用 ChatGPT-5.6 写 SCI 论文，我只推荐这套博导级 Skill

Skill 越来越多，收藏夹也跟着越堆越满。

真正开始做课题的时候，却还是会卡在一个很现实的问题：到底该用哪个？

平时临时搜索工具、复制提示词，看起来方便，但换一个任务又得重新找一遍。把整套 Skill 全部装上，也未必是好事，依赖、权限和选择成本都会跟着增加。

尤其到了专业分析环节，普通的 AI 对话往往只能给出一个"看起来合理"的答案，至于用了什么参数、依据来自哪里、哪些地方还存在不确定性，却未必交代清楚。

所以，与其把 Skill 当成一个"大礼包"，不如把它理解成科研流程里的岗位说明书。

做到哪一步，就调用哪一类工具。

今天介绍的Scientific Agent Skills，就是这样一套可以拆开的科研工具箱。下面我不按照 Skill 名称挨个罗列，而是直接按照一篇 SCI 论文从检索、设计、分析到投稿的大致流程来讲。

项目介绍

项目名称：scientific-agent-skills

项目链接：

https://github.com/K-Dense-AI/scientific-agent-skills

Scientific Agent Skills 是一个开源科研 Skill 集合。

它并不是那种"把所有科研工作交给 AI"的超级工具，而更像是一套写给 AI Agent 的专业操作手册：什么情况下应该调用哪个工具、执行之前要检查什么、参数和来源怎么留下、哪些结论不能直接下。

目前覆盖的范围很广，包括文献和数据库检索、生物信息、药物研发、临床研究、机器学习、统计分析、科研绘图、论文写作、实验室平台以及合规准备等。

项目列出了100+ 数据库、70+ Python 包 Skill，同时还提供了多种科研平台集成。

所以它真正解决的并不是"AI 会不会聊天"，而是 AI 真正开始做科研任务以后，有没有一套相对明确、可追踪的工作方式。

当然，日常科研没必要把整个仓库全部装下来。先看看自己现在到底卡在哪：是找文献、定研究方案、处理数据、做专业分析，还是写论文、准备投稿？确定环节以后，挑两三个真正用得上的 Skill，往往就够了。

安装与部署

对于支持 Agent Skills 标准的工具，项目提供的常用安装方式是：

npx skills add K-Dense-AI/scientific-agent-skills

如果使用新版 GitHub CLI，也可以只安装某一个指定 Skill。

例如给 Codex 安装 Scanpy：

gh skill install K-Dense-AI/scientific-agent-skills scanpy --agent codex

如果希望锁定版本，还可以通过--pin指定 release tag 或 commit SHA。

不过不同 Agent 宿主的安装路径和参数可能会调整，正式安装之前，最好还是以项目最新文档为准。

Tips：

不建议一上来就让 AI 把整个仓库全部安装。更稳妥的做法是先让 AI 读取仓库，看看目前到底有哪些 Skill，再根据自己的科研任务选择需要的部分。

场景 1：文献检索

很多人给 AI 的第一句话都是：

"帮我找一下这个方向的文献。"

最后得到的往往是一张整整齐齐的论文列表。

问题是，这些结果到底查了哪些数据库？用了什么筛选条件？为什么有些论文没有出现？究竟是真的没找到，还是接口没有返回？

这些问题如果没有记录，后面很难复查。

推荐组合

paper-lookup + database-lookup + literature-review

如果还需要把具体结论定位到论文原文，可以再加paperclip。

这几个 Skill 分别做什么？

paper-lookup可以连接 PubMed、PMC、arXiv、OpenAlex、Crossref、Semantic Scholar 等 11 个学术接口，用于进行可复现的论文检索。

database-lookup更适合针对具体数据库，通过明确的端点、过滤条件和分页规则进行查询，目前覆盖 78 个公共数据库。

literature-review则负责把前面的检索结果进一步组织起来，完成筛选和证据综合。

至于paperclip，重点是全文和监管材料检索，并且可以把判断进一步定位到原文位置。

简单理解就是：

前面几个 Skill 负责"去哪里找、怎么整理"，Paperclip 负责"原文到底在哪"。

推荐提示词

请使用 paper-lookup 和 database-lookup，为"【研究主题】"设计一次可复现的证据检索。先确认研究对象、时间范围、文献类型、语言，以及是否只需要开放获取全文；再根据任务选择合适的数据库，不要无目的遍历所有接口。

输出完整检索式、使用的数据库或端点、关键参数、访问日期、纳入与排除标准，并按照 DOI/PMID/arXiv ID 进行去重。

如果结果为空或明显不完整，请区分"未检出"和"接口/权限限制"。随后使用 literature-review 对证据进行主题归类，标出目前的共识、冲突、研究空缺以及需要人工核验的引用。

如果需要引用原文，请调用 paperclip 定位具体原文位置；如果无法获得全文，要明确说明，不要根据摘要自行补写正文内容。

把项目仓库交给 Agent 后，就可以直接输入这类指令，让它自己读取并调用对应 Skill。

场景 2：研究设计

真正做课题时，有些问题并不是统计分析阶段才出现。

比如一开始没有处理好实验设计，后面才发现处理组和批次完全重合；重复测量被当成独立样本；样本量也是照着"以前别人差不多做这么多"来的。

到了这个时候，再换一个更复杂的统计方法，也很难补救前面的结构性问题。

推荐组合

scientific-brainstorming + hypothesis-generation + scientific-critical-thinking + experimental-design + statistical-power

这几个 Skill 的顺序其实也比较有意思。

scientific-brainstorming先把研究方向尽可能铺开；

hypothesis-generation再把其中比较有价值的想法整理成可以验证的候选假设；

接下来交给scientific-critical-thinking，专门找因果跳跃、混杂因素和其他可能解释。

研究思路确定后，再让experimental-design去处理研究单位、随机化、重复、区组以及实验结构，同时检查有没有伪重复。

最后使用statistical-power估算样本量或者最小可检测效应。

推荐提示词

围绕"【研究问题】"开展分析。

调用 scientific-brainstorming 提出 3 个彼此可区分的机制，再使用 hypothesis-generation 将其整理为候选假设，并逐条列出前提、可观察预测和可能的反证条件。

调用 scientific-critical-thinking 检查其中是否存在因果跳跃、混杂因素或竞争性解释。

随后使用 experimental-design，把研究单位、处理因素、对照、随机化层级、区组因素、独立重复以及重复测量方式明确写出，重点检查伪重复问题。

最后调用 statistical-power。根据【先验研究/最小有意义效应】给出效应量假设、α、目标功效、失访或聚类修正、计算方法以及敏感性区间。

如果关键参数缺失，先列出需要我确认的信息，不要自行填入数值。

场景 3：数据分析前的边界检查

"我把数据发给你，帮我分析一下。"

这句话看起来很省事，但风险也不小。

AI 可能悄悄处理缺失值、删除异常值、自动选择统计检验，最后再给你一段非常肯定的结论。

整个过程可能没有报错，甚至结果看起来也很漂亮，但中间发生了什么，已经说不清了。

推荐组合

exploratory-data-analysis + statistical-analysis + uncertainty-and-units

如果研究中需要具体统计模型，再根据任务加入statsmodels或pymc。

exploratory-data-analysis的作用是检查数据，而不是替你"修数据"。它针对获授权的本地数据进行分析，不会自动删除异常值、填补缺失、标准化或者覆盖原始文件。

statistical-analysis负责把统计检验选择、前提假设、效应量以及最终报告放到同一流程里。

uncertainty-and-units则处理单位一致性、不确定度预算和误差传播。

推荐提示词

请只在【数据文件路径】的副本上工作。

先使用 exploratory-data-analysis 输出变量类型、样本量、缺失模式、重复记录、取值范围、分布、组间结构以及潜在异常。

不得自动删除、填补、变换或覆盖原始数据。

然后根据"【假设】—【研究设计】—【因变量类型】—【独立单位】"调用 statistical-analysis，列出候选统计检验及选择理由，并检查对应假设。

报告效应方向、效应量和置信区间。

如果变量涉及物理量、测量误差或单位换算，再调用 uncertainty-and-units，核对量纲、不确定度以及误差传播。

最终把数据事实、统计推断和领域解释分开。如果研究设计属于横截面研究或观察性研究，不使用"导致""影响"等因果措辞。

场景 4：专业数据分析

单细胞矩阵、分子结构、病理切片、空间数据，虽然都可以被叫作"数据"，但真正处理起来完全不是一回事。

预处理方式不同，质量控制不同，软件依赖不同，甚至数据是否有效都需要结合具体领域判断。

所以，这种情况下不建议拿一个通用分析脚本硬套。

推荐方式

根据数据类型选择对应 Skill。

例如：

• 单细胞分析：scanpy

• 分子与药物信息：rdkit

• 数字病理：pathml

• 空间数据：geopandas

• 实验流程：protocolsio-integration

• 液体处理：opentrons-integration

推荐提示词

我的任务是【专业研究任务】，输入为【文件格式、物种/平台/空间坐标系/仪器等关键信息】，目标输出为【结果与用途】。

请先判断仓库中最匹配的专用 Skill，并读取对应的 SKILL.md 后再开始执行。

开始前先列出软件与数据版本、必要元数据、质量控制要求、不可逆操作以及需要人工确认的环节。

所有处理都保留原始文件、随机种子、参数和环境信息。

如果涉及实验设备，只生成协议草案并先进行本地模拟。不要把语法通过或模拟成功直接当成获准上机。

这一点其实很重要。

通用 AI 能帮你写代码，不代表它已经理解了你的实验体系。

专业 Skill 的价值，就是把这些容易被忽略的前置条件带进流程里。

场景 5：从初稿一直到投稿

还有一种常见用法：

"帮我把论文写出来，然后补参考文献、画图，最后按照期刊要求整理投稿。"

一句话把所有任务交给 AI，确实省提示词。

但问题也恰恰出在这里。

证据核验、论文写作、科研绘图和期刊格式，本来就是不同的事情。全部混在一起之后，只要某个环节出了问题，后面很难追溯到底是哪里出了问题。

推荐组合

scientific-writing + citation-management + scientific-visualization + scientific-schematics + venue-templates + peer-review

如果需要精细控制统计图，再加入matplotlib或seaborn。

这里面每个 Skill 的职责其实很明确。

scientific-writing负责论文表达，同时强调证据来源、保密以及不能凭空捏造内容。

citation-management负责 DOI、PMID 等信息核验。

scientific-visualization更关注图形是否真实表达数据，以及最终投稿输出是否规范。

如果是机制图、实验流程图等，则使用scientific-schematics。

需要对统计图的坐标、分组、误差线和导出格式进行精细控制时，可以直接调用Matplotlib或Seaborn。

真正到了投稿环节，再使用venue-templates核对对应年份的官方投稿规则。

最后，在授权和保密条件都明确的情况下，可以让peer-review做一次结构化自审。

推荐提示词

请分阶段处理【论文材料】。

第一阶段使用 scientific-writing。只依据我提供的结果、方法和已经核验的来源整理初稿，缺少证据的地方标记为"待补"，不要自行补充。

第二阶段使用 citation-management，按照 DOI/PMID 核对作者、题名、期刊、年份和链接。

第三阶段调用 scientific-visualization，检查图形是否如实呈现样本、缺失、误差和数据变换。

如果统计图需要进一步控制，使用 matplotlib 或 seaborn；如果需要绘制机制图或实验流程图，则调用 scientific-schematics。

随后使用 venue-templates，根据【期刊/会议、年份、文章类型、投稿阶段】读取官方要求，核对页数、匿名要求、图表和补充材料等规则。

最后调用 peer-review，从方法、统计、复现、伦理和结论边界几个方面进行自审。

每个阶段分别输出修改记录，不要通过语言润色掩盖证据缺口。

Scientific Agent Skills 这种仓库，第一次打开的时候确实容易让人产生一种感觉：

东西太多了。

但真用起来，反而没那么复杂。

你根本没必要把所有 Skill 都装上。今天需要检索，就用检索相关的；明天做单细胞分析，就换对应的专业 Skill；开始写论文，再把写作、引用和绘图这些工具接进来。

这样反而比"全家桶"更清楚。

而且这类 Skill 最有价值的地方，并不是让 AI 说话更像专家，而是让它做事情的时候多几道检查：

查了什么、用了什么参数、证据从哪里来、哪些地方还不能下结论。

AI 可以替你翻文档、调接口、整理格式，也可以提醒你遗漏了哪些步骤。

但研究问题为什么值得做，证据到底够不够，实验设计能不能成立，以及最后一句话应该说到什么程度——这些事情，还是得由研究者自己判断。

Skill 可以替你减少重复劳动，但不能替你承担科研判断。

这也是为什么，真正做 SCI 论文时，我反而更倾向于把 Skill 一个个装，而不是一次全部装完。