OpenRaiser GitHub avatar

NanoResearch

1.3K Stars16 Skills92 ForksMIT10月9日更新Skill 仓库

AI 概览 · 由大模型根据 SKILL.md 与仓库数据生成 · 2026年7月14日

面向研究型 AI 任务的分步 Skill 集合

这个项目提供了一组可复用的 AI Agent Skill,围绕研究任务的不同阶段分工协作:先做资料研究和假设生成,再做实验规划、实验代码生成,最后把结果整理成论文草稿。仓库中还包含一些面向研究相关场景的附加 Skill,如绘图、训练配方等。

包含 Skill

16

可以单独安装

GitHub Star

1,337

仓库累计 Star

近 7 天

+4

新增 Star

代码更新

2026年10月9日

最近一次推送

核心亮点

  • 1流程分工

    把研究任务拆成多个阶段,便于按步骤推进。

  • 2输入输出明确

    每个 Skill 都声明了输入、输出和处理目标。

  • 3覆盖研究全链路

    从文献发现到实验与写作都有对应环节。

能做什么

  • 从研究主题出发生成检索问题并搜索论文。
  • 对收集到的论文做去重、排序、综述和差距分析。
  • 根据候选假设生成实验蓝图,包含数据集、基线、指标和消融设计。
  • 按实验蓝图生成实验目录结构、数据处理、模型、训练与评估代码。
  • 基于上游输出生成论文草稿目录、LaTeX 源文件、参考文献和图表。

适用场景

  • 为一个研究主题整理相关论文并提炼研究空白。

  • 把已有假设整理成可执行的实验蓝图。

  • 根据实验蓝图生成实验代码骨架和配置文件。

  • 把文献、实验设计和结果汇总成论文草稿。

用之前和用之后

  • 研究任务往往分散在文献、实验和写作多个环节。可以按 Skill 分阶段处理。
  • 实验设计和代码实现需要手动衔接。上游输出可以直接作为下游输入。
  • 论文草稿和实验结果整理成本高。可直接生成结构化写作产物。

它是怎么工作的

  1. 第 1 步

    选题发散

  2. 第 2 步

    规划实验

  3. 第 3 步

    写作成稿

快速上手

安装与复制命令见“安装方式”。

  1. 1

    先确定你的研究主题或问题。

  2. 2

    按阶段提供对应 Skill 需要的输入文件路径。

  3. 3

    根据上游输出继续进入下一步 Skill。

  4. 4

    查看各 Skill 的 SKILL.md 了解具体输入、输出和处理步骤。

适合谁

  • 做论文或课题研究的人
  • 需要整理文献与实验方案的人
  • 想把研究流程拆成自动化步骤的人

局限

  • 部分子 Skill 的说明只给出了工作流摘要,细节需要查看对应 SKILL.md。
  • 有些条目没有列出完整步骤,使用前需要确认实际可用范围。
  • 输出依赖上游文件路径,流程中断时需要补齐前置产物。
  • 仓库中还包含若干 vendor 子 Skill,具体内容需要逐个核对。

使用前注意

  • · 部分 Skill 的 riskLevel 标记为 high,使用前需要核验适用边界。
  • · 研究、论文和实验相关产物需要确认输入数据、引用和结果来源是否完整。
  • · 不同子 Skill 的输入文件路径和输出目录不完全相同,串联前需核对。

包含的 Skills · 16

公开来源

相关 Skills

查看更多