做论文选题时，真正困难的往往不是“想不到方向”，而是无法确认：

相关论文是否查全了？所谓研究空白是真空白，还是检索遗漏？ 方法看起来新，换一组关键词后是否早有人做过？即使思路成立，怎样设计最小实验验证它，又在什么结果下承认它无效？

普通大模型可以快速生成题目、创新点和实验方案，但很容易跳过文献证据，直接给出一套“看起来像论文”的答案。

ResearchStudio-Idea 想解决的，正是论文写作前的这段工作。

它不是简单的选题生成器，而是一套由文献检索、瓶颈识别、方案生成、逻辑推演、撞题核查和结果输出组成的科研构思工作流。

我们整理了 ResearchStudio-Idea 资料包，涵盖文献检索、撞题核查和研究方案生成 skill 调用提示，并附上 ResearchStudio-Idea 安装包。

只需要替换研究方向，就能快速跑通从模糊方向到生成研究方案的完整流程，减少摸索 Skill 的时间。

文末有免费获取方式。

1. 先找证据，再生成方案

ResearchStudio-Idea 最值得推荐的地方，是它不会拿到一个研究方向后立即编创新点。

它主要包含三个Skill：

• • Paper-Search：多来源检索论文；
• • Scoop-Check：检查创新性和撞题风险；
• • Idea-Spark：把研究方向推进为完整的 Idea Card。

其中，Idea-Spark内部也包含文献检索、瓶颈识别和创新性审计，因此只调用它也能运行完整流程。

它还允许“生成失败”。如果问题过宽、文献证据不足或候选方案连续未通过创新审计，系统可以输出do_not_generate或phase_3_failed.md，而不是强行包装一个伪创新。

2. 从模糊方向快速走到研究方案

为了更直观地展示完整流程，我采用 “文本生成视频模型中的物理真实性评价” 作为研究方向来演示 ResearchStudio-Idea。

当前视频生成模型可能出现物体穿透、轨迹突变、对象突然消失、接触关系错误和因果顺序异常。这个方向足够热门，也能直观看出检索、瓶颈分析和创新审计的价值。

2.1 Paper-Search：先建立领域文献地图

第一步调用 /paper-search，检索文本生成视频、物理一致性、对象轨迹、接触关系、时序因果和生成视频评价等相关论文。

它不会只搜索用户输入的原始关键词，还会扩展问题词、机制词和跨领域同义表达。

这样可以降低一种常见风险：已有论文没有使用相同的问题表述，却已经通过另一套术语实现了类似方法。

图1：系统从一个研究方向扩展出多组互补检索词

检索结果还会整理为论文列表、研究主题、代表工作、近期竞争论文、常用数据集和评价指标。

图2：Paper-Search 建立的领域文献地图

这一步回答的是：该领域已经有哪些研究，哪些论文必须先读。

2.2 Scoop-Check：检查初步想法是否撞题

完成领域扫描后，我提出一个初步方案：

在不重新训练视频生成模型的情况下，提取对象轨迹、数量变化和接触关系，对轨迹突变、物体穿透和时序错误进行分层检测。

随后调用 /scoop-check，要求系统主动寻找能够否定该创新点的论文。

Scoop-Check 会把研究主张拆成四个维度：

• • 问题定义；
• • 核心机制；
• • 关键洞见；
• • 应用领域。

图3：将笼统的创新点拆成四个可比较维度

之后，它会使用 signature_terms 搜索方案自身的技术表达，再用 alias_terms 搜索其他领域可能采用的同义名称。

图4：系统给出最接近论文、重合风险和仍可能成立的差异

这一步回答的是：当前想法究竟新不新，哪些部分已经被已有论文覆盖。

2.3 Idea-Spark：生成可证伪的Idea Card

确认研究瓶颈和创新边界后，再调用 /idea-spark。

这次除了输入研究方向，还加入现实约束：

GPU：2张80GB A100
周期：8周
数据：仅使用公开数据
不训练新的大型视频生成模型
允许离线特征提取和轻量微调

Idea-Spark 会从创新模式库中选择合适的研究路径，并要求候选方案写清：

• • core_mechanism_steps：方法如何运行；
• • gap_closure：每一步解决哪个缺口；
• • falsification_prediction：什么结果能够否定方案。

图5：系统将研究想法转化为可执行的方法结构

它还会提供关键指标、成本预算和潜在审稿意见。例如，如果方案声称对象关系是核心变量，那么破坏对象关系后，性能应该明显回落；如果没有回落，这项核心主张就无法成立。

图6：系统整理出详细的实验方案

最终会把详细的研究方案整理成 md 和 tex 格式的文件，若安装 XeLaTeX 或 Tectonic，还可以编译中英文 PDF。

3. 它的优势不只是“更快想题目”

结合演示结果，ResearchStudio-Idea有四个明显优势。

第一，文献不是装饰。 系统需要指出最接近的论文，并说明已有工作做到哪里、还缺什么。

第二，创新点必须落到机制。 方案需要给出变量、输入输出和方法步骤，而不是停留在“设计一个新框架”。

第三，它会主动寻找反证。 Scoop-Check关注的不是如何证明方案新，而是哪些论文可能覆盖它。

第四，它允许方案失败。 证据不足、逻辑不通或严重撞题时，系统可以停止生成。

因此，它改善的不是写作速度，而是研究启动阶段的判断质量。

4. 安装与调用

官方建议使用 Python 3.10 以上环境：

git clone https://github.com/microsoft/ResearchStudio.git
bash install.sh

也可以使用：
npx github:microsoft/ResearchStudio

安装后，可在 Claude Code 或 Codex 中调用，如：

/idea-spark
研究物理真实性约束下的文本生成视频模型，
算力预算不超过4张A100，
希望形成可投稿ICLR的研究方案。

需要先做领域扫描时，可以使用 /paper-search；已经有明确创新主张，只需要检查撞题风险时，可以使用 /scoop-check。

OpenReview账户以及Semantic Scholar、OpenAlex的API配置会影响检索稳定性。连接器或全文依赖缺失时，系统可以降级运行，但证据完整性也会下降。

5. 使用边界

ResearchStudio-Idea目前明显偏向机器学习研究。

其模式库主要来自ICLR、ICML和NeurIPS，因此更适合算法、模型、AI系统、计算机视觉、自然语言处理和多模态研究。

它也不能证明绝对原创。数据库覆盖、关键词、全文获取状态和未公开论文都会影响结果。Scoop-Check提供的是当前可检索证据范围内的重合风险。

此外，它不负责数据准备、代码实现、模型训练、完整消融和论文写作。最终方案仍然需要研究者通过实验验证。

6. 总结

ResearchStudio-Idea 最值得关注的，不是让GPT-5.6更快生成论文题目，而是改变科研选题的顺序：

先建立文献证据，再识别真实瓶颈；
先核查创新边界，再生成研究方案；
最后通过负对照和失败条件，让方案具备可证伪性。

它不能保证一个方向最终被录用，却能把“凭感觉想选题”，变成一套更可追溯、更容易质疑，也更接近真实科研判断的过程。

好的Skill，也需要一套清晰、专业的提示词，才能真正发挥作用。

如果你正在做论文选题、开题准备、文献调研、创新点核查或AI研究方案设计，从零摸索三个Skill的调用和输入，仍然需要不少时间。

因此，我们整理了一套 ResearchStudio-Idea 资料包，涵盖Paper-Search文献检索、Scoop-Check撞题核查和Idea-Spark研究方案生成的调用方法，并附上 ResearchStudio-Idea 安装包。

你只需要替换研究方向，就能快速跑通完整流程，减少反复测试和摸索Skill的时间。

这里免费获取，还有更多科研资源等你来拿～

👇👇👇

微软开源 AI 科研神器：ResearchStudio-Idea 筛选可靠创新点，配合 GPT 5.6 太强了！