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

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。

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-reader：

mkdir -p ~/.codex/skills cp -R skills/nature-reader ~/.codex/skills/

安装全部当前 skills：

mkdir -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-plugins

README 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 PPT：

Use 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 skill，AI 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。