bo老师
SkillK-Dense-AI/scientific-agent-skills30,670 Stars

Scientific-Agent-Skills

为AI科研代理提供文献检索、写作、统计、实验设计和同行评审的结构化能力。

面向需要AI辅助完成跨学科学术工作的研究者。从检索论文开始，到设计实验、选统计方法、写论文、做同行评审，每个环节都有结构化指导和参数计算。

bo老师判断：值得观察

方向值得关注，建议先确认当前任务是否真正需要它。

访问原仓库查看分享卡
...互动状态已更新

什么时候用

先判断任务是否合适

  • 需要在PubMed、OpenAlex、Semantic Scholar等数据库同时搜索论文
  • 在设计实验前想确认样本量是否足够检测到预期的效应量
  • 写完论文后想用结构化审查模板做同行评审式的自查
  • 需要在设计实验时自动生成随机化方案和区组分配

先准备什么

材料越清楚，结果越有用

  • •论文关键词、DOI、PMID或研究问题描述
  • •预期效应量或先导实验结果（做统计功效计算时必需）
  • •实验因子、水平、被试数、是否需要分层随机化

它会怎样推进

从材料到可以检查的结果

  1. 01

    论文检索

    指定数据库和查询条件，代理返回候选论文列表，含DOI和关键元数据

  2. 02

    分析需求

    代理根据研究问题推荐统计方法、检查假设并计算所需样本量

  3. 03

    设计实验

    根据设计类型生成随机化方案、区组分配和实验布局说明

  4. 04

    写作输出

    按IMRaD结构生成方法、结果和讨论段落，含统计结果的标准报告格式

  5. 05

    自审/评审

    用结构化审查表单检查论文的贡献清晰度、实验强度和报告完整性

第一次这样开始

把仓库地址直接交给 AI

先让 AI 说明环境和风险，再完成最小安装验证。跑通以后，再把自己的真实材料放进去。

第一次直接复制

帮我安装这个库：https://github.com/K-Dense-AI/scientific-agent-skills
安装前先告诉我需要什么环境，安装后帮我跑通一个最小示例。

结果出来后

先看这些检查点

  • 统计功效计算结果中的效应量假设是否与现实可行范围一致
  • 推荐统计方法的假设前提（正态/同方差/独立）在当前数据上能否满足
  • 同行评审输出是否标明了问题严重性分级和具体位置
  • 候选论文列表是否有重名论文混入——需CrossRef等字段去重

常见误区

这些判断仍由你负责

  • 不提供效应量就让代理算样本量——结果就是一个武断假设上的数学推演
  • 把统计功效分析做一次性的事后解释——它应该用于实验设计前，不是数据收集后
  • 用代理做同行评审时把问题清单当最终评审——模型不能替代对实验事实的核实
  • 跨数据库检索结果不核实出版年份和版本——不同数据库的元数据更新时间不同

技术依据

查看能力拆解、验证范围与来源

能力地图6 项已拆解能力
  1. 01

    同行评审结构化审查

    把论文、grant、preprint 或科学演示材料，按初评、逐节审查、方法统计、可复现、图表、伦理和写作质量生成结构化评审意见。

  2. 02

    多数据库论文查找

    把用户的论文查找、DOI 查询、开放获取全文、作者论文、引用图谱或预印本需求，路由到合适的学术数据库，并返回可追溯的原始 API 结果和查询记录。

  3. 03

    实验设计与随机化布局

    把研究问题、处理条件、实验单位、干扰因素和运行约束，转换成可审计的设计结构、随机化 schedule、运行布局、质量门和后续 power 与 analysis 交接。

  4. 04

    科研写作结构化表达

    把科研材料、文献线索、图表计划和目标期刊要求，转成符合 IMRAD、引用规范、报告指南和段落化表达要求的科学写作产物。

能力主要输入主要输出人工检查

同行评审结构化审查

源码已核对

  • 待审 manuscript、grant、preprint 或 presentation。
  • 目标 venue 或评审标准。
  • 可选报告指南：CONSORT、STROBE、PRISMA、ARRIVE、MIAME、MINSEQE 等。
  • summary statement。
  • major comments，按严重度和可修复性排序。
  • minor comments。
  • 目标 venue 的审稿标准是否已知。
  • 哪些问题足以构成 reject 或 major revision。
  • 评论是否要求了超出论文范围的新实验。

多数据库论文查找

小样本已验证

  • 用户自然语言问题，例如找某主题论文、查 DOI、找开放获取 PDF、找作者论文、查引用关系。
  • 可选论文标识符：DOI、PMID、PMCID、arXiv ID、OpenAlex ID、Semantic Scholar ID、ORCID、ISSN。
  • 可选环境变量：NCBIAPIKEY、COREAPIKEY、S2APIKEY、OPENALEXAPIKEY。
  • Databases Queried 清单，包含数据库名、endpoint 和查询意图。
  • 每个数据库的原始 JSON 或解析后的 XML 结果。
  • 失败库、空结果和替代尝试说明。
  • 用户要的是“查到候选论文”，还是“证明某个主张有依据”。
  • 多库结果是否需要去重和排序。
  • 多库去重是否允许用标题弱匹配，是否需要人工复核。

实验设计与随机化布局

小样本已验证

  • 研究问题、response、处理条件和控制条件。
  • 实验单位、随机化单位、重复单位和分析单位。
  • 样本或实验单元数量。
  • 研究设计对象。
  • allocation schedule 或 DOE layout。
  • arm balance、block balance、run order 和 layout status。
  • 实验单位和处理施加层级是否真实一致。
  • 技术重复是否被误当作独立重复。
  • 哪些 nuisance factor 必须 block，哪些只能记录为 covariate。

科研写作结构化表达

源码已核对

  • 研究问题、目标期刊、文章类型和目标读者。
  • 已有数据结果、图表、方法说明、研究限制和参考文献。
  • research-lookup 或其他文献检索能力产出的文献与要点。
  • 科学论文段落、摘要、Introduction、Methods、Results、Discussion、投稿稿。
  • 研究报告或白皮书 LaTeX 结构。
  • 图形计划、graphical abstract、schematic、figure caption。
  • 哪些主张必须有真实来源支持。
  • 目标期刊是否允许非结构化摘要。
  • 图像是否真的需要生成，还是只需要图表计划。

统计分析与结果报告

小样本已验证

  • 研究问题和假设。
  • 数据表，至少包含 outcome、predictor 或 group 列。
  • 变量类型：continuous、binary、categorical、ordinal、count、time-to-event。
  • 数据状态对象。
  • 检验选择路径和 selected test。
  • 假设诊断结果。
  • 研究问题和变量类型是否被正确理解。
  • 分组是否独立，是否存在配对、重复测量或聚类。
  • 缺失机制和排除规则是否需要人工确认。

统计功效与样本量计算

小样本已验证

  • 研究设计和计划分析，例如 two independent means、paired mean、ANOVA、two proportions、correlation、chi-square、linear regression。
  • 三个已知量：样本量、效应量、alpha、power 中的任意三个。
  • test 特定参数，例如 kgroups、prop1、prop2、dof、dfnum、ktotal、ratio、alternative。
  • required sample size，例如 npergroup 或 total n。
  • achieved power。
  • minimum detectable effect。
  • effect size 是否来自 SESOI、收缩后的先验估计或领域阈值。
  • 计划分析是否和 power 方法一致。
  • 是否需要 one-sided test，以及是否有合理说明。

处理机制

  1. 01

    skill市场准入与安全扫描

    解释 scientific-agent-skills 作为大型 skill 集合，怎样通过目录结构、frontmatter、版本、安装路径、贡献规范和安全扫描，把单个 skill 变成可分发、可审查、可安装的 agent 能力单元。

已核对范围

  • 只读上游仓库 2b4cce7
  • peer-review/SKILL.md
  • commonissues.md
  • reportingstandards.md
  • generateschematic.py
  • SECURITY.md 中 peer-review 的 critical 摘要线索
  • 无外部 API 的评审判断合同 dry run
  • 自造 manuscript 样本的 major、minor、question 和 final recommendation

仍待核对

  • 未审阅真实论文或 grant 样本
  • 未运行 presentation PDF 转图审阅流程
  • 未调用示意图生成脚本
  • 未验证评审意见和原文行号映射
  • 未验证不同 venue 的 reviewer expectations
  • 未验证原始数据、代码和伦理文件审查
  • 未验证 API key 模式
  • 未验证 rate limit 和 429 重试

读取版本

2b4cce7d8763232864fa3dff701e311636bcc62f

许可

MIT

最近核对

内容 2026-06-15
Stars 2026-07-11

已完成源码核对

相关文章

科研之我见

AI 可以参与科研的哪些环节？一张 11 环节工作流全景图

从选题、文献、理论、数据到投稿，逐环节判断 AI 可以主导、需要人工校验和必须由研究者把关的工作。

查看内容

科研之我见

如何从 300 篇候选文献中筛出 50 篇核心文献

把文献检索与筛选拆开，通过本地文献库、Zotero、外部数据库和引文追踪形成可回查的核心文献清单。

查看内容

具备相关能力的其他库

文献 · 验证

paper-qa

从本地论文和文档中检索证据并生成带精确引用的科研答案

查看内容

文献 · 分析 · 写作

grobid

把学术论文PDF解析成结构化TEI XML，提取元数据、全文结构和参考文献

查看内容

设计 · 分析 · 验证

CausalPy

用贝叶斯方法做准实验因果推断，含10+方法和稳健性诊断套件

查看内容

相关课程

把单项工具放进完整研究设计流程

课程一从研究问题、文献判断、理论假设和方法骨架继续推进，帮助你建立可以复用的研究设计档案。

查看课程一