从安装配置到真实科研场景，系统介绍Nature Skills的功能、使用方法、组合方式、适用边界与常见问题。

一、为什么科研工作需要一组Skills，而不是一个万能提示词？

过去使用大语言模型辅助科研时，我们经常采用这样的方式：

请帮我润色这段论文。
请帮我查找相关文献。
请帮我审阅这篇论文。
请帮我根据审稿意见写一封回复信。

这种使用方式很方便，但也存在明显问题。

例如，模型在润色论文时，可能只关注句子是否流畅，却没有检查论点、证据和结论之间的关系；查找文献时，可能只根据标题判断相关性，没有真正核查文献是否支持相应论断；模拟审稿时，可能只是泛泛地提出“增加实验”“加强讨论”，却没有按照真实审稿逻辑检查论文；撰写返修信时，甚至可能声称已经完成某项修改，而修改稿中实际上没有对应内容。

科研工作并不是一次性的文本生成，而是一系列相互关联的专业任务：

不同任务的输入、规则、风险和输出形式并不相同。用一个万能提示词处理所有问题，通常很难得到稳定、可核查的结果。

Nature Skills的价值就在这里。

它试图把复杂的科研活动拆分成多个可复用的专业技能，让AI智能体在执行具体任务时，按照相对明确的流程、边界和质量标准开展工作。

需要首先说明的是：

Nature Skills不是一个“一键生成Nature论文”的工具，也不能保证论文被Nature或其他高水平期刊录用。

它更适合被理解为一套面向科研工作流的AI技能库。

---

二、Nature Skills是什么？

Nature Skills是一个开源科研技能项目。项目将论文阅读、文献检索、引用核查、科研写作、语言润色、科研绘图、统计审查、审稿模拟、返修信撰写和论文汇报等任务封装为相对独立的Skills。

项目强调三个方面：

1. 解决真实科研问题；
2. 建立可以核查的工作流程；
3. 生成能够直接继续编辑或使用的科研产物。

这些产物可能包括：

• Markdown论文精读文档；
• 检索结果和文献证据表；
• RIS、EndNote或Zotero引用文件；
• 论文段落和章节草稿；
• SVG、PDF或PNG科研图；
• Data Availability Statement；
• 模拟审稿报告；
• Response to Reviewers；
• 可编辑的PPTX汇报文件；
• 专利交底材料或专利草稿。

项目的代码、最新技能目录和更新记录可以在Nature Skills官方GitHub仓库查看。

Nature Skills与普通提示词有什么区别？

普通提示词通常只告诉AI“做什么”，而一个相对完整的Skill还会规定：

• 什么情况下应该调用；
• 用户需要提供哪些材料；
• 开始前必须确认哪些条件；
• 任务应该分成哪些步骤；
• 哪些内容不允许推测；
• 缺少信息时应如何处理；
• 最终应该交付什么文件或文本；
• 如何检查输出是否满足要求。

因此，Skill不是神奇的外挂，也不只是一个很长的提示词。

它更接近：

为AI智能体准备的科研标准操作流程。

---

三、Nature Skills并不是一个技能，而是一套技能

截至2026年7月21日，项目公开技能索引中列出了17个可触发技能，另有一个供其他技能调用的共享支持目录。技能分为Stable、Beta和Draft三种状态。当前技能索引

状态	含义
Stable	已在真实学术内容上进行过验证，规则相对稳定
Beta	已有示例测试，但某些边界仍可能存在问题
Draft	核心规则已经建立，但真实案例验证仍不充分

这三个标签非常重要。

安装成功并不等于技能已经在所有学科、期刊和研究任务中得到充分验证。尤其是Draft技能，使用者应当投入更多人工检查。

当前技能全景图

科研环节	技能	状态	主要用途
文献检索	nature-academic-search	Beta	多来源检索、DOI核验、他引分析和参考文献管理
全文获取	nature-downloader	Beta	通过开放获取、图书馆资源和已有登录状态合法获取论文
文献监测	nature-literature-pipeline	Stable	自动检索、评分、推送和归档新论文
论文阅读	nature-reader	Beta	生成带来源锚点、图文对应和中英文对照的全文阅读稿
引用匹配	nature-citation	Beta	为论断查找Nature/CNS范围内的支持文献并导出引用文件
引用核验	nature-ref-verifier	Beta	交叉核验作者、题名、年份、卷期、页码等字段
研究方案	nature-proposal-writer	Beta	从证据和论证结构出发起草或审查研究方案
论文起草	nature-writing	Draft	根据研究结果、图表和笔记起草论文部分
英文润色	nature-polishing	Stable	翻译、润色和重构学术文本
科研绘图	nature-figure	Stable	使用Python或R制作投稿级科研图或示意图
统计报告	nature-statistics	Draft	审查样本量、重复、p值、效应量和置信区间等内容
数据声明	nature-data	Draft	编写数据可用性声明并检查FAIR信息
投稿前审稿	nature-reviewer	Draft	从审稿人视角生成三份评审报告和综合意见
论文返修	nature-response	Beta	解析审稿意见并生成逐点回复、Cover Letter和修改映射
论文汇报	nature-paper2ppt	Beta	将论文转换为中文学术汇报PPTX
实验记录	nature-experiment-log	Draft	将图片、语音和文字整理为标准化实验日志
成果转化	nature-paper-to-patent	Beta	从论文或技术资料中挖掘专利点并生成专利材料

此外，项目中还有一个nature-shared目录。它存放多个技能共同使用的规则、参考资料或其他支持文件，通常不会作为独立技能触发。

---

四、Nature Skills背后的设计思想

Nature Skills真正值得研究的地方，并不只是技能数量，而是它所体现的科研智能体设计方式。

1. 证据优先

高质量科研写作不是把句子写得复杂，而是保证：

• 论断有证据支持；
• 证据与论断的范围一致；
• 相关性不被误写成因果性；
• 实验结果不被过度外推；
• 不确定性和局限性得到保留。

因此，Nature Skills中的写作、引用、审稿和返修技能普遍强调证据边界。

2. 显式规则优先

普通提示词经常只说“请严谨一些”，但严谨究竟意味着什么并不明确。

Nature Skills试图把“严谨”拆解为可以执行的规则，例如：

• 不根据标题直接判断一篇文献是否支持论断；
• 不虚构DOI、作者、页码或数据仓库编号；
• 不在没有证据时声称某项修改已经完成；
• 不把技术上正确但未经验证的推测写成研究结论；
• 缺少信息时使用占位符或待确认标记。

3. 任务上下文优先

摘要、引言、结果和讨论部分的写作逻辑并不相同。

同样，方法示意图、实验对比图、统计图和概念图的目标也不相同。一个成熟的科研技能需要理解任务所在的论文类型、章节位置和使用场景，而不是对所有内容应用同一套模板。

4. 交付物优先

Nature Skills通常不满足于给出几条建议，而是尽可能生成可以继续使用的产物，例如：

• 完整Markdown；
• .pptx；
• .svg；
• .docx；
• 引用管理文件；
• 可粘贴的论文段落；
• 可执行的修改清单。

项目将“一手来源、显式规则、上下文感知、可用产物和可扩展性”列为共享设计原则。项目设计原则

---

五、核心技能详细介绍

5.1 nature-academic-search：多来源学术检索

这个技能用于处理比较完整的文献检索任务，而不仅是搜索几个论文标题。

它可以帮助完成：

• 多来源文献检索；
• DOI和元数据核查；
• 引用文献与被引文献分析；
• 严格他引统计；
• 高影响力引用者识别；
• MeSH检索策略设计；
• NBIB、RIS、BibTeX等引用文件管理；
• 参考文献列表整理。

适合的请求：

使用nature-academic-search查找主动特征获取领域中结合序分类或等级标签的方法。请给出检索式、数据库来源、纳入标准、排除标准和候选文献表，不要仅根据标题判断相关性。

它和nature-citation的区别是：

• nature-academic-search适合广泛发现和组织文献；
• nature-citation适合针对具体论断寻找支撑文献。

如果你正在做综述、开题或研究选题，应当先用nature-academic-search建立文献集合。

---

5.2 nature-downloader：合法获取论文全文

检索到论文并不意味着已经取得全文。

nature-downloader用于通过以下渠道寻找论文：

• 开放获取版本；
• 机构图书馆资源；
• 已经登录的浏览器状态；
• 合法的学术数据库入口；
• 作者公开版本或机构仓储。

需要强调的是，它不是“绕过付费墙”的工具。

如果论文无法合法获取，正确的输出应当是说明受阻原因，并建议通过图书馆、作者主页、机构仓储或文献传递等途径获得，而不是采用不合规方式下载。

---

5.3 nature-literature-pipeline：自动追踪最新论文

如果研究方向长期固定，重复检索会占用大量时间。

nature-literature-pipeline可以把文献发现组织为持续运行的流程：

1. 定期检索多个来源；
2. 对候选论文进行去重；
3. 按主题相关性、影响力和新颖性等维度评分；
4. 选择高价值论文；
5. 推送精读候选；
6. 将结果保存到本地。

例如，主动学习研究者可以创建这样的监测任务：

每周检索一次主动特征获取、成本敏感主动学习、预算约束分类和序分类方向的新论文，优先保留包含公开代码、真实数据集或新理论结果的研究，并生成本周新增论文摘要。

自动化检索最大的风险是“看起来很忙，实际上噪声很多”。因此，建议先用人工运行调好检索式、评分规则和排除条件，再改为定期执行。

---

5.4 nature-reader：把论文变成可追溯的双语精读材料

普通的论文总结往往只保留结论，很容易丢失上下文。

nature-reader更强调全文级阅读，典型输出包括：

• 原文和中文对照；
• 标题层级；
• 图表插入位置；
• 图题和表题；
• 术语对照表；
• 关键论断；
• 来源锚点；
• 阅读过程中发现的问题。

可以直接这样使用：

使用nature-reader处理这篇PDF，生成完整的中英文对照Markdown。保留标题层级、公式、图题、表题和引用编号。每一部分都要能追溯到原文位置，不要只生成摘要。

如果论文是扫描版PDF，还需要先做OCR。此时应重点检查：

• 数学符号是否识别正确；
• 上下标是否丢失；
• 图题是否与正文混在一起；
• 多栏排版的阅读顺序是否错误；
• 表格行列是否发生错位。

---

5.5 nature-citation：让文献真正支持论文中的论断

论文引用中最危险的问题，不是引用数量少，而是引用与论断不匹配。

例如：

主动学习能够显著减少模型训练成本。

这句话包含多个需要澄清的问题：

• 哪种主动学习？
• 减少的是标注成本、计算成本还是特征获取成本？
• 在什么任务和数据集上？
• “显著”是统计意义还是一般修饰语？
• 文献支持的是“可能减少”，还是“普遍能够减少”？

nature-citation的工作重点，是先拆解论断，再判断文献是否真正支持。

需要注意的是，该技能当前主要针对Nature/CNS系列文献。如果你的研究方向非常专业，核心文献主要来自NeurIPS、ICML、KDD、AAAI、IJCAI、JMLR或TPAMI，那么它不能替代通用学术检索。

更加合理的组合是：

nature-academic-search：建立广泛候选文献集
        ↓
nature-citation：核查特定范围内的高影响力支撑文献
        ↓
nature-ref-verifier：检查最终参考文献字段

---

5.6 nature-ref-verifier：核验参考文献元数据

参考文献错误并不只来自AI编造，也可能来自：

• EndNote字段丢失；
• Zotero导入错误；
• 预印本与正式版本混用；
• 卷号和年份不一致；
• 页码、文章号或期号缺失；
• 作者顺序错误；
• DOI对应了另一篇论文。

nature-ref-verifier会从多个来源核对：

• 作者；
• 文献标题；
• 期刊或会议名称；
• 发表年份；
• 卷号、期号和页码；
• DOI；
• 预印本与正式版本的关系。

适合的请求：

使用nature-ref-verifier核查这个参考文献表。请逐条比较作者、标题、年份、期刊、卷期、页码和DOI，把确定错误、可能冲突和无法确认的项目分别列出，不要自动猜测缺失字段。

这对于处理由旧版EndNote生成、字段残缺或标题丢失的参考文献尤其有价值。

---

5.7 nature-proposal-writer：从证据出发构建研究方案

这个技能不是简单生成一份“开题报告范文”，而是先建立研究方案的逻辑结构：

1. 研究问题是什么；
2. 现有研究已经解决了什么；
3. 未解决的问题是什么；
4. 研究假设或目标是什么；
5. 计划采用什么方法；
6. 如何验证；
7. 什么结果可以支持或否定假设；
8. 有哪些风险和替代方案。

例如：

使用nature-proposal-writer设计一个序分类主动特征获取研究方案。先建立问题定义、文献证据、研究缺口、核心假设、算法路线和实验验证契约。证据不足的地方列为待检索问题，不要直接起草完整正文。

这种“先立契约、后写正文”的方式，可以减少AI生成大量流畅但缺乏研究内容的文字。

需要注意：使用npx skills --list时，应以实际显示的frontmatter名称为准。官方说明特别指出，某些目录名和最终显示的技能名可能不同。

---

5.8 nature-writing：从研究材料构建论文论证

nature-writing适合根据作者提供的材料起草或重构：

• 摘要；
• 引言；
  -结果；
• 讨论；
• 方法部分；
• 图表描述；
• 研究局限性；
• 结论。

它最重要的原则不是“写得像Nature”，而是先建立：

研究问题
→ 已知事实
→ 研究缺口
→ 本文贡献
→ 证据链
→ 结论边界

建议输入至少包括：

• 论文类型；
• 目标章节；
• 研究问题；
• 方法概述；
• 主要实验结果；
• 图表；
• 已确认参考文献；
• 不允许修改或扩大的结论。

示例提示词：

使用nature-writing起草这篇主动特征获取论文的Discussion。根据我提供的实验表格总结三个主要发现，分别讨论性能、特征成本和算法稳定性。不要补造统计显著性，不要声称优于没有参与比较的方法。信息不足的位置用[AUTHOR INPUT NEEDED]标记。

---

5.9 nature-polishing：润色不是把句子变复杂

nature-polishing主要处理已经存在的文本，可以执行：

• 中文翻译为英文；
• 英文语法和表达优化；
• 段落结构重组；
• 冗余删除；
• 逻辑衔接改善；
• 术语统一；
• 不同论文部分的语言适配。

它和nature-writing的分工应当明确：

任务	推荐技能
根据研究材料从零起草章节	nature-writing
改善已有段落的语言和结构	nature-polishing
两者都需要	先writing，再polishing

一个更好的润色提示词是：

使用nature-polishing处理下面的Introduction。保持所有技术含义和引用编号不变，先检查段落论证顺序，再进行英文润色。不要添加新的实验结果或参考文献。输出修改稿，并用简短列表说明主要结构调整。

需要警惕“高级词汇崇拜”。

Nature风格不等于长句、生僻词和复杂修饰。真正重要的是：

• 核心问题尽早出现；
• 论证层次清楚；
• 结论与证据匹配；
• 非本领域读者能够理解；
• 不用语言掩盖证据不足。

---

5.10 nature-figure：制作投稿级科研图

nature-figure面向Python或R科研绘图，也可以辅助构建论文示意图草稿。

一个值得注意的设计是：在进入正式绘图流程前，需要明确选择Python还是R。因为后端选择会影响：

• 使用的绘图库；
• 字体和导出方式；
• 脚本结构；
• 复现环境；
• 文件格式；
• 后续修改方法。

合理的使用流程是：

1. 明确图的科学结论；
2. 明确支撑结论的证据；
3. 选择图表类型；
4. 确定变量和视觉编码；
5. 选择Python或R；
6. 生成图表；
7. 导出矢量和位图版本；
8. 进行投稿级检查。

例如：

使用nature-figure为主动学习实验制作预算—性能曲线。我选择Python。横轴是已获取特征的平均成本，纵轴是Macro-F1。每种算法显示均值和95%置信区间。请保证黑白打印时仍可区分，并导出PDF、SVG和300 dpi PNG。

这里一定要提供真实数据。

如果暂时没有数据，可以先让技能设计图表契约或模板，但不能把随机生成的模拟数据伪装成真实实验结果。

---

5.11 nature-statistics：检查统计报告是否经得起审稿

nature-statistics关注的不只是p值，还包括：

• 样本量；
• 独立分析单位；
• 生物学重复与技术重复；
• 多重比较；
• 效应量；
• 置信区间；
• 统计检验前提；
• 图注中的统计说明；
• 审稿意见中的统计问题。

对于机器学习研究，需要特别明确：

• 多次随机划分是否独立；
• 结果来自多少个随机种子；
• 不同算法是否在相同数据划分上比较；
• 数据集平均值是否掩盖单数据集差异；
• 使用的是标准差、标准误还是置信区间；
• 多个数据集比较是否需要校正；
• 统计显著是否等于实际改进有意义。

示例：

使用nature-statistics审查我的实验部分。重点检查随机种子、数据划分、重复次数、均值与标准差、显著性检验和多重算法比较。不要重新计算没有提供原始数据的统计量，把缺失信息列为作者待补充项。

---

5.12 nature-data：编写真实的数据可用性声明

Data Availability Statement不能只是模板句子。

它需要准确说明：

• 数据来源；
• 数据是否公开；
• 仓库名称；
• DOI或登录号；
• 访问条件；
• 许可证；
• 代码位置；
• 隐私或伦理限制；
• 审稿期间如何访问；
• 正式发表后的开放计划。

nature-data的关键边界是：

不应编造仓库、DOI、访问链接、许可证或登录号。

如果信息尚未确定，正确做法是保留占位符：

The processed datasets will be deposited in [REPOSITORY NAME]
under accession [ACCESSION TO BE ADDED].

而不是让AI生成一个看起来真实的编号。

---

5.13 nature-reviewer：模拟投稿前审稿

nature-reviewer站在审稿人而不是作者的角度评估论文。

当前设计默认生成三份侧重点不同的审稿报告，以及一份综合意见。检查维度通常包括：

• 原创性；
• 科学意义；
• 技术可靠性；
• 证据充分性；
• 对广泛读者的价值；
• 论文清晰度；
• 实验和统计问题；
• 结论是否过度；
• 可复现性。

示例：

使用nature-reviewer从高水平综合期刊审稿人角度评估这篇论文。生成三份侧重点不同的审稿报告：一份关注方法创新，一份关注实验和统计，一份关注论文表达与广泛意义。最后汇总最可能阻碍投稿的五个问题。

需要注意：

• 模拟审稿不能代表真实编辑决定；
• AI无法保证研究是否达到Nature门槛；
• 不应虚构审稿人身份；
• 三份报告不应只是换一种语气重复相同内容。

---

5.14 nature-response：把审稿意见变成可追踪的返修任务

一封高质量Response to Reviewers必须实现三件事：

1. 每条审稿意见都有回应；
2. 每项声称完成的修改都能在论文中找到；
3. 无法完成的建议有清楚、诚实且有证据的解释。

nature-response可以帮助：

• 拆分编辑意见和审稿人意见；
• 为每条意见编号；
• 区分主要问题与次要问题；
• 起草逐点回复；
• 标注修改位置；
• 准备Cover Letter；
• 整理标红修改稿；
• 检查回复与正文是否一致。

示例：

使用nature-response处理这封返修邮件。把编辑意见编号为E.1、E.2，把Reviewer 1意见编号为R1.1、R1.2。逐条建立“意见—拟采取行动—所需证据—修改位置—回复草稿”表。没有实际完成的修改不能写成已完成。

这条规则尤其重要：

AI不能替作者声称做过一个实际上没有做过的实验。

---

5.15 nature-paper2ppt：从论文生成真正的PPTX

很多“论文转PPT”工具只能生成一个提纲。

nature-paper2ppt的目标是交付可编辑的PPTX，并根据论文类型组织叙事。例如：

• 发现型研究；
• 方法型研究；
• 数据资源型研究；
• 临床研究；
• 材料研究；
• 综述论文。

它会尝试完成：

• 研究背景；
• 研究问题；
• 方法概览；
• 关键结果；
• 原论文图表选择；
• 结论与局限；
• 来源标注；
• 演讲备注；
• 术语统一；
• 页面质量检查。

使用示例：

使用nature-paper2ppt把这篇论文制作成20分钟中文组会汇报。保留最关键的原论文图件，说明每张图支持什么结论，在备注中补充讲解提示，并输出可编辑PPTX。

生成后仍然需要人工检查：

• 图片是否清晰；
• 字号是否适合投影；
• 图表是否被裁切；
• 一页是否塞入过多内容；
• 论文结论是否被过度简化；
• 图表来源是否标注。

---

5.16 nature-experiment-log：把实验过程变成可检索记录

研究中的大量信息分散在：

• 实验图片；
• 语音备忘；
• 临时文字；
• 群聊信息；
• 仪器输出；
• 文件夹命名；
• 纸质记录。

nature-experiment-log用于将这些材料整理为带结构化元数据的实验日志，并可归档到Obsidian等知识库。

对于机器学习研究，也可以把它改造成算法实验日志，记录：

• 数据集；
• 预处理版本；
• Git提交；
• 参数配置；
• 随机种子；
• 运行环境；
• 指标；
• 异常情况；
• 输出文件；
• 下一步计划。

它不能代替版本控制和实验跟踪平台，但可以补充研究者的解释性记录。

---

5.17 nature-paper-to-patent：从论文发现专利点

该技能尝试从论文、技术报告或项目材料中：

• 提取技术问题；
• 识别潜在发明点；
• 区分论文贡献和专利保护点；
• 组织技术交底书；
• 辅助查新；
• 起草中国发明专利相关材料。

但专利工作具有较高法律风险。

AI生成的内容只能作为研究和起草辅助，不能替代：

• 专利代理师；
• 权利要求范围设计；
• 新颖性和创造性法律判断；
• 现有技术检索；
• 正式申报文件审查。

---

六、Nature Skills如何工作？

Nature Skills的典型目录可能包含：

skills/
├── nature-shared/
├── nature-reader/
│   ├── SKILL.md
│   ├── README.md
│   ├── README_EN.md
│   ├── manifest.yaml
│   ├── static/
│   └── references/
└── nature-figure/
    ├── SKILL.md
    ├── scripts/
    ├── references/
    └── assets/

这些文件承担不同职责：

文件或目录	作用
SKILL.md	描述触发条件、规则、工作流和输出要求
README.md	面向使用者的中文说明
README_EN.md	英文说明
manifest.yaml	描述复杂技能的工作流和路由
references/	存放详细规则、学术规范和参考资料
static/	存放不同任务分支的静态流程
scripts/	执行文件处理、绘图、转换或验证
assets/	模板、示例和视觉资源
nature-shared/	多个技能共同依赖的支持内容

因此，安装Nature Skills时不能只复制SKILL.md。

只复制这一个文件，技能可能看起来已经出现，但在执行过程中会缺少模板、脚本、路由或共享资源。

---

七、在Codex中安装Nature Skills

7.1 安装前准备

建议准备：

• 可以使用Skills的Codex环境；
• Git；
• Node.js 18或更高版本；
• 必要时安装Python或R；
• 能够访问GitHub；
• 足够的本地文件权限。

并不是所有技能都需要Python、R或外部数据库。建议先安装技能本身，再根据实际使用的功能补充依赖。

7.2 方法一：直接让Codex安装

对于不熟悉终端的用户，这是最简单的方式。

把下面的内容发送给Codex：

请从下面的GitHub仓库安装Nature Skills：

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

请先克隆仓库，然后运行：
scripts/update-codex-skills.sh --pull

安装完成后运行：
scripts/update-codex-skills.sh --check

请保留skills目录下的完整技能文件夹，
不要只复制SKILL.md。
如果某个技能依赖nature-shared，也请一并安装。

Codex应当完成：

1. 下载仓库；
2. 检查安装脚本；
3. 将完整技能目录同步到Codex技能目录；
4. 验证文件是否一致；
5. 报告安装结果。

这种安装方式仍然涉及本地文件修改和网络下载，因此应当阅读Codex显示的操作范围，确认目标仓库和安装目录正确。

7.3 方法二：使用项目脚本

手动安装可以执行：

git clone https://github.com/Yuan1z0825/nature-skills.git
cd nature-skills
scripts/update-codex-skills.sh --pull

安装完成后检查：

scripts/update-codex-skills.sh --check

如果本地已经克隆过仓库：

cd nature-skills
scripts/update-codex-skills.sh --pull

项目脚本会同步skills/下的技能目录，并检查复制后的文件是否一致。官方安装方式和相关注意事项可以查看项目安装说明。

7.4 方法三：使用npx skills

先查看当前可安装技能：

npx skills add Yuan1z0825/nature-skills --list

把全部技能全局安装到Codex：

npx skills add Yuan1z0825/nature-skills \
  --global \
  --agent codex \
  --skill '*' \
  --yes \
  --copy

只为当前项目安装nature-figure：

npx skills add Yuan1z0825/nature-skills \
  --agent codex \
  --skill nature-figure \
  --yes \
  --copy

安装依赖共享资源的技能时，应同时安装nature-shared。例如：

npx skills add Yuan1z0825/nature-skills \
  --global \
  --agent codex \
  --skill nature-reader \
  --skill nature-shared \
  --yes \
  --copy

检查安装结果：

npx skills list --global --agent codex --json

更新全局技能：

npx skills update --global --yes

只更新一个技能：

npx skills update nature-reader --global --yes

需要注意：项目更新较快，目录名称、frontmatter名称和共享目录命名可能调整。安装时应以--list的实际输出和仓库最新README为准。官方安装指南

7.5 可选依赖不会自动安装

技能文件安装完成，不代表所有扩展功能都已经可用。

例如，学术检索MCP服务可能需要：

python -m pip install \
  -r skills/nature-academic-search/mcp-server/requirements.txt

此外还可能需要：

• 配置PUBMED_EMAIL；
• 配置Scopus或ScienceDirect等数据源的本地凭据；
• 安装Python绘图库；
• 安装R和所需包；
• 安装浏览器自动化依赖；
• 登录学校图书馆或学术数据库。

API Key和数据库凭据应当保存在本机安全配置中，不要直接写入GitHub仓库。

7.6 安装后重新开启Codex任务

Codex通常在任务开始时加载可用技能。因此，安装或更新完成后，最好：

1. 结束当前任务；
2. 新建一个Codex任务；
3. 查看技能是否出现；
4. 用简单任务验证触发。

例如：

请使用nature-reader，把这篇论文处理成中英文对照Markdown。

或者：

请使用nature-reviewer，从审稿人视角评估这篇论文。

---

八、怎样正确调用Nature Skills？

8.1 自然描述任务

如果不确定应该使用哪个技能，可以直接描述目标：

帮我把这篇论文做成中文组会汇报PPT，并保留关键图件和来源。

Codex可以根据任务描述选择相应技能。

8.2 明确指定技能

如果已经知道技能名称，最好明确指定：

使用nature-paper2ppt处理这篇论文。

这样可以减少与其他学术技能发生触发冲突。

8.3 提供明确输入

一个高质量请求至少应说明：

• 输入材料是什么；
• 研究领域是什么；
• 目标产物是什么；
• 输出语言；
• 文件格式；
• 是否允许网络检索；
• 是否允许修改原意；
• 哪些内容必须人工确认。

通用模板：

请使用[技能名称]完成以下任务。

研究领域：
任务目标：
输入文件：
目标读者：
输出语言：
输出格式：
必须保留的内容：
不允许推测的内容：
需要人工确认的项目：

8.4 要求显示不确定性

建议在科研提示词中加入：

如果信息不足，不要猜测。
请使用[AUTHOR INPUT NEEDED]标记，
并在末尾生成一份待确认事项清单。

这往往比单纯要求“不要幻觉”更有效，因为它明确规定了缺失信息应当如何处理。

---

九、不要盲目安装全部技能：五套推荐组合

9.1 文献研究套餐

适合综述、开题和选题：

• nature-academic-search
• nature-downloader
• nature-reader
• nature-citation
• nature-ref-verifier

工作流：

检索候选论文
→ 合法获取全文
→ 全文精读
→ 论断引用匹配
→ 参考文献字段核验

9.2 论文写作套餐

适合论文初稿：

• nature-proposal-writer
• nature-writing
• nature-polishing
• nature-citation
• nature-data

9.3 图表与实验套餐

适合算法实验和结果分析：

• nature-experiment-log
• nature-figure
• nature-statistics
• nature-data

9.4 投稿返修套餐

适合投稿前检查和论文返修：

• nature-reviewer
• nature-statistics
• nature-ref-verifier
• nature-response
• nature-data

9.5 阅读汇报套餐

适合组会和文献汇报：

• nature-reader
• nature-paper2ppt
• nature-shared

---

十、实战案例一：从论文PDF到双语精读和组会PPT

第一步：准备论文

准备一篇自己有权访问的PDF。优先使用：

• 出版商提供的PDF；
• 开放获取版本；
• 作者公开版本；
• 学校图书馆合法获取的版本。

第二步：生成全文精读稿

发送：

请使用nature-reader处理这篇PDF。

要求：
1. 生成完整中英文对照Markdown；
2. 保留章节层级、公式、表格、图题和参考文献编号；
3. 将图片放到对应的正文位置；
4. 建立统一术语表；
5. 为关键结论标注原文来源位置；
6. 不要把任务简化成论文摘要；
7. 无法识别的内容请明确标记。

输出后重点检查：

• Abstract是否完整；
• 公式是否正确；
• 图表是否插错位置；
• 术语翻译是否一致；
• 补充材料是否被忽略；
• 参考文献编号是否错位。

第三步：生成PPT

继续发送：

请使用nature-paper2ppt，根据刚才的全文精读稿和原始PDF，
制作一份20分钟中文组会汇报PPTX。

听众是机器学习方向的研究生。

结构包括：
1. 研究背景；
2. 研究问题；
3. 方法框架；
4. 核心算法；
5. 实验设置；
6. 三个最关键结果；
7. 局限性；
8. 对主动学习研究的启发。

请保留关键原论文图件和来源标注，
并为每一页添加演讲备注。

第四步：人工验收

检查：

• PPT是否真正生成，而不只是提纲；
• 图是否清晰；
• 每页是否有单一核心信息；
• 公式是否适合演示；
• 结论是否超过原论文证据；
• 演讲备注是否足够支持讲解；
• 原文来源是否保留。

---

十一、实战案例二：从研究结果到论文段落

假设我们正在研究一种面向序分类的主动特征获取方法。

手中已有：

• 算法描述；
• 复杂度分析；
• 12个数据集的实验结果；
• Macro-F1和MAE；
• 特征获取成本；
• 6种比较算法；
• 消融实验；
• 若干已确认文献。

第一步：建立章节契约

请使用nature-writing起草Discussion。

在写正文前，先生成章节契约，包括：
1. 本节需要回答的科学问题；
2. 三个主要实验发现；
3. 每个发现对应的表格或图片；
4. 可以得出的结论；
5. 不能得出的结论；
6. 尚缺少的信息。

如果结果不足，不要补造统计显著性。

第二步：生成讨论初稿

确认章节契约后：

根据已经确认的章节契约起草Discussion。

要求：
1. 先概括主要发现；
2. 解释序信息为什么可能改善特征选择；
3. 讨论准确率和获取成本之间的权衡；
4. 分析不同数据集上的差异；
5. 讨论方法局限性；
6. 不要声称算法在所有场景中都最优；
7. 所有需要引用的位置使用[CITATION NEEDED]标记。

第三步：查找和核验文献

请使用nature-academic-search处理所有[CITATION NEEDED]。

为每个论断提供：
1. 检索式；
2. 候选论文；
3. DOI；
4. 文献类型；
5. 文献实际支持的内容；
6. 是否可以直接支持当前句子；
7. 推荐的保守改写。

不要只根据标题判断。

如果需要进一步核验Nature/CNS范围内的支撑文献，可以调用nature-citation。

第四步：语言润色

请使用nature-polishing润色这份Discussion。

要求：
1. 保持所有技术含义不变；
2. 保留引用编号；
3. 不添加新数据；
4. 不扩大结论；
5. 优先改善段落逻辑；
6. 统一术语；
7. 输出润色稿和主要修改说明。

第五步：最终人工核查

作者应逐条确认：

• 数值是否与表格一致；
• 文献是否支持对应论断；
• “显著”“稳定”“有效”等词是否有证据；
• 是否区分相关关系和因果关系；
• 局限性是否真实；
• AI是否加入作者没有提出的新解释。

---

十二、实战案例三：绘制主动学习预算—性能曲线

假设实验结果保存在Excel或CSV中，字段为：

dataset	method	budget	seed	macro_f1
Dataset-A	Proposed	10	1	0.71
Dataset-A	Baseline-1	10	1	0.65

第一步：定义图表契约

请使用nature-figure绘制主动学习预算—性能曲线。

我选择Python。

科学结论：
比较不同算法在相同特征获取预算下的Macro-F1。

要求：
1. 横轴是平均特征获取成本；
2. 纵轴是Macro-F1；
3. 每条线对应一个算法；
4. 显示95%置信区间；
5. 不同算法同时使用颜色、线型和点型区分；
6. 黑白打印时仍可识别；
7. 不要平滑或修改原始数据；
8. 导出PDF、SVG和300 dpi PNG；
9. 同时输出可复现脚本。

第二步：检查统计含义

继续使用nature-statistics：

请检查这张图的统计表达。

说明：
1. 置信区间应如何计算；
2. 随机种子能否作为独立重复；
3. 不同预算点是否来自相同实验运行；
4. 图注需要报告哪些信息；
5. 当前数据是否足以进行显著性比较。

第三步：图表验收

不要只看“好不好看”，还要检查：

• 横轴是否真实反映预算；
• 不同算法是否使用相同数据划分；
• 误差带是什么；
• 数据点数量是否足够；
• 图例是否遮挡数据；
• 颜色对色觉障碍读者是否友好；
• 缩小到单栏宽度后文字是否仍可读；
• PDF和SVG字体是否嵌入；
• 图注是否说明重复次数和统计量。

---

十三、实战案例四：投稿前审稿与返修信

第一步：模拟审稿

请使用nature-reviewer评估这篇完整稿件。

生成三份报告：
Reviewer 1：重点关注方法创新与理论合理性；
Reviewer 2：重点关注实验设计、基线公平性和统计；
Reviewer 3：重点关注论文表达、研究意义和可复现性。

每份报告包括：
1. 总体评价；
2. 主要问题；
3. 次要问题；
4. 必须补充的证据；
5. 可能导致拒稿的关键风险。

最后生成综合整改清单。

第二步：建立整改矩阵

编号	问题	严重程度	所需行动	所需材料	状态
R1.1	创新点与已有方法区别不清	高	增加理论和文献比较	方法表、文献	待处理
R2.1	基线调参方式不明确	高	补充实验设置	配置文件	待处理
R3.2	图3字体太小	低	重新导出图片	绘图脚本	待处理

第三步：完成真实修改

注意顺序：

先修改论文，再写回复信。

不能先让AI写一封“我们已经完成全部修改”的漂亮回复，然后再考虑正文怎么改。

第四步：生成逐点回复

请使用nature-response处理审稿意见、原稿和修改稿。

要求：
1. 编辑意见编号为E.1、E.2；
2. Reviewer 1意见编号为R1.1、R1.2；
3. 每条回复说明采取了什么行动；
4. 标出修改后的章节、页码或行号；
5. 引用修改后的原文；
6. 没有完成的任务不能写成已经完成；
7. 需要作者决定的内容标记为[AUTHOR INPUT NEEDED]；
8. 输出Cover Letter、逐点回复和一致性检查表。

第五步：一致性审计

最终检查：

• 每条意见是否有回应；
• 每项修改是否能在正文找到；
• 页码和行号是否正确；
• 新增实验是否真实完成；
• 新增文献是否真实存在；
• 回复语气是否专业；
• 是否对合理意见进行正面回应；
• 无法完成的要求是否有充分理由。

---

十四、Nature Skills如何用于主动学习研究？

对于主动学习、主动特征获取、序分类和成本敏感学习研究，可以构建下面这条完整工作流。

阶段一：发现研究点

使用：

• nature-literature-pipeline
• nature-academic-search
• nature-reader

任务：

1. 建立主题词和同义词；
2. 检索相邻领域；
3. 精读高相关论文；
4. 比较问题定义、假设和实验设置；
5. 建立“已解决问题—未解决问题”矩阵。

研究缺口表可以这样设计：

论文	任务	标签类型	查询对象	成本模型	理论保证	主要局限
Paper A	主动学习	名义分类	样本标签	固定成本	有	不处理缺失特征
Paper B	特征获取	二分类	特征值	非均匀成本	无	不利用序关系
本研究	序分类特征获取	序标签	特征值	非均匀成本	待证明	待验证

研究点通常不是让AI“凭空想一个创新”，而是从结构化比较中发现：

• 哪些假设不合理；
• 哪些任务没有被统一；
• 哪些理论边界尚不清楚；
• 哪些实验设置不公平；
• 哪些相邻领域的方法尚未迁移；
• 哪些真实场景没有得到覆盖。

阶段二：设计方法

使用：

• nature-proposal-writer
• nature-writing

但算法和定理不能完全交给写作技能。

更合理的做法是先提供：

• 数学问题定义；
• 决策变量；
• 约束；
• 优化目标；
• 基本假设；
• 期望性质；
• 已知反例；
• 算法伪代码。

再让AI协助：

• 检查符号一致性；
• 发现隐含假设；
• 分析证明结构；
• 寻找可能的反例；
• 将推导整理成可读形式；
• 检查算法与文字描述是否一致。

阶段三：实验与图表

使用：

• nature-experiment-log
• nature-statistics
• nature-figure

建立统一记录：

数据集
→ 数据划分
→ 随机种子
→ 预算设置
→ 算法参数
→ 运行环境
→ 原始结果
→ 汇总统计
→ 图表
→ 结论

必须保留从论文结论回到原始实验记录的路径。

阶段四：论文写作

使用：

• nature-writing
• nature-citation
• nature-ref-verifier
• nature-polishing
• nature-data

推荐顺序：

研究材料
→ 论证结构
→ 章节初稿
→ 引用匹配
→ 引用元数据核验
→ 语言润色
→ 数据与代码声明

阶段五：投稿与返修

使用：

• nature-reviewer
• nature-statistics
• nature-response

在投稿前重点检查：

• 是否真正超过已有方法；
• 比较算法是否充分；
• 调参是否公平；
• 是否使用多个随机种子；
• 是否报告成本—性能权衡；
• 是否存在数据泄漏；
• 是否过度强调平均性能；
• 理论假设是否与实验场景一致；
• 代码和数据声明是否完整。

---

十五、常见问题与故障排查

1. 安装后看不到技能

检查：

• 是否安装到Codex实际读取的目录；
• 是否保留完整技能文件夹；
• 是否重新打开了Codex任务；
• SKILL.md是否存在；
• 技能frontmatter是否有效；
• 是否只复制了单个文件。

2. 技能能触发，但结果不完整

常见原因：

• 缺少nature-shared；
• 缺少references/或static/；
• 脚本依赖没有安装；
• 输入论文损坏；
• 没有提供必要数据；
• 文件格式不受支持；
• 外部数据库无法访问。

3. 文献检索结果很少

检查：

• 检索词是否过窄；
• 是否包含同义词；
• 是否只检索一个数据库；
• 年份范围是否过短；
• API或MCP是否配置；
• 是否发生访问频率限制；
• 是否需要从通用搜索切换到专业数据库。

4. AI提供了可疑文献

不要直接放入论文。

使用nature-ref-verifier检查：

• DOI能否解析；
• DOI是否对应当前题名；
• 作者和年份是否一致；
• 卷期页码是否匹配；
• 是否为预印本；
• 正式版本是否已经发表；
• 摘要是否真正支持当前论断。

5. 多个技能同时适用

例如“帮我修改引言并补充文献”，可能同时触发：

• nature-writing
• nature-polishing
• nature-citation
• nature-academic-search

建议拆成三个阶段：

先检查论证结构
→ 再查找和核验文献
→ 最后润色语言

6. 多套学术Skills发生冲突

如果还安装了其他科研技能，可以明确指定：

本任务只使用nature-reader，不要改用通用论文总结流程。

也可以根据阶段分工：

• 通用深度研究技能负责广泛调研；
• Nature Skills负责论文交付物和投稿流程；
• 代码智能体负责算法实现和实验；
• 文档技能负责Word、Excel和PPT格式处理。

---

十六、科研诚信、隐私和版权边界

1. 不要编造研究事实

不能交给AI虚构：

• 实验数据；
• p值；
• 置信区间；
• 样本量；
• DOI；
• 伦理审批号；
• 数据仓库编号；
• 专利查新结论；
• 审稿人身份；
• 已经完成的实验或修改。

2. 未发表论文需要保护

上传以下材料前，需要了解所用模型和连接服务的数据处理政策：

• 未发表论文；
• 审稿意见；
• 未公开实验数据；
• 患者或受试者信息；
• 商业合作资料；
• 专利申请前的技术内容。

如果材料具有严格保密要求，应优先使用符合所在单位规定的本地或受控环境。

3. 尊重论文版权

全文获取和翻译应基于合法访问。

nature-downloader应当用于寻找开放获取版本、机构订阅入口或作者公开版本，而不是规避正常访问控制。

4. AI不是论文作者责任的替代者

最终作者仍需负责：

• 文献真实性；
• 数据真实性；
• 算法正确性；
• 数学推导；
• 图表准确性；
• 统计合理性；
• 作者贡献声明；
• 数据与代码开放承诺；
• 对审稿意见的真实回应。

---

十七、Nature Skills适合哪些人？

非常适合

• 需要系统阅读论文的研究生；
• 正在撰写英文论文的研究人员；
• 需要频繁准备组会汇报的人；
• 正在投稿或返修的作者；
• 希望建立标准化科研流程的课题组；
• 使用Codex处理本地论文、数据和文档的研究者。

部分适合

• 只需要简单语法修改的人；
• 完全不使用Codex或兼容Skills机制的人；
• 没有时间检查AI输出的人；
• 研究方向高度保密且不能进入当前计算环境的人。

不适合把它当成

• 自动发表论文工具；
• 自动创造科研创新的机器；
• 专利代理师；
• 统计学家替代品；
• 审稿决定预测器；
• 文献真实性担保工具；
• 不需要人工检查的端到端论文生成器。

---

十八、Nature Skills与其他科研技能项目如何选择？

Nature Skills的突出特点是：

• 以论文生命周期为主线；
• 强调证据和结论边界；
• 重视可以直接使用的科研产物；
• 覆盖阅读、写作、图表、投稿和返修；
• 适合与Codex的本地文件操作能力结合。

它不一定替代所有科研工具。

例如：

需求	更合适的能力
广泛开展深度学术调研	通用Academic Research工作流
编写和调试机器学习算法	编程智能体与实验环境
处理Word、Excel、PPT格式	Office文档技能
生成高质量科研图	nature-figure
投稿前模拟审稿	nature-reviewer
逐点回复审稿意见	nature-response
全文双语精读	nature-reader
论文转中文汇报PPT	nature-paper2ppt

最佳策略通常不是只保留一套工具，而是建立明确分工。

---

十九、给初学者的最佳入门路线

如果第一次使用Nature Skills，不建议立即跑完整论文流程。

第一天：论文阅读

安装：

• nature-reader
• nature-shared

找一篇熟悉的论文生成双语精读稿，检查它是否忠实于原文。

第二天：语言润色

安装：

• nature-polishing
• nature-shared

选择自己已经写好的三段文字，比较：

• 原稿；
• 语言润色稿；
• 结构重构稿。

观察模型是否改变技术含义。

第三天：论文汇报

安装：

• nature-paper2ppt

把第一天的论文做成PPT，检查图件、结构和备注。

第四天：引用核验

安装：

• nature-academic-search
• nature-ref-verifier

选择10条参考文献进行元数据核验。

第五天：投稿前审稿

安装：

• nature-reviewer

使用一篇自己非常熟悉的论文测试模拟审稿，判断它发现的问题是否真实、有证据和可执行。

只有经过这些小规模测试后，再把它用于正在投稿的重要稿件。

---

二十、结语：Nature Skills真正改变的是什么？

很多人第一次看到Nature Skills，会把注意力放在“Nature风格”几个字上。

但它真正有价值的地方，并不是帮助我们生成几句看起来高级的英文。

它试图推动一种更重要的变化：

把AI科研辅助从一次性的文本生成，转变为由任务分工、证据链、边界控制、人工确认和可用交付物组成的工作流。

文献检索不只是返回标题，而要记录检索来源和纳入标准。

论文阅读不只是给出摘要，而要保留全文结构、图表和来源位置。

论文写作不只是生成流畅语言，而要明确论点、证据和结论边界。

科研绘图不只是让图片漂亮，而要保证数据、统计含义和视觉表达一致。

模拟审稿不只是列出一些缺点，而要站在审稿人的角度判断研究设计是否可靠。

回复审稿意见不只是语气礼貌，而要保证每一项回复都对应真实修改。

因此，Nature Skills最适合的使用方式，不是：

帮我写一篇Nature论文。

而是：

帮我把这个科研任务拆解为可执行、可核查、可交付的步骤，并在每个关键节点保留作者的判断和责任。

如果能够按照这种方式使用，Nature Skills就不再只是一个GitHub上的提示词项目，而可能成为研究者建立个人科研工作流的一套基础设施。

---

项目地址与延伸阅读

• Nature Skills GitHub仓库
• Nature Skills安装指南
• Nature Skills技能索引
• 项目共享设计原则

版本说明：本文依据2026年7月21日公开仓库内容整理。Nature Skills仍在快速更新，技能数量、成熟度、安装命令和依赖关系可能发生变化。执行安装前，请以项目最新README和npx skills --list的实际输出为准。