别再只写 Prompt 了 | 这个开源项目把 Nature 风格科研工作流做成了Agent技能包

速读

最近调研到一个很适合科研人的开源项目：nature-skills。

它不是传统意义上的 Python 包，也不是简单的 Prompt 合集，而是一套围绕 SKILL.md 组织的科研 AI 工作流。它把论文润色、科研绘图、引用检索、数据可用性声明、全文精读、审稿回复、论文转中文组会 PPT 等任务，拆成了一个个可以复用的 skill。

我把它理解成一套科研 AI 使用规范：不是让 AI 每次临场发挥，而是让 AI 按照明确的科研流程工作。

nature-skills 不是 Nature 官方工具，也不能保证论文达到 Nature 录用标准。它更像是一套面向 Nature 风格和高影响力期刊写作习惯的工作流模板，适合帮助科研人把写作、绘图、审稿回复和文献精读做得更规范。

为什么这个项目值得写？

过去一年，科研人使用 AI 的方式越来越熟练。

很多人已经会让 AI 润色英文、总结论文、改审稿回复、生成绘图代码、做组会 PPT。但真正用久了会发现，问题并不在于 AI 不会写，而在于它太容易写得顺滑，却不一定写得准确。

科研写作里，顺滑不是最高标准。

一句话能不能成立，取决于证据强度；一张图好不好，不取决于配色，而取决于它是否支撑核心结论；一条引用能不能放在句尾，不取决于文章是否权威，而取决于它是否真的支持这个 claim；一封审稿回复是否专业，不取决于语气多客气，而取决于每条意见是否被完整处理、修改是否可追踪。

这也是我觉得 nature-skills 有意思的地方。

它没有把 AI 当成一个临时聊天助手，而是试图把科研工作中那些重复、重要、容易出错的流程，整理成一个个可以复用的 skill。

这背后对应着 AI 工具使用方式的变化：从一次性 Prompt，走向可复用 Workflow。

在科研场景里，这个变化尤其重要。因为科研任务不是一句“帮我润色一下”就能完成的，它往往需要判断、检查、边界、证据和格式。越是接近投稿、修回和公开汇报，越不能让 AI 只凭语言流畅度来决定输出质量。

Spatial imaging and uptake

图片来自github仓库

nature-skills 到底是什么？

nature-skills 是 GitHub 上的一个开源项目，项目名很直白：让 AI 更好地完成符合 Nature 风格的学术表达和科研绘图任务。

它的核心不是某个单独程序，而是一个个 skills/nature-* 文件夹。每个文件夹通常以 SKILL.md 为中心，并可能包含 README.md、references/、脚本、测试样例或其他支持材料。

这意味着，它不是让你每次重新写一段提示词，而是把一套规则放进一个稳定的目录里：这类任务什么时候触发，需要先检查什么，哪些信息不能编造，输出应该是什么格式，哪些地方必须让作者人工确认。

从这个角度看，nature-skills 更接近科研工作流，而不是普通 Prompt。

它目前覆盖的任务包括：

• nature-figure：科研图和多面板论文图；
• nature-polishing：学术英文润色、重构和中英转换；
• nature-citation：按 claim 检索和导出引用候选；
• nature-data：数据可用性声明、数据仓库计划和 FAIR metadata 检查；
• nature-reader：将论文整理成带原文、中文翻译、图表位置和 source map 的 Markdown 阅读材料；
• nature-response：审稿意见逐点回复、风险分类和行动映射；
• nature-paper2ppt：将科研论文转成中文 journal club 或组会 PPTX。

不同模块的成熟度并不完全一样。项目页面中部分模块被标为 Stable，部分模块仍处在 Beta 或 Draft 阶段。因此，它更适合作为可迭代的科研 AI 工作流参考，而不是一个已经完全定型的商业软件。

第一类：科研图不是漂亮图片，而是视觉论证

很多科研图的问题不是丑，而是没有服务科学结论。

有的图 panel 很多，但每个 panel 都在重复同一个意思；有的图配色很丰富，但读者看不出实验组、对照组和关键差异；有的图输出成 PNG 后看起来没问题，但投稿、排版和后期修改时文字不可编辑；还有的图把统计、n 值、source data 和图像完整性问题藏在了视觉美化后面。

nature-figure 的设计思路比较清楚：在开始画图之前，先定义图的核心结论、证据链、图形类型、后端选择、导出格式和审稿风险。它把科研图看成一种 visual argument，而不是孤立的漂亮 plot。

这个模块支持 Python 和 R 两条路线。Python 侧主要围绕 matplotlib、seaborn 等工具，R 侧则围绕 ggplot2、patchwork、ComplexHeatmap、ggrepel、svglite、cairo_pdf 和 ragg 等工具。

我觉得这里最重要的不是工具列表，而是它的工作习惯：先问这张图要证明什么，再决定怎么画。

这恰恰是很多科研图最缺的环节。

在高水平论文里，一张主图往往不是数据的堆叠，而是一条证据链。每个 panel 都应该回答不同问题：先给整体趋势，再解释偏差，再展示机制、关系或验证结果。如果两个 panel 不能提供不同证据，其中一个就应该被删掉，或者放到补充材料。

nature-figure 还强调可编辑输出和投稿友好的导出格式。对于论文图来说，SVG 和 PDF 更适合保留矢量结构与可编辑文字，TIFF 更常用于高分辨率栅格提交；它们的用途都不同于单纯的屏幕预览 PNG。不过具体格式仍要以目标期刊和投稿系统要求为准。

这对科研作者非常实用。因为真正投稿时，图不是只在屏幕上好看就够了，还要可编辑、可追踪、可解释、可审稿。

第二类：英文润色不是把句子改高级，而是保护论证

很多人让 AI 润色论文英文时，最常见的指令是：帮我润色成 Nature 风格。

问题是，Nature 风格并不等于更复杂的词、更长的句子、更强的语气。

真正好的学术英文，是让读者更快理解你的问题、证据和边界。它应该帮助论证变清楚，而不是把逻辑问题藏在漂亮句子下面。

nature-polishing 在这一点上写得很克制。它的默认立场是：语言服务于论证，不应该在推理本身有问题时只做句子润色；同时不能编造数据、引用、机制或 novelty claim，也不应该让 AI 从零生成论文的核心科学论点。

这一点非常关键。

很多稿件被改坏，不是因为语法错误，而是因为 AI 把原本谨慎的表达改得过度确定。例如，把 suggest 改成 demonstrate，把 may reflect 改成 proves，把 limited observation 改成 general conclusion。

这些变化在英文上看似更有力，在科研上却可能更危险。

nature-polishing 的思路是先识别论文类型和 section 责任，再处理段落逻辑、claim-evidence-boundary，最后才是句子层面的润色。它区分 Introduction、Results、Discussion、Conclusion、Methods 等部分的写作任务，例如 Results 更关注观察到了什么，Discussion 更关注如何理解以及解释边界。

我觉得这对中文作者尤其重要。

中文科研写作中常见的问题不是不会表达，而是句子里同时塞进了背景、方法、结果、解释和意义。AI 如果只做逐句翻译，很容易生成一种看起来流畅、但逻辑仍然缠绕的英文。

这个 skill 的价值在于，它会先重建逻辑，再改写语言。

也就是说，它不是单纯问：这句话怎么更好听？而是先问：这句话在论文里承担什么功能？

第三类：审稿回复不是礼貌信，而是验证文件

审稿回复是最容易体现科研工作流能力的场景之一。

一封好的 response letter，不只是感谢 reviewer，也不是简单解释作者为什么这么做。它真正要完成的是一件事：让编辑相信每一条意见都被理解、处理、定位和追踪。

nature-response 对这一点的定位很明确。它把审稿回复视为面向编辑的验证文件。每条 reviewer concern 都需要被理解、处理，并映射到具体稿件修改、科学理由或尚需作者补充的信息。

这个 skill 会把编辑意见和审稿意见拆成稳定 ID，例如 E.1、R1.1、R1.2、R2.1，再分类严重程度、行动类型、缺失信息、风险和准备状态。它还明确要求：不能编造实验、分析、引用、行号、图号、补充材料、编辑指令或稿件修改。

这其实非常接近真实的 revision 管理。

很多大修回复写得吃力，不是因为英文不好，而是因为前期没有建立 comment-response tracker。等到 reviewer comment 很多、审稿人意见彼此冲突、编辑还有额外要求时，如果没有稳定编号和行动映射，很容易漏改、错改，或者把尚未完成的工作写成已经完成。

nature-response 的价值就在于：它把审稿回复从临场发挥，变成了一个可审计的工作包。

对正在准备 major revision 的作者来说，这比单纯让 AI 写几段客气话有用得多。

第四类：论文转 PPT，不应该照搬 section 顺序

组会 PPT 是另一个很适合 skill 化的科研任务。

很多同学做 journal club 时，会下意识按照论文顺序做 PPT：背景一页，方法一页，Figure 1 一页，Figure 2 一页，Figure 3 一页，最后总结一页。

这种方式最大的问题是，它把论文搬到了 PPT 上，却没有把论文讲成一个故事。

nature-paper2ppt 的核心原则是：用论文的科学论证作为 presentation spine，而不是机械复制 manuscript section order。它要求先识别论文类型、核心问题、knowledge gap、关键证据、可信度来源、创新点和边界，再选择真正需要进入 PPT 的图表。

它的目标输出不是简单大纲，而是真正的中文 .pptx deck，包括中文 slide 标题、要点、图注、takeaway 和 speaker notes。实际能否直接生成完整 PPTX，也取决于所用 agent 的文件读写能力、Python 环境和本地依赖是否可用。

这点很实用。

对组会来说，听众真正需要的不是作者在每一页做了什么，而是：这篇文章解决了什么问题？为什么这个问题值得解决？作者提出了什么方法或机制？哪几张图构成关键证据链？结果为什么可信？哪些结论有边界？这篇文章对我们自己的课题有什么启发？

如果 AI 只是总结论文，它可能会把每个 section 都压缩一下。

但如果 AI 按照论证链做 PPT，它会更像一个真正的论文分享者。

引用、数据和精读，是科研 AI 最容易出错也最需要规范的地方

除了上面几个更显眼的模块，nature-skills 里还有几类看似不那么炫、但很关键的能力。

nature-citation 的目标是把文稿或单独 claim 转成 citation candidates，并支持导出 ENW、RIS 或 Zotero RDF 等文献管理器格式。这个模块强调 claim segmentation、journal scope filtering、support grading，以及不要编造 DOI、页码、卷期和期刊元数据。

这类工具必须谨慎使用。

AI 给引用最大的问题不是找不到文献，而是找到一篇看起来相关的文献，然后把它放在并不真正支持的句子后面。所以 citation skill 真正有价值的地方，不是帮你堆引用数量，而是把 claim 拆清楚，再判断证据支持关系。

nature-data 则面向数据可用性声明、仓库计划、数据集引用和 FAIR metadata 检查。它会把支撑结果的数据逐项盘点，并区分公开仓库、受控访问、补充材料、第三方受限数据、合理请求等不同访问路线。这个模块也明确要求不能编造 DOI、accession number、repository name、license、embargo date 或访问条件。

这对投稿越来越重要。很多文章科学内容本身不错，但数据可用性声明写得含糊，比如一句 available upon reasonable request 就想解决所有问题。对很多高水平期刊来说，这种表达往往不够。

nature-reader 则更适合文献精读。它可以把论文做成带原文、中文翻译、图表位置和 source anchors 的 Markdown 阅读文件，而不是简单摘要。

这类能力很适合组会前精读，也适合后续追问某个结论到底来自哪一页、哪一段、哪张图。

怎么开始用？

它不是 pip install 一下就结束的工具。

更准确地说，它是一套可以被 AI agent 读取的 skill 文件夹。

项目安装说明强调：不要只复制单个 SKILL.md。很多 skill 依赖 references/、README.md、assets 或 scripts，单独复制一个文件可能会让 workflow 被静默破坏。

一个更稳妥的原则是：复制完整的 skills/nature-* 文件夹，而不是只拿一个 SKILL.md。

基础步骤可以这样理解：

git clone https://github.com/Yuan1z0825/nature-skills.git
cd nature-skills

如果使用 Codex，当前官方文档中可用的用户级 skill 目录是 $HOME/.agents/skills。可以参考下面这种方式复制完整 skill 文件夹：

mkdir -p ~/.agents/skills
cp -R skills/nature-polishing ~/.agents/skills/
cp -R skills/nature-figure ~/.agents/skills/

如果使用 Claude Code，当前官方文档中的个人 skill 路径形式是 ~/.claude/skills/<skill-name>/SKILL.md。可以参考下面这种方式：

mkdir -p ~/.claude/skills
cp -R skills/nature-polishing ~/.claude/skills/
cp -R skills/nature-paper2ppt ~/.claude/skills/

需要注意的是，项目安装文档和不同 agent 的官方文档可能存在路径表述差异，尤其是在工具快速迭代时。实际安装时，不要机械照抄旧示例，最好以你正在使用的 agent 版本和最新官方文档为准。

可以先从下面几个场景开始试：

投稿前润色：把 Abstract、Introduction、Results、Discussion 分别交给 nature-polishing，重点看 claim strength、section logic 和 overclaim。

主图优化：用 nature-figure 前，先说明目标结论、数据结构、想用 Python 还是 R、目标输出格式、期刊或使用场景。

审稿回复：把 editor decision letter、reviewer comments、作者修改计划一起交给 nature-response，让它先做 comment-response tracker，再写逐点回复。

组会分享：用 nature-reader 先做精读，再用 nature-paper2ppt 生成中文 journal club PPT。

评价

我觉得 nature-skills 最值得学习的地方，不是它写了多少提示词，而是它体现了一种很重要的科研 AI 使用方式：把不稳定的临场提示，变成可复用的流程规范。

这对科研人非常重要。

因为论文写作、科研绘图、引用选择、审稿回复和组会汇报，本质上都不是纯生成任务，而是带有强约束的判断任务。它们需要遵守证据边界、期刊规范、领域术语、图表逻辑和可追溯性。

普通 Prompt 的问题是，每次都靠人重新说明一次规则。Skill 的优势是，把规则写成可复用结构，让 AI 在正确边界里工作。

当然，它也不是 Nature 录用保证。

这点要说清楚。

它不能替代真实实验，不能替代统计审查，不能替代领域专家判断，也不能替代作者对引用、数据、图表和审稿回复的最终责任。特别是 citation、data availability、reviewer response 这些任务，仍然必须逐条人工核对。

它更像一个科研工作流放大器。

你的科学问题清楚，它能帮你把表达、图表和回复做得更规范；你的证据链完整，它能帮你把论证组织得更可读；你的材料不充分，它也会暴露问题，而不是替你编出一个看似完整的答案。

这其实是一个好工具该有的边界。

END

科研 AI 的下一步，不是让模型更会说漂亮话，而是让它更懂流程。

读论文要有 source map；写论文要控制 claim strength；补引用要匹配具体论断；画主图要服务核心结论；做 PPT 要讲清楚证据链；回审稿要逐条可追踪。

nature-skills 的价值就在这里。

它提醒我们：真正提高科研效率的，不是每次把 Prompt 写得更长，而是把那些反复出现、但又不能出错的科研流程，沉淀成可复用的 skill。

对科研人来说，这可能比一个万能提示词更重要。

项目信息

项目名称：nature-skills

GitHub：https://github.com/Yuan1z0825/nature-skills

定位：面向 Nature 风格科研写作、绘图和论文工作流的 AI skill 集合

协议：项目页面当前标注为 MIT License，后续以仓库页面为准

适合场景：论文润色、科研图、审稿回复、论文精读、文献引用、数据可用性声明、中文组会 PPT