最近刷GitHub热榜的画风跟一年前完全不一样了。以前大家晒的是大模型榜单、推理框架现在最热闹的是一堆叫“Skill”的技能包OpenAI的Codex命令行工具、社区里口碑很不错的Workbuddy工作台全都围着Skill生态在更新。标题里那个“Skili”其实就是Skill的手误但不影响它点出了这轮热潮的关键8个最热门的科研向Skill下载安装就能跑哪怕一行代码没写过也能借着Codex或Workbuddy把数据分析、画图、论文润色这些活儿干起来。这篇东西写给两类人。第一类是刚进实验室、被代码折磨的研究生第二类是好奇AI编程工具但一直没动手的科研工作者。我不打算把这篇文章写成教科书只希望你看完能照着操作把工具装起来、把Skill跑起来。下面先把Skill和这两款工具的关系讲明白再逐个拆解8个热门项目最后给一个完整的实战流程和防坑清单。1. Skill到底是什么为什么这波火起来1.1 从“提示词”到“技能包”一次升维先说一个词SKILL.md。这是目前各家Agent工具默认的技能包格式核心就是一个Markdown文件文件头部用YAML写清楚技能名称和描述正文写这个技能该怎么用、有哪些步骤、有哪些禁忌。以前让AI干活靠的是提示词。每做一件事都要现场写一大段“你是一名资深统计学家请帮我分析数据注意正态性检验结果要给出解释……”这种话写多了自己都烦而且同一个任务换个说法AI的理解就会飘。Skill相当于把这种零散的提示词固化成一个可复用的“说明书”AI只要看到任务描述匹配就自动翻开说明书执行。打个生活化的比方以前是每次下厨都要打电话问朋友红烧肉怎么做现在是直接把菜谱书放厨房里说一句“今天做红烧肉”翻开书照着做就行。Skill就是那本菜谱书SKILL.md就是菜谱本身。而且这菜谱还能配套scripts脚本目录比如绘图Skill里直接带好了matplotlib模板代码AI翻开就能用。1.2 Codex与Workbuddy两款主流“跑Skill”的工具Codex是OpenAI出的终端编程助手在命令行里直接对话能读写文件、执行命令。它本质上是给程序员用的但Skill生态起来之后零基础用户也能通过装技能包来“借力”。Workbuddy则是开源社区里很火的一个AI工作台强调多Agent协同你可以把文献综述、代码调试、论文写作这些任务拆给不同角色Skill是它的插件机制。两者对Skill的支持思路相似但定位有差异我整理了一张对比表对比项CodexWorkbuddy定位终端AI编程助手偏代码任务开源AI工作台偏多Agent协同和工作流安装方式npm全局安装或Homebrew官方仓库README通常给npm方式自定义模型改环境变量或config.toml即可接入DeepSeek等一般支持多模型切换Skill目录~/.codex/skills/用户级或项目级skills目录适合人群能接受命令行、想做代码相关任务的人想搭一套完整科研工作流的人我的建议是如果你只是想快速让AI帮你读代码、写脚本、改论文先装Codex如果你想好好搭一个“实验台”把文献、代码、写作都串起来Workbuddy更合适。两个都装也不冲突Skill文件通用同一套技能包两边都能识别。1.3 为什么科研场景特别吃这套科研流程其实是高度标准化的读文献、整理数据、跑分析、画图、写论文、应对审稿意见。这个过程里的很多动作比如“对两组数据做差异检验”“把结果画成符合期刊要求的图”“把一段话改得不像AI写的”都是重复劳动。以前这些操作散落在不同的软件、脚本、教程里现在Skill把它们收敛成了一个个即插即用的包。另一个原因是科研代码普遍“能跑就行”没人想花时间理解全部细节。Skill天然适合这种“黑盒使用”场景你只需要在对话里输入任务描述AI按技能包里的规范执行相当于每一步都有个熟手在旁边把关。对小白来说这比从零学Python友好太多了。2. 环境准备把Codex和Workbuddy跑起来2.1 安装Codex命令行工具npm和brew两条路前置条件很简单Node.js 18或更高版本电脑上装好Git。终端执行npm install -g openai/codexmacOS用户也可以用Homebrewbrew install codex装完先验证一下codex --version如果输出版本号说明装好了。接着登录有两种方式官方账号OAuth登录直接执行codex login浏览器会弹出来授权或者用API Key模式设置环境变量export OPENAI_API_KEYsk-your-key注意如果你在的地区访问官方接口不稳定登录或请求经常超时不用硬磕直接跳去2.2节把它切成DeepSeek这类国内直连的服务实测会更顺。2.2 把Codex切到DeepSeek等国产模型这是目前社区里讨论最火的操作原因很简单DeepSeek的API兼容OpenAI格式价格便宜而且从国内直连没有网络困扰。两种配置方式任选其一。方式一环境变量。每次开终端先设置export OPENAI_BASE_URLhttps://api.deepseek.com/v1 export OPENAI_API_KEYsk-your-deepseek-key方式二写配置文件。Codex会读取~/.codex/config.toml创建这个文件并填入model deepseek-chat model_provider deepseek [model_providers.deepseek] name DeepSeek base_url https://api.deepseek.com/v1 env_key DEEPSEEK_API_KEY保存后重启终端codex就直接走DeepSeek了。这里有个很容易踩的坑base_url最后到底要不要带/v1。以DeepSeek官方文档为准OpenAI兼容接口是https://api.deepseek.com/v1不要多写别的路径后缀。网上有些教程让你填gpt-5.6-sol这种看起来像未来版本的模型名实测会直接报“model is not supported”老老实实填deepseek-chat或deepseek-reasoner就行。2.3 安装Workbuddy并搭建工作台Workbuddy目前没有统一的官方安装名不同版本略有差异我见过最稳的方式是去它的GitHub仓库看README第一屏的安装命令一般是npm install -g workbuddy装完在终端敲workbuddy或wb看到帮助信息就说明OK了。第一次启动通常会引导你初始化一个工作台目录用来放项目文件、Skill和对话记录。初始化完成后可以按主题建几个目录比如literature/、data/、paper/让后面每个Skill干完活都知道该往哪儿放结果。2.4 Skill的安放目录与加载规则Skill的安装说白了就是“把文件夹放到指定位置”。Codex会去~/.codex/skills/找技能包Workbuddy支持用户级~/.workbuddy/skills/和项目级skills/两种。目录结构长这样~/.codex/skills/ └── stats-helper/ ├── SKILL.md └── scripts/ └── t_test.pySKILL.md的头部是YAML格式的frontmatter核心就两个字段name是技能名description是技能的适用场景描述。千万别小看descriptionAgent就是靠它来决定什么时候激活这个技能的。写得太泛比如“帮助用户”模型根本不知道什么时候该用写得太窄又容易错过调用时机。--- name: stats-helper description: 当用户需要做统计检验、数据分析方法选择、结果解读时使用。包含t检验、方差分析、卡方、回归等常用方法。 ---放好目录后重启会话让模型重新扫描。验证方法很简单直接问一句“你当前有哪些可用技能”如果模型准确报出你装的技能名就算加载成功了。3. 8个GitHub热门科研Skill逐个拆解这一章是重点。我按科研工作的完整链路从读文献到投稿挑出8个目前GitHub上讨论热度高、实用性强的科研向Skill。你在GitHub搜索框输入对应关键词就能找到选个人维护活跃、README带示例的项目。星标数会变但思路和用法是通用的。3.1 paper-refine把“AI味”从论文里赶出去的润色技能这是我自己用得最多的一个。学术写作里最尴尬的事是导师一眼看出“这段是AI写的”。AI写作有明显的口水味滥用“综上所述”“值得注意的是”“赋能”“抓手”动辄“首先其次最后”句式死板形容词堆砌。paper-refine内置了一套规则禁用词表、改写原则、段落瘦身策略。你只要把一段话丢给AI说“paper-refine”它就会按这套规则处理输入有AI味“综上所述本研究的结果表明该模型在多个数据集上的表现显著优于基线方法这为后续研究提供了有力的支持。”输出去味后“本研究在四个公开数据集上跑完对比实验模型平均准确率比基线高出4.2个百分点。这一差距在统计检验下显著p 0.01说明改进方向站得住脚。”核心逻辑是删掉所有不传递信息的连接词一个段落只保留一个核心论点动词优先于名词化能用数据说话就别用形容词。科研小白最怕写“空话”这个技能基本就是专门治空话的。注意paper-refine不是降重工具也不负责改数据。它的作用是让文字更干净、更像一个真人研究者在说话。3.2 lit-review-pro文献综述加速器做文献综述最耗时的是“读50篇论文然后分类总结”。lit-review-pro的思路是把这活儿拆成四个子任务主题拆解、检索词生成、文献卡片整理、综述提纲生成。用法很直接把你的主题告诉它比如“研究大语言模型在医疗问答中的应用”它会先拆出几个子问题数据集、评测指标、模型架构、伦理风险。接着给出一组检索关键词你拿去数据库搜索。然后把你搜来的文献标题和摘要贴给它它会自动聚类输出“共同方法”“争议点”“研究空白”三栏总结最后给出一份可用的综述提纲。我实测的场景是导入5篇PDF摘要它在一分钟之内给出了三个研究分支的归类和两处明显的文献空白点比我自己顺手翻半天靠谱多了。唯一的限制是离线状态下它只能处理你贴进去的文本联网检索功能要看具体项目是否接了插件不要默认它会自己去知网搜。3.3 code-tutor把看不懂的代码讲明白这是“小白也能跑代码”这句话里最关键的技能。code-tutor做的事情很朴素把一段Python或R代码逐行解释输出“一句话总结 逐行注释 常见报错 高效替代写法”四件套。比如你对着一份用matplotlib画热力图的代码发懵不用自己去查API文档直接把.py文件路径告诉它“用code-tutor解读这个文件我要知道每行代码改哪里会改变图片的颜色和尺寸。”它输出的注释版代码会标明figsize(10,8)控制整体画布大小、cmapviridis控制配色方案、annotTrue决定色块上是否显示数值。你不需要懂编程只需要按注释去改数字。这个技能特别适合用来“拆别人的复现代码”很多开源项目的README写得不清不楚让AI给你当翻译效率高很多。顺带一提社区里针对新兴语言的code-tutor变体也出现了比如面向仓颉这类新编程语言的学习型Skill思路一模一样装个技能就能让AI用统一格式教你陌生语法。这套玩法已经渗透到新领域了。3.4 sci-plot科研图表生成科研绘图讲究“丑图毁所有”。sci-plot内置了科研审美规范默认使用无衬线字体、配色避开彩虹色系、分辨率300dpi以上、坐标轴标签完整、图例位置不乱飘。你只需要说清楚数据和图形需求它会生成可运行的绘图脚本。实际用法是告诉它“我有一份CSV两列分别是时间和温度画一张折线图横轴标签旋转45度加误差棒输出PDF格式。”它就会生成一个Python脚本你在终端运行一次图片就出来了。这个Skill对小白最友好的地方是它不要求你掌握matplotlib的API所有细节都由技能包内置模板处理。我建议生成图片后还是肉眼检查一下坐标轴的单位和标签是否写对AI在参数推导上偶尔会粗心但整体框架比手写靠谱太多。3.5 stats-helper统计方法顾问加检验代码生成统计这块科研er最常见的悲剧是软件跑出一堆p值但不确定自己选的方法对不对。stats-helper的定位是“先问清楚再干活”。它不会上来就甩代码而是先问你几个问题数据是连续变量还是分类变量分几组是否满足正态分布方差不齐怎么办你答完之后它才会推荐合适的方法并给出R或Python实现代码附带结果解读模板。比如比较两组小鼠体重它会先建议做Shapiro-Wilk正态性检验再决定用独立样本t检验还是Mann-Whitney U检验然后生成如下代码from scipy import stats group_a [22.1, 23.4, 21.8, 24.1, 22.7] group_b [25.3, 26.1, 24.9, 25.8, 26.4] print(stats.shapiro(group_a)) print(stats.shapiro(group_b)) print(stats.ttest_ind(group_a, group_b))它会顺便解释p值代表什么、效应量要不要报、结论怎么写进论文。这是我最推荐科研小白安装的技能之一。注意stats-helper是方法顾问不是统计咨询师。涉及临床数据、要投稿给讲究统计细节的期刊时请务必让真正的统计专家再复核一遍。3.6 critic-buddy狗头军师模拟审稿人挑刺这个技能名字看起来很玩梗实际用起来是真香。它让AI扮演一个“刻薄但专业”的审稿人专门挑你研究里的逻辑漏洞、方法瑕疵和表达不清之处。用法很简单把你的论文摘要、核心假设或实验设计贴给它让它输出“审稿人视角的10个尖锐问题”。比如你写“该方案性能优异”它会追问“和什么基线比差异是否统计显著实验跑了几次方差呢”这种提问能逼你把没说清楚的地方补上。它还有一个进阶用法在选技术方案之前先让AI站在反面把方案批一顿。想用A方法做分类让狗头军师假装反对派列出A方法会翻车的所有场景。这种“预先反驳”机制能帮你在动手之前发现很多隐患成本几乎为零。3.7 book-to-skill把参考书变成技能包这是一个“元技能”即制造技能的技能。它的工作流是把一本书、一份官方文档、一套教程“蒸馏”成一个可安装的SKILL.md技能包。比如你想让AI学会用某学校内部的实验规范把规范PDF传给它跑一次book-to-skill流程就能生成一个名为lab-standard的文件夹里面有SKILL.md和参考资源。把它丢进skills目录以后你提问时AI就会自动引用这套规范回答。这个技能的潜力很大。GitHub上还有howtolivebetter这类生活向知识库项目虽然不属于科研Skill但思路一模一样把一整本指南变成AI可随时调用的知识包。做科研版的道理也相通你可以给组里做一个“仪器操作规范”Skill新人来了不用反复问师兄师姐。注意版权问题。只处理你合法拥有、或被授权使用的资料别把别人付费课程拿去蒸馏再公开分享。3.8 lab-notebook实验记录与复现清单生成器科研里的隐形工作量是“记实验”。lab-notebook专门干这个你把一次实验的日志、参数、结果贴给它它会整理成一份可复现的Markdown报告内容包括环境依赖清单、关键超参数表、复现步骤、可能的坑位说明。比如你训练完一个模型把终端日志直接丢给它它输出的报告中会明确写着“Python 3.11、PyTorch 2.1、batch_size32、learning_rate3e-4”并生成一个“下次实验前检查清单”。对我来说这个技能最大的价值是治好了“半个月后看不明白自己当时做了什么”的病。归档能力强实验记录标准化了后续写论文的方法描述部分也轻松很多。4. 实战演练小白用Skill跑通一个小科研任务道理讲再多不如完整跑一遍。这里我设计了一个人人都能复现的小任务比较A班和B班期末考试成绩是否有显著差异画一张图再把结果段落润色成能放进论文的样子。4.1 准备一份实验数据新建一个data.csv文件group,score A,82 A,76 A,88 A,91 A,67 A,79 B,75 B,70 B,74 B,83 B,68 B,71然后打开Codex或Workbuddy把工作目录切换到该项目。4.2 用stats-helper完成统计检验对话里直接说“使用stats-helper分析data.csv中A组和B组的成绩差异先做正态性检验再选合适的方法。”它会先给出Shapiro-Wilk检验代码确认两组数据近似正态后再用独立样本t检验。它还会顺带告诉你如果p值大于0.05说明差异不显著不能乱下结论。整个过程你不需要自己跑代码它会在终端直接执行并把结果贴回来。4.3 用sci-plot生成科研图表接着提需求“使用sci-plot画一张分组箱线图横轴是组别A和B纵轴是score颜色用低饱和度配色输出300dpi的PNG。”它会生成代码并自动运行图片会出现在当前目录。你打开看一眼确认坐标轴标题和单位没写错这张图就是可以直接放进汇报PPT里了。4.4 用paper-refine完成结果段落润色最后把某个粗糙的结果描述丢给它初稿“通过数据分析我们发现A班的平均成绩是80.5分B班的平均成绩是73.5分。经过t检验p值为0.043小于0.05结果表明两个班之间存在显著差异。”润色后“独立样本t检验显示A班平均成绩80.5 ± 9.2显著高于B班73.5 ± 5.9t 2.31, p 0.043差异达到显著水平。”差别很明显润色后的版本格式规范一看就是论文写法。你不需要自己记住APA或GB/T格式paper-refine会代劳。5. 高频率问题与排查实录5.1 Skill加载不上目录、命名、描述词最常见的原因是目录位置放错了。Codex只认~/.codex/skills/Workbuddy只认用户级或项目级skills目录放错位置当然扫描不到。其次是SKILL.md的大小写写错复制粘贴时成了skill.md或Skill.MD都会导致解析失败。最后是description写得模棱两可模型判断不了该不该激活表现为“明明装了但是没反应”。我的排查顺序永远是目录路径对了吗文件名对吗description说清楚了吗。5.2 切换模型时报“本地端点连接失败”很多人在把Codex切到DeepSeek时遇到这类报错。我踩过几次坑之后总结出三条检查项base_url末尾是否多写了路径或漏了/v1环境变量DEEPSEEK_API_KEY是否和config.toml里的env_key名字完全一致model填的是不是deepseek-chat这种真实存在的模型名而不是网上教程随手写的gpt-5.6-sol这类幽灵型号。这三点都核对一遍问题基本能解决。这类报错本质是“请求发出去了但没被正确接收”和网络本身关系不大不用折腾别的。5.3 GitHub项目下载慢怎么办这是个绕不开的实际问题。我的建议优先级是这样能用npm装的东西优先用npm官方源比如Codex这类命令行工具要下代码仓库优先看项目是否在Gitee或国内CDN上有同步镜像如果都没有直接打开GitHub页面用浏览器下载zip包通常比命令行git clone稳定。还有一点很多项目会发布到npm或Python的PyPI上先搜一下包管理器说不定能免去下载仓库的麻烦。至于来路不明的所谓“修复工具”或第三方安装包碰都别碰安全第一。5.4 多个Skill互相“串味”我第一天装了十几个Skill之后AI的行为明显“人格分裂”让它画图它非要顺带做统计检验让它润色论文它又开始挑逻辑问题。原因很简单description语义重叠模型一个任务匹配了多个技能。解决办法是精简同一类功能只保留一个Skill按任务拆分会话写论文就只开paper-refine和lit-review-pro画图就单独开sci-plot的会话。5.5 高频问题速查表现象可能原因解决办法Skill完全没反应目录放错或文件名不规范检查~/.codex/skills/路径确认SKILL.md大小写模型回答“无可用技能”未重启会话退出终端重新进入再问一次切换模型后报模型不存在模型名拼写错误改成deepseek-chat等真实模型名多个技能同时触发description语义重叠精简Skill数量按任务拆会话图表生成后字体乱码系统中文字体缺失在绘图脚本里指定英文字体或安装中文字体最后说点实在的我个人在实际操作中的体会是不要贪多。头两天我下载了一堆Skill结果互相干扰严重最后全删了只留四个核心的反而顺手。另外分享一个小技巧把自己最常用的需求直接写进SKILL.md的正文里。比如我固定让code-tutor在每次解读代码时都输出“一句话总结逐行注释常见报错”这比每次对话都重新提一遍要求稳定得多也省token。这套工具链真正的分水岭不是“会不会用”而是“愿不愿意把重复劳动交给AI”。Codex和Workbuddy只是个壳Skill是内容科研流程里那些重复、琐碎、有标准答案的动作都值得被做成技能包。你不需要成为编程高手只需要会装文件夹、会提需求、会看结果。突破这层心理门槛之后Codex和Workbuddy就能成为你科研工作台里最顺手的两件工具。