爆爆爆肝了一个科研向的Skills！自动帮你做实验、写Paper，已完整开源

背景

当前 AI for Science 领域的 agent / skills 工具层出不穷，但普遍存在一个核心痛点：产出质量经不起推敲。引用可能是模型凭空编造的，实验数字可能是模型"脑补"的，代码贴出来看着像样但实际根本没跑过。这种"看起来像那么回事，细看全是窟窿"的现状，严重制约了 AI 辅助科研真正落地到严肃的学术工作流中。

正是在这个背景下，社区开发者 ai4s-research 团队在 GitHub 上开源了 ai4s-skills 项目，试图从机制层面解决"AI 科研产出不可信"的问题。

核心内容

ai4s-skills 是一套面向 AI for Science 全流程的开源 agent skills，覆盖从选题到论文审核的完整链路，共包含 7 个 skill：

1. 选题探索（topic exploration）—— 帮助研究者找到有价值的研究方向
2. 文献综述（literature survey）—— 系统性梳理已有工作
3. 可跑实验（experiments）—— 生成真正可执行的实验代码
4. 发表级论文（paper writing）—— 产出符合学术规范的论文初稿
5. 论文完整性审计（integrity audit）—— 反向审查图像、数值、逻辑硬伤

项目支持 Claude Code / Cursor / Codex / Aider 等主流 coding agent 直接加载使用，采用 MIT 协议，纯 skill 形态，不依赖任何特定框架或 SDK。

核心卖点：主打一个"真"

项目最大的差异化定位在于对"真实性"的强制约束，具体体现在四个层面：

• 真引用：每条参考文献都要求 agent 在本会话中真实抓取过 URL，不允许凭记忆生成引用。杜绝了当前大模型最常见的"幻觉引用"问题——即看起来格式规范、实则完全不存在的论文。
• 真数字：所有数值结果必须标注来源类型：measured（实测）、simulated（模拟）或 illustrative（示意性），模拟数据绝不当实测数据呈现。
• 真代码真跑：实验 skill 输出的代码必须可执行，并附带带 provenance（溯源信息）的 results.json，确保实验结果可复现。
• 反向查造假：独有的 integrity-auditor skill 专门审查图像篡改、数值异常、逻辑硬伤，相当于给 AI 科研产出加了一道"学术诚信安检"。

验证案例

开发者提供了一个完整的端到端验证案例：让 Claude Code 加载 ai4s-skills 后，以"FNO 学习 Burgers 算子"为选题，全程自主完成代码编写、真实运行（CPU 约 20 分钟）、论文撰写。最终 FNO 模型以 6.7% 的优势超过普通 MLP/CNN 基线，产出 22 条真实引用，代码、results 和论文全文均放在 examples/ 目录下，任何人都可以 clone 后自行复现验证。

开发者声明

项目作者特别强调了三点：

1. 本项目面向研究生、博士生、研究员群体，定位为"睡后实验"辅助工具，用于减轻科研负担；
2. 严禁用于制造学术垃圾——这一警告在原文中重复了三次；
3. 所有 AI 产出结果必须经过人工审核，不可盲信。

关键要点

• 项目定位：面向 AI for Science 全流程的开源 agent skills 集合，覆盖选题→综述→实验→论文→审核全链路
• 技术形态：纯 skill 实现，不绑定任何框架或 SDK，可直接加载到 Claude Code / Cursor / Codex / Aider 等主流 coding agent 中使用
• 核心创新：通过机制设计强制保障科研产出的真实性——真引用（URL 实抓）、真数字（measured/simulated/illustrative 标注）、真代码真跑（带 provenance 的 results.json）、反向造假审查（integrity-auditor）
• 验证方式：提供 FNO 学习 Burgers 算子的完整可复现案例，代码、数据、论文全部开源在 examples/ 目录
• 开源协议：MIT 协议，完整开源，无未开源部分
• 使用边界：明确面向严肃科研场景，反对将工具用于制造学术垃圾，强调人工审核的必要性

意义与影响

ai4s-skills 的价值不在于又做了一个 AI 科研工具，而在于它直面了当前 AI for Science 领域最被忽视却最关键的问题：产出可信度。

当前市面上大量 AI 科研辅助工具默认"先跑出来再说"，引用、数据、代码执行三个环节普遍存在信任缺口。ai4s-skills 的做法是把这三个环节从"靠模型自觉"变成"靠机制约束"——你没法凭空编引用，因为 URL 必须真抓；你没法把模拟当实测，因为必须标注类型；你没法贴空壳代码，因为必须带可验证的 results.json。

这种思路的转变，本质上是把 AI 辅助科研从"生成优先"拉到了"验证优先"。对严肃研究者来说，这意味着可以把更多精力放在问题定义和思路设计上，而非反复核查 AI 产出的基本可信度。对科研生态来说，如果这类工具被广泛采用，至少能在一定程度上抬高"AI 辅助科研"的产出基线，减少学术垃圾的批量生产。

当然，工具的约束机制终究是工具层面的。integrity-auditor 能审查逻辑硬伤，但审查不了研究问题本身的价值判断；真引用机制能杜绝编造，但杜绝不了选择性引用带来的偏差。最终的研究质量把关，仍然取决于研究者本人。ai4s-skills 提供的是一套"基础设施"，而非"保送方案"。