一张图看懂整个科研工作流
一、科研选题
对应 Skill：scientific-brainstorming
科研最难的一步，往往不是实验，而是找到一个真正值得研究的问题。
这款 Scientific Brainstorming Skill 来自xx学术 Skills，定位并不是"自动生成课题"，而是充当一位科研思维伙伴，帮助研究者围绕已有研究进行系统化思考。
它会引导你从多个角度分析一个研究方向，例如：
- 当前领域已经解决了什么问题
- 还有哪些关键瓶颈没有突破
- 是否存在跨学科结合的机会
- 可以提出哪些可验证的科学假设
- 如何设计具有创新性的研究思路
相比直接让 AI"想几个课题"，它更强调科学思维训练和研究方法论，帮助研究者逐步形成具有研究价值的课题方向。
适合场景
- ✅ 开题报告
- ✅ 基金申请
- ✅ 创新点挖掘
- ✅ 科研思维训练
链接
二、文献检索
对应 Skill：nature-academic-search
文献检索并不是简单地搜索关键词。
Nature Academic Search 集成了多个学术数据库，支持更专业的科研检索流程，包括 PubMed、CrossRef、arXiv 等数据源，并提供 DOI 校验、引用管理和参考文献导出等功能。
相比 Google Scholar，它更像一套完整的学术搜索工具。
它可以帮助你：
- 检索最新研究
- 查找经典论文
- 校验 DOI 信息
- 导出 BibTeX、RIS 等引用格式
- 管理参考文献
适合场景
- ✅ 写论文前查资料
- ✅ 系统文献调研
- ✅ 引文管理
链接
🔗 https://github.com/Yuan1z0825/nature-skills/tree/main/skills/nature-academic-search
三、文献综述
对应 Skill：literature-review
写综述最耗时间的，不是写，而是"找"和"整理"。
这款 Literature Review Skill 专门针对系统性文献综述设计，它采用接近科研人员真实工作的流程，而不是简单总结几篇论文。
整个流程包括：
- 明确研究问题
- 制定检索策略
- 多数据库文献检索
- 文献筛选与去重
- 提取关键信息
- 按主题进行归纳分析
- 自动生成综述框架
相比普通 AI 总结，它更加关注研究脉络、证据质量、研究空白以及未来研究方向，生成的内容更符合综述论文的写作逻辑。
适合场景
- ✅ Literature Review
- ✅ Review 论文
- ✅ Thesis 文献综述
链接
🔗 https://github.com/taoyunudt/literature-review-skill
四、项目统筹
对应 Skill：academic-research-suite
一个科研项目通常涉及文献、实验设计、数据分析、论文写作等多个环节。
Academic Research Suite 的定位，就是把这些分散的工作串联起来，形成完整的科研工作流。
它不仅能够帮助制定研究计划，还能协助：
- 文献管理
- 实验方案设计
- 研究任务拆解
- 数据整理
- 项目进度跟踪
- 阶段成果管理
更像是一位 AI 科研助理，而不仅仅是一个聊天机器人，让整个科研项目始终保持有序推进。
适合场景
- ✅ 长期科研项目
- ✅ 多人合作
- ✅ 实验室项目管理
链接
🔗 https://github.com/Imbad0202/academic-research-skills-codex/tree/main/skills/academic-research-suite
五、统计分析
对应 Skill：statistical-analysis
很多研究者会用统计软件，但真正困难的是：应该选择哪种统计方法？
这款 Skill 更强调统计分析的决策过程，而不仅仅是计算结果。
它能够帮助研究者：
- 根据实验设计选择统计方法
- 判断数据是否满足统计假设
- 推荐参数检验或非参数检验
- 分析显著性与效应量
- 解释统计结果
- 给出规范的统计报告
对于医学、生物学、心理学等实验研究尤其有帮助，可以减少因统计方法选择错误而导致的分析问题。
适合场景
- ✅ 实验数据分析
- ✅ SCI 数据统计
- ✅ 假设检验
链接
🔗 https://github.com/Yang-coder503/statistic-analysis-skill/
六、科研绘图
对应 Skills：scientific-visualization、nature-figure
论文是否专业，很多时候第一眼看的就是 Figure。
这两个 Skill 分工明确：
Scientific Visualization
专注科研可视化设计，包括：流程图、实验示意图、机制图、Graphical Abstract。帮助研究者快速搭建科研插图思路。
Nature Figure
则更加偏向 Nature、Cell 等国际顶刊风格。项目强调：多 Panel 排版、字体统一、配色规范、SVG 可编辑输出、高质量出版级图片设计。对于准备投稿高水平期刊的作者非常实用。
适合场景
- ✅ SCI 配图
- ✅ Nature 风格 Figure
- ✅ Graphical Abstract
链接
🔗 Scientific Visualization：https://www.skillsbot.cn/skill/7714
🔗 Nature Figure：https://github.com/Yuan1z0825/nature-skills/tree/main/skills/nature-figure
七、论文写作
对应 Skill：nature-writing
很多 AI 都会写英文。
但真正困难的是：写出符合国际期刊规范的论文。
Nature Writing 并不是凭空生成论文，而是基于实验结果、图片和已有内容，协助完成论文写作。
支持：Abstract、Introduction、Results、Discussion、Methods、Figure Legend。整体表达更加符合 Nature 系列期刊的写作风格。
适合场景
- ✅ SCI 写作
- ✅ 英文论文
- ✅ Nature 风格论文
链接
🔗 https://github.com/Yuan1z0825/nature-skills/tree/main/skills/nature-writing
八、论文润色
对应 Skill：nature-polishing
论文初稿完成之后，真正重要的是润色。
Nature Polishing 并不仅仅修改语法，而是重点优化：学术表达、专业措辞、逻辑衔接、语言流畅性、Nature 风格表达。
相比传统语法检查工具，更符合国际期刊的表达习惯。
适合场景
- ✅ 投稿前润色
- ✅ 英文修改
- ✅ 提高论文可读性
链接
🔗 https://github.com/Yuan1z0825/nature-skills/tree/main/skills/nature-polishing
九、投稿返修
对应 Skills：nature-reviewer、nature-response、nature-data
论文写完，并不意味着结束。真正的挑战往往发生在投稿之后。
Nature Reviewer
模拟真实期刊审稿人，从创新性、实验设计、逻辑完整性等多个角度提出 Reviewer Comments。
Nature Response
帮助作者逐条回复审稿意见（Point-by-Point Response），组织更加专业、规范的返修材料。
Nature Data
协助整理投稿所需的数据文件，包括 Data Availability Statement、数据规范检查以及 FAIR 原则支持。
如果提前跑一遍这些 Skills，很多问题甚至可以在投稿前发现。
适合场景
- ✅ 投稿前自查
- ✅ 回复 Reviewer
- ✅ 投稿材料整理
链接
🔗 Nature Reviewer：https://github.com/Yuan1z0825/nature-skills/tree/main/skills/nature-reviewer
🔗 Nature Response：https://github.com/Yuan1z0825/nature-skills/tree/main/skills/nature-response
🔗 Nature Data：https://github.com/Yuan1z0825/nature-skills/tree/main/skills/nature-data
十、论文汇报
对应 Skill：nature-paper2ppt
论文发表以后，还有组会、答辩、学术报告……
很多人最头疼的，就是重新制作 PPT。
Nature Paper2PPT 可以直接根据论文内容生成完整汇报框架，按照"研究背景—科学问题—实验设计—结果分析—结论展望"组织内容，而不是简单复制论文。
生成后的 PPT 依然可以继续编辑，大幅减少准备汇报的时间。
适合场景
- ✅ 组会汇报
- ✅ 学术报告
- ✅ 答辩 PPT
链接
https://github.com/Yuan1z0825/nature-skills/tree/main/skills/nature-paper2ppt