lingzhi227/agent-research-skills · 上手攻略

  • 仓库：lingzhi227/agent-research-skills
  • 链接：https://github.com/lingzhi227/agent-research-skills
  • 分类：agent-skills
  • 作者：Tom
  • 更新：2026-08-09

是什么

一个为 Claude Code 打造的 31 个 Agent Skills 合集，覆盖学术论文全生命周期——从文献调研、实验设计、代码实现、论文撰写，到 LaTeX 排版、幻灯片生成、同行评审，覆盖 PhD 级研究流程的每一个环节。全部从 17 个 GitHub 仓库提炼而来，是目前最完整的"AI 辅助学术研究"技能库。

这套 skills 的设计理念很有意思：不是泛泛的"让 AI 帮你写论文"，而是把论文生产拆解成 6 个阶段（发现→方法→实验→写作→图表→评审），每个阶段都有专门的 skill 或脚本支撑。Phase 0 到 Phase 6，逻辑清晰，衔接紧密。

解决什么问题

AI coding tool 在学术研究场景的痛点：文献搜索、代码复现、论文写作都是割裂的工具链，需要手动切换和复制粘贴。更关键的是，AI 不懂学术规范——不知道怎么搜文献、不知道怎么写 Related Work、不知道论文各部分的写作惯例。

这套 skills 让 Claude Code 原生理解学术研究流程：每个阶段都有专门的 prompt 模板 + 可执行脚本，降低重复劳动，把精力留给真正的创新。

典型用户画像：PhD 学生、学术研究员、ML 工程师写论文、想用 AI 系统性做文献调研的任何人。

快速安装

# 全局安装（必须 -g，脚本路径 ~/.claude/skills/）
npx skills add lingzhi227/agent-research-skills -g -a claude-code

# 安装后执行初始化脚本（安装斜杠命令 + 检查 Python 依赖）
git clone https://github.com/lingzhi227/agent-research-skills.git /tmp/agent-research-skills
/tmp/agent-research-skills/install.sh
rm -rf /tmp/agent-research-skills

可选 Python 依赖（按需安装）：

包 用于 安装命令
PyMuPDF PDF 文字提取 pip install PyMuPDF
numpy + scipy 统计分析脚本 pip install numpy scipy

Semantic Scholar API Key（申请）：不加 Key 也能用文献搜索，但速率受限；建议重度用户申请免费 Key 提高频率上限。

深度研究输出目录：~/deep-research-output/（可配置）

核心用法

六阶段完整工作流

Phase 0：发现与规划

  • /research <topic> 或自然语言激活，Claude Code 自动匹配对应 skill
  • github-research：6 阶段 GitHub 仓库发现 + 分析 + 整合规划（13 个脚本，完整覆盖仓库搜索、结构分析、依赖分析、实现对比、报告编译）
  • deep-research：6 阶段系统性文献综述（前研 → 综述 → 深挖 → 代码 → 综合 → 报告），7 个脚本支撑
  • literature-search：多源学术搜索（Semantic Scholar、arXiv、OpenAlex、CrossRef），带排序和去重
  • novelty-assessment：严苛评审新想法，经过最多 10 轮文献搜索验证，逼迫你找最接近的相关工作

Phase 1：方法设计

  • algorithm-design：算法伪代码（LaTeX）+ UML 图（Mermaid），带一致性验证，确保图和代码不打架
  • math-reasoning：推导、证明、形式化、统计检验选择、符号表
  • atomic-decomposition：想法拆解为原子概念，双向数学 ↔ 代码映射

Phase 2：实验 Pipeline

  • experiment-design：4 阶段渐进式实验规划（实现 → 调参 → 研究 → 消融）
  • experiment-code：ML 训练/评估 pipeline 生成，带迭代改进
  • data-analysis：统计分析 + 4 轮代码 review + 检验选择（t-test 还是 bootstrap？skill 会帮你选）

Phase 3：论文写作

  • paper-writing-section：逐节写作，带两轮精化，每节有专门的 guidance
  • related-work-writing：Related Work 段，带主题组织和 compare-and-contrast 风格，避免流水账
  • survey-generation：完整综述论文，RAG 子节写作，引用验证

Phase 4：图表与引用

  • figure-generation：出版级 matplotlib 图表（VLM 反馈 loop，10 种图表类型）
  • table-generation：JSON/CSV → LaTeX booktabs 表格，加粗最优值，显著性星号，多数据集
  • citation-management：BibTeX 采集、验证、去重、自动修复（2 个脚本）

Phase 5：LaTeX 排版

  • latex-formatting：会议模板（ICML/ICLR/NeurIPS/AAAI/ACL）+ 格式修复 + 提交前检查（2 个脚本）
  • paper-compilation：pdflatex + bibtex 完整 pipeline，自动纠错 loop，截稿前救命用

Phase 6：评审与完善

  • self-review：3 人称自动化评审（NeurIPS 表格格式）+ 反思
  • rebuttal-writing：逐点 rebuttal，带证据支撑，不是情绪化的辩护
  • slide-generation：论文 → Beamer 幻灯片，提取关键元素后简化

常用直接脚本示例

# 搜索 GitHub 仓库研究主题（输出 JSONL）
python ~/.claude/skills/github-research/scripts/search_github.py \
  --query "multi-agent LLM coordination" --max-results 50 --output repos.jsonl

# 分析克隆仓库的结构
python ~/.claude/skills/github-research/scripts/analyze_repo_structure.py \
  --repo-dir ./my-repo --output analysis.json

# 搜索学术文献（CrossRef）
python ~/.claude/skills/literature-search/scripts/search_crossref.py \
  --query "attention mechanism" --rows 10

# 验证 BibTeX 引用
python ~/.claude/skills/citation-management/scripts/validate_citations.py \
  --tex paper/main.tex --bib paper/references.bib

# 生成实验设计方案
python ~/.claude/skills/experiment-design/scripts/design_experiments.py \
  --method "contrastive learning" --task classification --format markdown

# 格式化 p 值
python ~/.claude/skills/data-analysis/scripts/format_pvalue.py \
  --values "0.001 0.05 0.23" --format latex

# 从论文提取元素做幻灯片
python ~/.claude/skills/slide-generation/scripts/extract_paper_elements.py \
  --tex main.tex --output slides.tex

# 检查论文完整性
python ~/.claude/skills/paper-assembly/scripts/assembly_checker.py \
  --dir paper/ --verbose

典型适用场景

  1. 系统性文献调研：用 deep-research 或 literature-search 批量搜 arXiv/Semantic Scholar，不用手动一页页翻；多源搜索保证覆盖率
  2. GitHub 研究主题调研：github-research 帮你找相关仓库、分析结构、对比实现，适合研究某个方向的代码水平
  3. 论文写作加速：paper-writing-section + related-work-writing 让你专注创新点，把润色交给 AI；两轮精化机制保证输出质量
  4. 实验设计审查：experiment-design 生成结构化实验方案，包含消融实验设计，避免漏做实验
  5. LaTeX 排版急救：会议截稿前，paper-compilation + latex_checker.py 帮你快速修复格式错误，不用一行行手动找

坑与注意

  1. 必须全局安装（-g）：脚本路径硬编码 ~/.claude/skills/，非全局安装脚本找不到，这是个常见坑
  2. Python 依赖按需安装：核心功能是 prompt-only script，但 PDF 解析和统计分析需要额外依赖；没装也能用大部分功能
  3. Semantic Scholar API Key：不加 Key 也能用，但速率受限；建议重度用户申请免费 Key
  4. install.sh 不要跳过：install.sh 会在 ~/.claude/commands/ 安装斜杠命令，否则 /research 等命令不可用
  5. arXiv 下载脚本：需要网络访问目标 arXiv 链接，部分地区可能需要配置代理
  6. LaTeX 编译器：Linux/macOS 上需确保 pdflatex、bibtex 在 PATH 中，Windows 用户需要 WSL 或 TeX Live
  7. PDF 提取依赖 PyMuPDF：self-review 和 deep-research 的 PDF 解析依赖此库，未装则相关功能降级

与同类对比

方案 Skill 数量 覆盖阶段 脚本支持 学术深度
lingzhi227/agent-research-skills 31 全链路 ✅ 40+ 脚本 ⭐⭐⭐⭐⭐
browserbase/skills 少量 偏通用 有限 ⭐⭐
remotion-dev/skills 少量 视频为主 ❌ ⭐
各高校内部工具 不等 碎片化 各异 各异

这套 skill 的核心优势是学术全生命周期覆盖 + PhD 级方法论沉淀，不是通用提示词集合，而是针对论文生产流程的专项工具包。相比 browserbase/skills 的泛用路线，这个仓库是专门为学术写作设计的，深度和实用性都更高。

一句话推荐结论

如果你在用 Claude Code 做学术研究，31 个 skills 覆盖从选题到投稿的全链路，零安装门槛，是目前最完整的 AI 辅助学术写作技能库。

最小可跑命令

# 依赖：Node.js >= 18；Python 3（脚本）；pip install PyMuPDF numpy scipy（可选）
# Skill 平台：Claude Code（全局模式）
# 硬件：无要求，不跑模型

# 1. 全局安装 skills（必须 -g）
npx skills add lingzhi227/agent-research-skills -g -a claude-code

# 2. 克隆并运行安装脚本
git clone https://github.com/lingzhi227/agent-research-skills.git /tmp/agent-research-skills
/tmp/agent-research-skills/install.sh
rm -rf /tmp/agent-research-skills

# 3. 验证安装（重启 Claude Code 后在对话中测试）
# /research <任意研究主题>
# /literature-search <关键词>

# 4. 搜索学术文献（免费接口，不需要 Key）
python ~/.claude/skills/literature-search/scripts/search_crossref.py \
  --query "transformer architecture" --rows 5

# 5. 生成实验设计方案（需 pip install numpy scipy）
python ~/.claude/skills/experiment-design/scripts/design_experiments.py \
  --method "contrastive learning" --task classification --format markdown

原始来源：GitHub README

不确定处：npx skills add 命令中的 -a claude-code 参数含义建议以 Claude Code 官方文档为准；arXiv PDF 下载脚本对网络环境有要求，部分地区建议配置代理。