我翻了 5 个开源科研 Skills，发现 ChatGPT Work 最适合这样用

掌握ChatGPT Skills在科研中的高效应用：5个开源工作流，覆盖文献精读到论文写作全流程

OpenAI对Skills的定义朴素而实用：Skill是可复用的工作流，让ChatGPT在反复出现的任务中按同一套流程做事。 它包含名称、描述、流程说明、输出格式、模板、例子、品牌规范、Schema或连接工具，简而言之，就是将你平时反复强调的“这件事要按这个顺序做、输出要长这样、这些坑不要踩”写成一个可复用的说明书。

基于此，我们精选了5个已在GitHub上开源的科研Skills，它们分别覆盖了以下核心环节：

• 单篇论文精读
• 多篇文献综述
• 统计分析
• 论文写作
• 参考文献核验

这5个Skills串联起来，基本能覆盖一篇实证论文从文献阅读到投稿前检查的主要环节。下面，我们将逐一深入解析每个Skill的功能、应用场景及最佳实践，帮助你快速上手。

一、单篇论文精读：Academic Paper Review

https://github.com/bytedance/deer-flow/blob/main/skills/public/academic-paper-review/SKILL.md

这个来自字节跳动开源项目DeerFlow的Skill，名为academic-paper-review。它的核心价值在于让AI“按接近审稿的方式”去看一篇论文，而非简单的总结。

普通的“总结一下这篇论文”通常只会输出背景、方法、结论三段式内容，但读论文时更需要关注的是：这篇文章解决了什么问题？证据是否充分？方法有无硬伤？结论是否可靠？是否值得引用？ 这些更具批判性的问题，正是这个Skill要解决的。

academic-paper-review将单篇论文的解读拆分为多个层次：

• 识别论文类型（实证研究、理论研究、综述、系统论文、方法论文等）
• 提取研究问题、理论基础、数据来源、实验设计、分析方法和主要结果
• 评价方法严谨性、统计有效性、贡献新颖性、结果可复现性、局限性和修改建议

适用场景

• 导师让你下周组会分享一篇论文
• 判断一篇文章是否值得纳入文献综述
• 分析目标期刊近期的“审稿偏好”
• 写完初稿后，模拟审稿人视角找问题
• 提炼某篇文章的创新点和方法局限

关键调用示例

调用时，务必加入证据定位要求，避免AI输出空泛的判断。建议使用以下指令：

使用 academic-paper-review Skill 分析这篇论文。
请依次提取研究问题、理论基础、研究对象、实验设计、数据来源、分析方法、主要结果和作者结论。
在此基础上评价论文的创新性、方法严谨性、统计分析、可复现性和结论边界。
每一项重要判断都要指出依据所在的章节、表格、图片或页码。
请严格区分论文原文、你的分析和需要进一步核实的信息。文中没有提供的内容不要自行补充。

指令中最关键的一句是“每一项重要判断都要指出依据所在的章节、表格、图片或页码”。这会迫使AI提供有据可查的分析，如果它找不到依据，就应该标记出来，而不是猜测。

二、多篇文献综述：Systematic Literature Review

https://github.com/bytedance/deer-flow/blob/main/skills/public/systematic-literature-review/SKILL.md

如果说第一个Skill解决的是“单篇读不透”，这个Skill则解决了“多篇之间连不起来”的问题。很多人在写文献综述时，最痛苦的不是没有论文，而是论文太多后不知道怎么组织，最后写成“张三发现A，李四发现B，王五发现C”的流水账，而非真正的综述。

systematic-literature-review的流程是：先围绕主题检索论文，再提取每篇的研究问题、方法、发现和局限，最后进行跨文献主题综合。它支持APA、IEEE和BibTeX输出格式。

原始版本主要围绕arXiv检索，适合计算机科学、人工智能、物理学等领域。对于医学、生命科学、心理学、管理学等学科，建议保留“结构化提取+主题综合”的流程，但将文献来源替换为PubMed、Web of Science、Scopus、OpenAlex、Crossref或你已筛选好的PDF。

建议分三轮使用

使用 systematic-literature-review Skill 制定文献检索方案。
主题为“生成式人工智能对大学生学术写作的影响”，检索时间限定为 2022 年至今。
请先给出核心概念、同义词、检索式、文献类型、纳入标准、排除标准和计划分析的维度。
暂时不要撰写综述正文。

这一轮主要明确检索边界，边界错了，后续工作再漂亮也没用。

根据确认后的检索方案，建立文献矩阵。
每篇文献提取作者、年份、研究地区、研究对象、样本量、研究设计、AI 工具、核心变量、测量方法、主要结论、局限性和对本研究的启示。
所有信息必须来自对应论文。没有报告的项目统一写“未报告”。

“未报告”这三个字很重要。它比AI自己补齐信息更有价值。哪些论文没报告样本量？哪些没报告测量工具？这些信息是后续评价文献质量的关键。

根据文献矩阵完成主题综合。
请识别主要研究主题、常用理论、研究方法差异、一致结论、冲突结论和可能的研究空白。
每一个综合判断都要列出支持该判断的文献，不要使用“多数研究表明”等无法追溯的表达。

这样下来，综述将从“堆文章”变成“证据链”，清晰地呈现文献事实、跨文献比较、研究共识、争议和空白。

三、数据分析：Statistical Analysis

https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/statistical-analysis/SKILL.md

第三个Skill来自K-Dense-AI的scientific-agent-skills项目，名为statistical-analysis。它覆盖了t检验、方差分析、卡方检验、相关分析、回归分析、非参数检验、贝叶斯分析、效应量、统计功效和APA格式报告等常见统计方法。

这个Skill最值得借鉴的地方，不是它能运行多少种统计方法，而是它把“跑检验之前的检查”写进了流程，避免了“先出结果，再找理由”的误区。

很多人常犯的错误是：直接将数据丢给AI，然后问“帮我看看三组之间有没有显著差异”。AI可能会立刻跑出一个单因素方差分析，并给出一个P值，但这忽略了太多关键判断：

• 三组样本是否独立？
• 因变量是什么类型？
• 有没有缺失值或极端异常值？
• 数据分布是否严重偏斜？
• 方差是否齐性？
• 是否为重复测量数据？
• 是否需要做多重比较校正？
• 除了显著差异，效应量有多大？

使用 statistical-analysis Skill 分析这份数据。
第一阶段只完成数据审查和统计方案，不要直接运行显著性检验。
请识别变量类型、分组结构、重复测量关系、缺失值、异常值和样本量。
第二阶段根据研究假设提出统计方法，说明每种方法的适用条件、需要检查的假设以及假设不满足时的替代方案。
我确认方案后，再执行分析并报告描述统计、检验统计量、自由度、准确 P 值、效应量和置信区间。

这个指令的核心是让AI先“刹车”，先看清楚数据结构，再考虑用什么方法分析。

四、论文写作：Scientific Writing

https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/scientific-writing/SKILL.md

第四个Skill是scientific-writing。它支持IMRAD结构，涵盖摘要、引言、方法、结果、讨论、图表、引文格式以及CONSORT、STROBE、PRISMA等报告规范。但真正影响论文质量的，往往不是文字的流畅度，而是写作前的结构规划。

直接让AI写Introduction，它可能会写出一段顺滑但不稳的文字。因此，推荐将其改造为两阶段流程：先搭骨架，再写正文。

第一阶段：搭建证据骨架

使用 scientific-writing Skill 重构这篇论文的 Introduction。
先不要写完整正文。
请按“研究背景—关键科学问题—已有研究进展—现有证据局限—本文研究目标”的顺序搭建证据骨架。
每一段列出段落功能、核心观点、支持文献、与下一段的衔接关系，以及当前材料中缺失的证据。
不要添加没有来源的数据、观点或参考文献。

完成这一步后，可以快速发现以下问题：

• 研究问题是否出现得太晚？
• 每段是否有清晰的中心论点？
• 文献是否真正支撑了段落的观点？
• 研究空白是否能用本文的设计来回答？
• Introduction最后提出的目标，与Results是否对应？

第二阶段：撰写完整正文

根据已经确认的证据骨架撰写完整 Introduction。
保留原始文献所支持的结论强度，不得把相关关系写成因果关系。
避免逐篇罗列作者，按照研究主题组织文献。
每一段只承担一个主要论证任务，段落之间使用自然的逻辑衔接。

对于Results部分，建议设定更严格的约束：

只根据已经确认的统计结果撰写 Results。
先报告描述统计，再报告模型或检验结果。
所有数字必须与统计输出一致。
本节只描述观察到的结果，不讨论机制，不引用外部文献，不使用“证明”“导致”“促进”等因果词。

此外，这个Skill原始文件中对图形摘要的要求较强，但并非所有论文都需要。建议修改为：

根据目标期刊投稿指南和论文内容判断是否生成图形摘要、方法流程图或机制图。
目标期刊没有要求，且图像不能增加信息价值时，不强制生成。

五、参考文献核验：Citation Management

https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/citation-management/SKILL.md

最后一个Skill是citation-management。AI辅助写论文时，最容易被低估的风险之一就是参考文献看起来太真实，但实际可能是AI编造的。作者、标题、期刊、年份、DOI都有，但等你真正去查，可能发现标题不存在，或DOI指向另一篇论文。

这个Skill负责处理文献搜索、元数据提取、引用核验、BibTeX生成、重复项检查、格式统一等工作，涉及Google Scholar、PubMed、Crossref、arXiv等来源。

可在三个阶段使用

• 文献整理阶段：
  通过标题查完整出版信息，将DOI转成BibTeX，补全卷期页码，清理重复文献，统一作者姓名格式。

• 正文写作阶段：
  检查某个观点是否有关键来源支撑，确认正文中的作者和年份，区分预印本与正式发表版本。

• 投稿前阶段：
  核对正文引用和文末参考文献，查找正文引用但文末缺失的条目，或文末存在但正文未引用的条目，验证DOI是否能解析，统一目标期刊格式。

关键调用示例

使用 citation-management Skill 核验这份参考文献表。
请分别检查标题、作者、年份、期刊、卷期、页码和 DOI。
每条文献都要标记核验来源。
将结果分为“信息一致”“信息不完整”“信息冲突”“未检索到”和“疑似重复”五类。
不要根据标题结构猜测 DOI。无法确认的条目保留原文，并标记为“待人工核验”。

如何检查文献是否真的支持正文中的论断？

可以进一步让Skill生成“论断—文献对应表”：

请把正文中的关键论断逐条列出，并检查每条论断后面的引用是否真的支持该论断。
输出表格包含：正文论断、引用文献、文献实际研究内容、支持强度、是否需要改写论断。
支持强度分为：直接支持、部分支持、背景支持、不支持、无法判断。

这个检查比单纯统一参考文献格式更有价值，能防止论文引用很多但证据链却很虚的问题。

如何串联这5个Skill

在ChatGPT Work中，这5个Skills的最佳用法是串联成一条完整的流水线，覆盖一个实证论文研究项目：

1. 第一步：
   用academic-paper-review精读关键论文（导师指定论文、目标期刊近两年高相关论文、核心引用论文），输出需带证据位置。

2. 第二步：
   用systematic-literature-review构建文献矩阵，明确检索边界、纳排标准和提取字段，跨学科用户可替换检索来源。

3. 第三步：
   用statistical-analysis进行数据审查和统计方案确认，先确认变量、样本、缺失值、异常值等，再跑检验。

4. 第四步：
   用scientific-writing搭建论文证据骨架，先结构后文字，Results部分只写已确认的统计输出。

5. 第五步：
   用citation-management进行投稿前检查，先查参考文献的真实性与完整性，再查正文论断与引用的匹配度。

科研中，AI的输出都是可审稿材料，而非最终答案。文献矩阵需抽查PDF，统计方案需对照研究设计，写作段落需核验证据强度，参考文献需溯源原始来源。ChatGPT Work加Skills的价值，不是让科研人退出流程，而是将最耗时、容易重复出错的部分先规整起来。

我的建议：先别追求全自动

如果你想用这套方法，建议从一个小项目开始，而不是一上来就让AI“帮我完成整篇论文”。

更稳妥的方式是：

• 这周组会要讲的一篇论文
• 你已经筛好的15篇文献
• 一份结构清晰的数据表
• 一版已经写完但逻辑不稳的Introduction
• 投稿前的参考文献表

先让一个Skill跑起来，再看输出哪里稳，哪里需要改规则。等流程顺畅了，再逐步将2个、3个、5个Skill串联起来。

你如何筛选文献、如何判断方法是否靠谱、如何报告统计结果、如何检查引用，这些经验可以慢慢固化下来。模型会换，工具入口会变，但一套好的流程可以长期使用。

参考链接

• OpenAI ChatGPT Work 官方说明：https://developers.openai.com/codex/get-started-with-work
• OpenAI Skills & Plugins 官方说明：https://developers.openai.com/codex/skills-and-plugins

• Academic Paper Review Skill：
  https://github.com/bytedance/deer-flow/blob/main/skills/public/academic-paper-review/SKILL.md

• Systematic Literature Review Skill：
  https://github.com/bytedance/deer-flow/blob/main/skills/public/systematic-literature-review/SKILL.md

• Statistical Analysis Skill：
  https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/statistical-analysis/SKILL.md

• Scientific Writing Skill：
  https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/scientific-writing/SKILL.md

• Citation Management Skill：
  https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/skills/citation-management/SKILL.md