很多人用 ChatGPT 做科研，仍然只把它当作写代码、改论文和查资料的助手。

但科研 Skills 能做的远不止这些。

从研究问题规划、文献综述、数据库检索，到实验设计、模型训练、数据分析、论文写作、引用核验、同行评审和答辩材料制作，ChatGPT 已经可以参与科研工作的多个关键环节。

本文整理了 6 个适配 ChatGPT 5.6 的科研 Skills，覆盖 LLM 实验、学术研究、专业数据库、论文写作、中文科研和社会科学实证分析，帮助你把零散任务串成一套可复用的科研工作流。

---

1. academic-research-skills-codex：完整学术研究流水线

这是 academic-research-skills 的 Codex 原生版本，也是本文介绍的 skill 中覆盖科研流程最完整的项目。

它将多套研究工作流封装进统一的 $academic-research-suite，可根据任务进入不同流程，包括：

• 研究问题规划；

• 文献综述；

• 论文写作；

• 引用检查；

• 同行评审模拟；

• 实验可复现性检查。

其中最值得关注的是 academic-research-skills 中的 ars-plan。

它不会根据一个宽泛主题直接生成论文大纲，而是先确认：

• 研究问题是什么；

• 现有工作解决了什么；

• 证据缺口在哪里；

• 论文准备提出什么贡献；

• 哪些实验或文献能够支撑这些贡献。

这种分阶段规划，适合解决“已经有方向，但不知道如何形成论文”的问题，也能提前发现研究范围过大、贡献不清晰和证据不足。

适用人群/任务

适合使用 Codex 完成选题规划、文献综述、论文写作、引用核验、投稿前检查和审稿回复的研究者。

---

2. AI-Research-SKILLs：面向 LLM 和 AI 实验

如果研究方向是大模型、RAG、Agent、模型微调或评测，这个项目值得重点关注。

它覆盖大量 AI/ML 研究任务，包括：

• 研究选题与创意生成；

• 模型架构设计；

• 微调与后训练；

• 分布式训练；

• 推理和部署；

• 模型评测；

• RAG 与 Agent；

• 多模态；

• 机械可解释性；

• 论文写作。

它包含一个核心功能 autoresearch，是一种“内层实验优化＋外层研究综合”的双循环架构。

外层负责文献调研、研究假设、方向调整和论文综合；内层负责模型训练、参数调整、实验比较和指标评估。

研究者可以先定义研究目标、数据、算力限制、评价指标和停止条件，再由 Agent 调用 vLLM、TRL、DeepSpeed、Weights & Biases 等工具组织实验。

它的价值在于让 Codex 更早进入研究过程，不只是实验结束后写论文，还能参与假设形成、训练、评测、失败分析和实验迭代。

适用人群/任务

适合从事 LLM 微调、后训练、RAG、Agent、多模态、模型推理、模型评测和分布式训练的 AI 研究者。

---

3. scientific-agent-skills：连接科研数据库和科学工具

科研不只是阅读文献和生成文字。

很多专业任务还需要查询数据库、运行分析代码和调用科学软件，例如查询化合物信息、获取蛋白质序列、检索临床试验、分析医学影像和处理材料数据。

scientific-agent-skills 提供大量科研 Skill，覆盖：

• 生物信息学；

• 单细胞分析；

• 药物发现；

• 分子动力学；

• 临床研究；

• 医学影像；

• 材料科学；

• 量子计算；

• 地理空间分析；

• 实验室自动化。

其中最值得关注的是 database-lookup。

它将 PubChem、ChEMBL、UniProt、ClinicalTrials.gov、FRED 等公共数据库接入统一查询流程，并保留来源信息。

普通大模型在回答专业问题时，可能混合旧知识、网页内容和推断。数据库查询则能明确结果来自哪里、对应哪个实体，也更容易复核。

适用人群/任务

适合生命科学、医学、药物研发、化学、材料和其他依赖专业数据库或科学计算工具的研究者。

---

4. Research-Paper-Writing-Skills：检查论文结论是否有证据

这是一个面向机器学习、计算机视觉和自然语言处理论文的结构化写作 Skill。

它覆盖摘要、引言、相关工作、方法、实验和结论，并强调：

• 一段只表达一个核心信息；

• 首句明确段落任务；

• 使用反向大纲检查逻辑；

• 保持术语和变量名称一致；

• 从审稿人角度进行自查。

项目最有价值的机制是 Claim—Evidence—Status 映射。

它会将论文中的关键结论拆成多个 Claim，再检查每个 Claim 是否有实验、图表或文献支撑。

Claim	Evidence	Status
方法提升模型性能	主实验结果	已支持
方法具有更强泛化性	仅测试一个数据集	证据不足
方法降低训练成本	未报告时间和显存	仍需证据

这能快速发现 ML 论文中常见的过度声称。

例如，论文只测试了两个数据集，摘要却声称方法适用于广泛任务；只报告准确率，却在结论中声称训练效率更高。

该 Skill 不只是修改文字，还会输出段落角色、自查清单，以及论点与证据之间的对应关系。

适用人群/任务

适合已经完成实验，需要撰写或修改 ML、CV、NLP、LLM 和多模态论文的研究者，尤其适用于摘要、引言、实验章节和投稿前自审。

---

5. codex-claude-academic-skills：中文科研三件套

大多数科研 Skills 以英文论文为主要场景，未必能很好处理中文学术表达、公式、变量名、英文参考文献，以及国内高校常见的组会和答辩材料。

codex-claude-academic-skills 面向中文科研用户，包含三个可串联使用的 Skill。

scientific-toolkit-skill

负责 Python、MATLAB 数据分析、统计建模、信号处理、机器学习、优化和论文绘图，尤其关注光学、光通信、传感器和工程实验数据。

research-writing-skill

负责中文论文撰写、学术润色、论证结构调整、术语一致性检查和审稿回复。

office-academic-skill

负责生成或编辑 DOCX、组会 PPT、开题 PPT 和答辩 PPT，并检查模板、版式和文字溢出。

最推荐的使用方式是将三个 Skill 串联：

数据分析与绘图 → 论文写作 → DOCX 或答辩 PPT 输出

它不仅解决论文文字问题，还覆盖从实验数据到最终汇报材料的完整交付过程。

适用人群/任务

适合国内高校硕博、中文理工科研究者，以及需要处理工程实验数据、中文论文、组会汇报、开题报告和答辩材料的用户。

---

6. Auto-Empirical-Research-Skills：社会科学实证研究专项

这是一个面向经济学、管理学和社会科学实证研究的大型 Skill 库。项目支持 Python、R 和 Stata。

它覆盖：

• 双重差分；

• 回归不连续设计；

• 工具变量；

• 合成控制法；

• 双重机器学习；

• 固定效应模型；

• 稳健性检验；

• 异质性分析；

• 复现包审计；

• 同行评审和审稿回复。

最值得关注的是根目录的 Router Skill。

由于项目包含大量子 Skill，如果全部加载进上下文，不仅会浪费 Token，也可能造成方法误选和规则冲突。

Router 会先判断研究任务，再按需选择 DID、RDD、IV 或其他相关方法。

这种“路由器＋专业 Skill”的结构，让通用 Agent 负责理解任务，让专业 Skill 负责执行具体方法，可以减少上下文污染和错误触发。

适用人群/任务

适合经济学、管理学、金融、公共政策，以及使用计量经济学或因果推断方法的社会科学研究者。

---

总结

这 6 个 Skill 基本覆盖了 Codex 科研的主要场景：

• academic-research-skills-codex：研究规划、文献综述、论文写作与审稿；

• AI-Research-SKILLs：LLM 训练、评测与实验迭代；

• scientific-agent-skills：科研数据库与专业工具调用；

• Research-Paper-Writing-Skills：论文结构优化与论点—证据检查；

• codex-claude-academic-skills：中文论文、数据分析与答辩材料；

• Auto-Empirical-Research-Skills：计量经济学与因果推断。

不过，安装 Skill 只是第一步。

同一个 Skill，直接调用和配合专门提示词调用，效果可能完全不同。 只有明确研究背景、任务目标、输入材料、执行步骤和输出格式，才能让 Codex 更稳定地调用完整工作流，而不是只使用其中一小部分功能。

我已经整理好了这几个 Skill 的安装包、安装说明和常用调用提示词。

这里免费获取：

从选题到论文写作，6 个科研必备 Skills：全面增强 GPT-5.6 的工作流