservative. Do not invent mechanisms, references, or statistical results.比如把论文做成组会 PPTUse nature-paper2ppt to make a 12-slide Chinese journal-club deck from this paper. Input: [上传论文 PDF] Output: A PPTX file. Constraints: Audience: first-year graduate students. Focus on problem, method intuition, key evidence, and limitations. Do not include every experiment.比如做论文图Use nature-figure. Input: [上传 CSV 数据和已有脚本] Output: Editable SVG and 300 dpi PNG. Constraints: Before plotting, propose the panel map. Each panel should answer a different scientific question. Do not beautify without explaining the scientific purpose.这个写法的重点不是“命令 AI”而是“给 AI 画边界”。没有边界的 AI很容易变成一个勤奋的胡说八道者。有边界的 AI才更像一个能交付草稿的助手。八、最适合科研人的三个技能1. nature-reader适合读论文很多人让 AI 总结论文得到的是一段摘要。但科研阅读不是只要摘要。你需要知道作者为什么做这个问题核心证据在哪里图和正文怎么对应哪些结论是强证据哪些只是推测。nature-reader的目标不是简单总结而是生成完整的中英文 Markdown 阅读稿并强调图文对应和来源锚点。它特别适合用来做文献精读笔记。2. nature-figure适合做论文图如果你经常画图会知道真正难的不是 matplotlib 怎么写而是这张图到底该证明什么。nature-figure强调多面板图的信息结构。README 中提到它要求多面板图遵循 overview → deviation → relationship 的三层信息层级并且两个 panel 不能回答同一个科学问题。(GitHub)这一点非常适合论文结果图。因为审稿人看图的时候不是在欣赏配色。他是在问你的证据够不够3. nature-paper2ppt适合组会汇报很多研究生做 journal club最痛苦的是把论文变成 PPT。论文是线性的。PPT 是故事化的。你不能把每一张图都搬进去。你要重新组织问题、方法、证据和局限。nature-paper2ppt就适合这个场景。它不只是生成大纲而是面向中文 journal club 或论文汇报生成 PPTX。当然生成后的 PPT 仍然需要人工调整。但它至少能帮你搭好第一版骨架。九、AI不是无所不能的这些场景不要尝试nature-skills 很有价值但不能神化。它不适合三类使用方式。第一不适合“一键写 Nature 论文”。如果没有真实数据、真实图表和真实发现AI 不应该替你发明一篇论文。第二不适合“让 AI 自动判断所有科学事实”。它可以帮你整理 claim-evidence map但不能替你确认实验设计是否合理也不能替你判断统计结论是否成立。第三不适合“不提供材料只要结果”。科研任务不是写朋友圈文案。你不给论文、不给图、不给数据、不给审稿意见它只能根据常识补。而科研写作里最危险的就是“看起来合理的补充”。所以使用 nature-skills 时我建议始终记住一句话AI 可以帮你加工材料但不应该替你发明材料。十、未来的 AI 科研工作流一定会从 prompt 走向 skill过去我们用 AI常常是在比拼提示词。谁的 prompt 更长谁的模板更复杂谁的指令更多。但越用越会发现提示词不是最终答案。因为真正稳定的工作流不应该每次都靠人重新说一遍。写论文有写论文的规矩。做图有做图的规矩。读文献有读文献的规矩。答审稿人有答审稿人的规矩。这些规矩如果只存在人的脑子里AI 每次都要重新学习。这些规矩如果沉淀成 skillAI 才能越来越像一个熟悉流程的助手。这就是我觉得 nature-skills 值得关注的原因。它不是一个完美工具也不是科研自动化的终点。但它提供了一个很好的方向不要再让 AI 每次都临场发挥而是把你已经知道的科研判断标准变成下一次还能复用的执行规则。很多时候AI 工作流真正的提升不是换一个更强的模型。而是给模型一套更清楚的规矩。模型负责干活。规矩负责不让它乱干。这可能才是科研 AI 最应该进化的地方。
