前言：一些关于 AI 辅助科研与 Literature Evidence Synthesis Skill 的思考

由袁一哲等人设计并开源的 Nature Skills，受到了 Google DeepMind 的关注与借鉴。DeepMind 在推出 Science Skills 时，参考了其中的引用体系、脚本设计思路以及技能构建哲学。我认为，这是开源社区推动技术扩散与知识共享的一个典型案例。

作为一名非计算机专业的学生，我越来越明显地感受到，人工智能及其衍生工具正在改变日常科研工作的方式。它们能够降低重复劳动的成本，帮助科研人员更高效地处理资料、整理信息并推进研究目标。从更长远的角度看，人工智能的重要价值，正是在于帮助人们减少机械性劳动，提升知识生产效率，并推动不同领域更快发展。

这些天，我一直在思考一个问题：

能否借助 Codex Skill 等智能体工具，将本科生及科研训练不足的学生从大量重复、低效的文献筛选工作中部分解放出来，帮助他们更高效地识别与自身研究方向高度相关，并且来源可追溯、结论可核验的文献证据？

基于这一想法，我利用一些空余时间，将以下流程整理为一个相对完整的工作流：

本地文献输入 → 文献阅读 → 内容分析 → 结论复核 → 研究相关性评估 → 文献证据集报告输出

并将其命名为 Literature Evidence Synthesis Skill。

引用于Nature Skills：

Nature Skills 真正的价值，或许并不在于那些具体的技能模块，而在于它悄悄推开了一扇新的大门——它让很多人第一次意识到，原来可以借助 Codex 或智能体来操控本地电脑做科研。我有幸见证并陪伴了许多人完成科研范式的转变。当他们惊叹“原来科研还可以这样去做”的那一刻，这种认知上的破壁和解放，远比 Skills 本身更让我觉得有意义。它不是一个工具的成功，而是一种新的思考方式开始在人群中蔓延。

Yuan1z0825/nature-skills: 符合nature论文学术表达和科研绘图的Skillgithub.com/Yuan1z0825/nature-skillshttps://link.zhihu.com/?target=https%3A//github.com/Yuan1z0825/nature-skills

Literature Evidence Synthesis Skill 的诞生：

目前，大多数 AI 论文阅读工具都能够生成语言流畅、结构完整的摘要。

但当这些内容真正需要进入文献综述、课题开题、研究报告或学术论文时，仅有“流畅的摘要”远远不够。我们还需要回答一系列更加基础、也更加严格的问题：

• 这个数字具体来自 PDF 的哪一页？
• 一篇论文中究竟包含几个相互独立的研究？
• 文中所说的样本量，指的是参与者人数、实验单位数量，还是重复测量次数？
• 某项结论究竟是作者直接报告的结果、定性研究中的主题、理论命题，还是 AI 根据上下文做出的推断？
• 不同机器学习研究的结果，是否建立在相同的数据集、数据划分方式和评价指标之上？
• 表面上相似的研究结果，是否真的具有可比性？

为了解决这些问题，我整理并开源了 Literature Evidence Synthesis，这是一个面向 Codex 的通用文献证据综合 Skill。

它采用四层结构组织文献证据：

1. Sources：论文、报告及其他来源文档；
2. Studies：实验、队列、数据集、案例或其他独立分析单元；
3. Claims：经过逐条核验、能够定位至 PDF 具体页码的研究结论；
4. Appraisals：依据研究设计开展的质量评价或偏倚风险评估。

目前，该 Skill 支持以下类型的文献：

• 实验研究；
• 观察性研究；
• 临床研究；
• 定性研究；
• 混合方法研究；
• 机器学习与计算机研究；
• 系统综述与 Meta 分析；
• 方法学研究；
• 案例研究；
• 理论研究；
• 政策与评论性文献。

整个工作流最核心的规则只有一句：

凡是缺少可读取全文、有效 PDF 页码以及原文定位短语的数值、统计结果或实质性结论，都不能进入最终的证据综合报告。

GitHub 仓库中还提供了三个完全合成、可以合法再分发的演示 PDF，分别用于展示：

• 实验研究的证据核验流程；
• 定性研究的主题与结论核验流程；
• 机器学习基准研究的数据集、划分方式和评价指标核验流程。

Literature Evidence Synthesis Skill 获取：

Oblivionis028/literature-evidence-synthesis-skill: A page-verified, design-aware literature evidence synthesis Skill for Codex.面向所有研究领域的 AI 辅助论文阅读工作流。支持实验、观察、临床、定性、混合方法、计算机与机器学习、方法学、系统综述、Meta 分析、案例、理论、政策和评论性文献。任何进入综合报告的数值、统计结果或实质性结论，都必须回到 PDF 原文页码复核。github.com/Oblivionis028/literature-evidence-synthesis-skillhttps://link.zhihu.com/?target=https%3A//github.com/Oblivionis028/literature-evidence-synthesis-skill

如果你愿意参与测试，我目前最希望获得以下两类反馈：

1. 在你的学科中，目前还缺少哪一种研究设计或证据评价模块？
2. 在实际完成文献证据综合时，哪个字段、环节或功能最影响你的使用效率？

欢迎提出批评、建议或具体应用场景。对于一个面向多学科的证据综合工具而言，来自不同研究领域的真实反馈，远比单纯增加功能更加重要。