尧图网页设计 
1. 科研场景下 GPT-6 与 Skill 机制的底层逻辑1.1 为什么科研人需要重新理解提示词这件事过去两年我身边做科研的朋友用大模型的方式基本停留在对话框里贴一段话等它吐结果。这种方式在写邮件、改摘要、翻译文献时够用但一旦进入真正的科研工作流——比如从 arXiv 上批量拉取某个方向的最新预印本、把几十篇 PDF 拆成结构化笔记、再基于这些笔记生成一份可追溯的综述草稿——纯对话式交互就会立刻暴露三个致命问题上下文窗口被塞爆、每次都要重复交代背景、输出格式每次都不一样。Skill 机制解决的正是这三件事。你可以把它理解成给模型装的一套标准化操作手册把某类任务的输入规范、处理步骤、输出格式、甚至调用哪些外部工具全部固化成一个可复用的模块。下次你只需要说用这个 Skill 处理这批文件模型就知道该按什么流程走。对科研人来说这意味着你的文献处理流程、数据分析流程、论文写作流程都可以被封装起来一次调好长期复用。我实测下来最大的感受是Skill 不是让模型变聪明而是让模型变稳定。科研最怕的就是不可复现而 Skill 恰好把不可复现的对话变成了可复现的流程。1.2 SKILL.md 到底是什么为什么它是核心热词里反复出现SKILL.md这不是偶然。在当前的 Skill 生态里SKILL.md基本等同于一个 Skill 的说明书 入口文件。它通常包含几块内容这个 Skill 叫什么、解决什么问题、需要什么输入、按什么步骤执行、输出什么格式、依赖哪些工具或脚本。我见过太多人把 Skill 当成高级提示词来写结果就是一堆自然语言描述堆在一起模型执行时依然飘忽。真正好用的SKILL.md有几个共同特征输入输出定义得像函数签名一样明确。比如输入一个包含 arXiv ID 列表的 txt 文件输出一个 JSON每个 ID 对应标题、作者、摘要、核心贡献三句话总结。步骤可拆解、可验证。每一步都有明确的中间产物方便你中途检查而不是等最后一步才发现全错了。把不确定性关进笼子。凡是模型容易自由发挥的地方都用枚举、模板、示例锁死。提示写SKILL.md时把模型当成一个能力很强但记性很差、且喜欢自作主张的新人。你要做的是把流程写到它没有发挥空间而不是指望它理解你的意图。1.3 Codex 类工具在科研流里的定位热词里codex、codex cli、codex skill出现频率极高。这类工具的本质是把模型能力接到本地命令行和文件系统上让模型能真正动手——读写文件、跑脚本、调 API。对科研人来说这解决了一个长期痛点文献和数据都在本地但模型在云端中间隔着一道手动复制粘贴的墙。Codex 这类 CLI 工具把这道墙拆了。你可以让它直接扫描一个文件夹里的 PDF提取文本按你的 Skill 规范生成笔记再写回另一个文件夹。整个过程你只需要在终端敲一条命令。这也是为什么科研人必装 Skill这个话题值得认真聊——因为一旦你习惯了这种工作方式就再也回不去手动复制粘贴了。需要说明的是不同工具的安装和配置细节差异较大下面涉及具体操作的部分我会基于常见实践给出通用思路你在自己环境里落地时需要对照官方文档调整。2. 科研人必装的 5 个 Skill 逐个拆解2.1 文献速读 Skill把 arXiv 预印本变成结构化笔记这是科研人用得最频繁、也最值得第一个装上的 Skill。核心需求很明确给定一批 arXiv 链接或 ID自动抓取元数据、下载 PDF、提取正文、生成结构化摘要。为什么这个 Skill 值得单独做因为文献阅读是科研里最高频、最重复、最耗时的动作。一篇论文你真正需要的信息其实就那么几块——研究问题、方法、核心结论、局限性、和你研究方向的关联。剩下的实验细节、相关工作铺陈大部分时候你只需要知道有没有。一个可用的文献速读 SkillSKILL.md大致长这样# Skill: arxiv-digest ## 用途 批量处理 arXiv 论文输出结构化笔记。 ## 输入 - 一个 txt 文件每行一个 arXiv ID 或完整链接 ## 步骤 1. 对每个 ID调用 arXiv API 获取元数据标题、作者、摘要、分类 2. 下载 PDF 到 ./pdfs/ 目录 3. 提取正文文本 4. 按固定模板生成笔记 - 研究问题一句话 - 方法三句话以内 - 核心结论三条 - 局限性作者自述 你的判断 - 与我的方向关联度高/中/低 理由 5. 输出到 ./notes/{arxiv_id}.md ## 输出格式 严格使用上述模板不得增删字段。 ## 注意事项 - 若 PDF 下载失败记录到 ./failed.log不中断整体流程 - 摘要字段直接引用原文不做改写我踩过的一个坑是早期版本我让模型自由总结结果同一篇论文跑两次结论重点完全不同。后来我把模板锁死并要求核心结论必须能在原文找到对应句子稳定性立刻上来了。实操心得批量处理时先拿 3 篇论文试跑确认输出格式符合预期再放开跑全量。arXiv 的 API 有频率限制批量抓取时加个 1 到 2 秒的间隔避免被限流。2.2 数据清洗 Skill让实验数据从脏到能分析科研数据几乎没有干净的。仪器导出的 CSV 里混着表头注释、单位行、空行问卷数据里同一列既有是/否又有1/0时间戳格式五花八门。手动清洗不仅慢而且每次清洗逻辑不一致导致结果不可复现。数据清洗 Skill 的价值在于把清洗逻辑固化下来。你只需要在SKILL.md里写清楚哪些列要保留、缺失值怎么处理、异常值判定标准是什么、单位怎么统一。之后每次拿到新数据跑一遍就行。一个典型的清洗 Skill 会包含这些环节环节常见处理方式注意事项表头识别跳过前 N 行注释N 要可配置不同仪器不一样缺失值删除 / 均值填充 / 标记必须记录处理了多少条写进日志异常值3σ 原则 / IQR阈值要写进 Skill不能临时改单位统一按列映射到标准单位保留原始列新增标准列类型转换字符串转数值/日期转换失败的行要单独输出为什么强调记录处理了多少条因为审稿人可能会问数据清洗细节你需要能说清楚每一步删了多少、为什么删。Skill 自动生成的日志文件就是你方法部分的素材。注意清洗 Skill 里绝对不要写根据数据情况灵活处理这种话。灵活性是稳定性的天敌。所有判断标准都要量化。2.3 图表生成 Skill从数据到可发表级配图科研配图有它自己的规矩字体、字号、线宽、配色、误差棒、显著性标记每一项都有惯例。手动调这些参数极其耗时而且不同图之间风格很难统一。图表生成 Skill 的思路是把可发表级的样式参数固化成一个模板你只需要提供数据Skill 负责出图。比如# 样式配置示例基于常见实践 import matplotlib.pyplot as plt plt.rcParams.update({ font.family: serif, font.size: 10, axes.linewidth: 1.0, xtick.direction: in, ytick.direction: in, xtick.major.size: 4, ytick.major.size: 4, legend.frameon: False, figure.dpi: 300, })把这段配置写进 Skill每次出图自动应用。更进一步你可以让 Skill 支持几种常见图型折线、柱状、散点、箱线每种图型对应一个函数输入数据路径和列名直接输出 PDF 和 PNG 两个版本。实操心得期刊对图的要求经常变所以样式参数要抽成单独的配置文件而不是硬编码在脚本里。这样换期刊时只改配置不动逻辑。另外出图后一定要让 Skill 同时输出一份图注草稿把数据来源、样本量、统计方法都写进去省得你后面再补。2.4 论文写作辅助 Skill把写作拆成可管理的模块写论文最痛苦的不是没想法而是面对空白文档不知道从哪下手。写作辅助 Skill 的核心思路是把整篇论文拆成可独立处理的模块摘要、引言、方法、结果、讨论每个模块有独立的输入要求和输出规范。以方法部分为例一个写作 Skill 可以这样设计输入实验设计描述、用到的仪器和参数、数据处理流程步骤先列出所有需要交代的要素清单逐项确认信息是否齐全再按总-分结构组织成段落输出符合目标期刊风格的方法部分草稿关键参数用括号标注为什么这样拆因为整篇论文一起写模型容易顾此失彼前面写嗨了后面收不住。拆成模块后每个模块的上下文更聚焦输出质量明显更稳。我个人的经验是写作 Skill 里一定要加一条禁止编造的硬约束。具体做法是要求模型在生成任何具体数字、引用、结论时必须标注来源来自你提供的材料还是来自它的通用知识。凡是标注为通用知识的你都要人工核实。这条约束能帮你避开很多坑。2.5 文献订阅与追踪 Skill让 arXiv 主动来找你热词里arxiv 怎样订阅出现多次说明这是很多人的真实痛点。arXiv 本身有订阅功能但邮件推送的格式很粗糙而且没法按你的兴趣做二次过滤。订阅追踪 Skill 的做法是定期抓取你关注分类下的新预印本用模型对每篇做相关性打分只把高分论文推给你。SKILL.md里要定义清楚关注哪些 arXiv 分类如 cs.CL、cs.LG相关性判断标准比如必须涉及大模型推理效率推送格式标题、作者、一句话总结、相关性理由、链接推送频率每天一次 / 每周一次关键设计点相关性判断标准要写得足够具体最好给出正例和反例。比如涉及模型压缩算相关单纯的应用落地不算相关。标准越具体过滤越准。提示这个 Skill 可以配合定时任务使用让它每天固定时间跑一次。但要注意抓取频率别太高尊重数据源的服务条款。3. 从零搭建一个科研 Skill 的完整流程3.1 环境准备与工具选型搭建 Skill 之前先把环境理清楚。你需要三样东西一个能跑命令行的环境、一个能读写文件的模型工具、一个放 Skill 的目录。工具选型上热词里提到的 Codex 类 CLI 工具是常见选择因为它能直接操作本地文件。安装方式通常有包管理器和安装包两种Windows 桌面版和命令行版都有。安装完成后第一件事是验证它能正常读写文件——建一个测试文件夹让它读一个 txt 再写一个 txt确认链路通了再往下走。常见坑安装后第一次运行经常遇到配置问题比如提示unrecognized configuration setting或者模型不支持。这类问题的排查思路是先看配置文件里有没有拼写错误再确认你用的模型名称和工具支持的列表是否匹配。热词里出现的model is not supported就是典型的模型名不匹配问题。3.2 目录结构与 SKILL.md 编写规范一个清晰的目录结构能省掉后面很多麻烦。我习惯这样组织skills/ arxiv-digest/ SKILL.md scripts/ fetch.py extract.py templates/ note_template.md > 科研人必装的5个GPT-6 Skill：从文献速读到论文写作全流程
1. 科研场景下 GPT-6 与 Skill 机制的底层逻辑1.1 为什么科研人需要重新理解提示词这件事过去两年我身边做科研的朋友用大模型的方式基本停留在对话框里贴一段话等它吐结果。这种方式在写邮件、改摘要、翻译文献时够用但一旦进入真正的科研工作流——比如从 arXiv 上批量拉取某个方向的最新预印本、把几十篇 PDF 拆成结构化笔记、再基于这些笔记生成一份可追溯的综述草稿——纯对话式交互就会立刻暴露三个致命问题上下文窗口被塞爆、每次都要重复交代背景、输出格式每次都不一样。Skill 机制解决的正是这三件事。你可以把它理解成给模型装的一套标准化操作手册把某类任务的输入规范、处理步骤、输出格式、甚至调用哪些外部工具全部固化成一个可复用的模块。下次你只需要说用这个 Skill 处理这批文件模型就知道该按什么流程走。对科研人来说这意味着你的文献处理流程、数据分析流程、论文写作流程都可以被封装起来一次调好长期复用。我实测下来最大的感受是Skill 不是让模型变聪明而是让模型变稳定。科研最怕的就是不可复现而 Skill 恰好把不可复现的对话变成了可复现的流程。1.2 SKILL.md 到底是什么为什么它是核心热词里反复出现SKILL.md这不是偶然。在当前的 Skill 生态里SKILL.md基本等同于一个 Skill 的说明书 入口文件。它通常包含几块内容这个 Skill 叫什么、解决什么问题、需要什么输入、按什么步骤执行、输出什么格式、依赖哪些工具或脚本。我见过太多人把 Skill 当成高级提示词来写结果就是一堆自然语言描述堆在一起模型执行时依然飘忽。真正好用的SKILL.md有几个共同特征输入输出定义得像函数签名一样明确。比如输入一个包含 arXiv ID 列表的 txt 文件输出一个 JSON每个 ID 对应标题、作者、摘要、核心贡献三句话总结。步骤可拆解、可验证。每一步都有明确的中间产物方便你中途检查而不是等最后一步才发现全错了。把不确定性关进笼子。凡是模型容易自由发挥的地方都用枚举、模板、示例锁死。提示写SKILL.md时把模型当成一个能力很强但记性很差、且喜欢自作主张的新人。你要做的是把流程写到它没有发挥空间而不是指望它理解你的意图。1.3 Codex 类工具在科研流里的定位热词里codex、codex cli、codex skill出现频率极高。这类工具的本质是把模型能力接到本地命令行和文件系统上让模型能真正动手——读写文件、跑脚本、调 API。对科研人来说这解决了一个长期痛点文献和数据都在本地但模型在云端中间隔着一道手动复制粘贴的墙。Codex 这类 CLI 工具把这道墙拆了。你可以让它直接扫描一个文件夹里的 PDF提取文本按你的 Skill 规范生成笔记再写回另一个文件夹。整个过程你只需要在终端敲一条命令。这也是为什么科研人必装 Skill这个话题值得认真聊——因为一旦你习惯了这种工作方式就再也回不去手动复制粘贴了。需要说明的是不同工具的安装和配置细节差异较大下面涉及具体操作的部分我会基于常见实践给出通用思路你在自己环境里落地时需要对照官方文档调整。2. 科研人必装的 5 个 Skill 逐个拆解2.1 文献速读 Skill把 arXiv 预印本变成结构化笔记这是科研人用得最频繁、也最值得第一个装上的 Skill。核心需求很明确给定一批 arXiv 链接或 ID自动抓取元数据、下载 PDF、提取正文、生成结构化摘要。为什么这个 Skill 值得单独做因为文献阅读是科研里最高频、最重复、最耗时的动作。一篇论文你真正需要的信息其实就那么几块——研究问题、方法、核心结论、局限性、和你研究方向的关联。剩下的实验细节、相关工作铺陈大部分时候你只需要知道有没有。一个可用的文献速读 SkillSKILL.md大致长这样# Skill: arxiv-digest ## 用途 批量处理 arXiv 论文输出结构化笔记。 ## 输入 - 一个 txt 文件每行一个 arXiv ID 或完整链接 ## 步骤 1. 对每个 ID调用 arXiv API 获取元数据标题、作者、摘要、分类 2. 下载 PDF 到 ./pdfs/ 目录 3. 提取正文文本 4. 按固定模板生成笔记 - 研究问题一句话 - 方法三句话以内 - 核心结论三条 - 局限性作者自述 你的判断 - 与我的方向关联度高/中/低 理由 5. 输出到 ./notes/{arxiv_id}.md ## 输出格式 严格使用上述模板不得增删字段。 ## 注意事项 - 若 PDF 下载失败记录到 ./failed.log不中断整体流程 - 摘要字段直接引用原文不做改写我踩过的一个坑是早期版本我让模型自由总结结果同一篇论文跑两次结论重点完全不同。后来我把模板锁死并要求核心结论必须能在原文找到对应句子稳定性立刻上来了。实操心得批量处理时先拿 3 篇论文试跑确认输出格式符合预期再放开跑全量。arXiv 的 API 有频率限制批量抓取时加个 1 到 2 秒的间隔避免被限流。2.2 数据清洗 Skill让实验数据从脏到能分析科研数据几乎没有干净的。仪器导出的 CSV 里混着表头注释、单位行、空行问卷数据里同一列既有是/否又有1/0时间戳格式五花八门。手动清洗不仅慢而且每次清洗逻辑不一致导致结果不可复现。数据清洗 Skill 的价值在于把清洗逻辑固化下来。你只需要在SKILL.md里写清楚哪些列要保留、缺失值怎么处理、异常值判定标准是什么、单位怎么统一。之后每次拿到新数据跑一遍就行。一个典型的清洗 Skill 会包含这些环节环节常见处理方式注意事项表头识别跳过前 N 行注释N 要可配置不同仪器不一样缺失值删除 / 均值填充 / 标记必须记录处理了多少条写进日志异常值3σ 原则 / IQR阈值要写进 Skill不能临时改单位统一按列映射到标准单位保留原始列新增标准列类型转换字符串转数值/日期转换失败的行要单独输出为什么强调记录处理了多少条因为审稿人可能会问数据清洗细节你需要能说清楚每一步删了多少、为什么删。Skill 自动生成的日志文件就是你方法部分的素材。注意清洗 Skill 里绝对不要写根据数据情况灵活处理这种话。灵活性是稳定性的天敌。所有判断标准都要量化。2.3 图表生成 Skill从数据到可发表级配图科研配图有它自己的规矩字体、字号、线宽、配色、误差棒、显著性标记每一项都有惯例。手动调这些参数极其耗时而且不同图之间风格很难统一。图表生成 Skill 的思路是把可发表级的样式参数固化成一个模板你只需要提供数据Skill 负责出图。比如# 样式配置示例基于常见实践 import matplotlib.pyplot as plt plt.rcParams.update({ font.family: serif, font.size: 10, axes.linewidth: 1.0, xtick.direction: in, ytick.direction: in, xtick.major.size: 4, ytick.major.size: 4, legend.frameon: False, figure.dpi: 300, })把这段配置写进 Skill每次出图自动应用。更进一步你可以让 Skill 支持几种常见图型折线、柱状、散点、箱线每种图型对应一个函数输入数据路径和列名直接输出 PDF 和 PNG 两个版本。实操心得期刊对图的要求经常变所以样式参数要抽成单独的配置文件而不是硬编码在脚本里。这样换期刊时只改配置不动逻辑。另外出图后一定要让 Skill 同时输出一份图注草稿把数据来源、样本量、统计方法都写进去省得你后面再补。2.4 论文写作辅助 Skill把写作拆成可管理的模块写论文最痛苦的不是没想法而是面对空白文档不知道从哪下手。写作辅助 Skill 的核心思路是把整篇论文拆成可独立处理的模块摘要、引言、方法、结果、讨论每个模块有独立的输入要求和输出规范。以方法部分为例一个写作 Skill 可以这样设计输入实验设计描述、用到的仪器和参数、数据处理流程步骤先列出所有需要交代的要素清单逐项确认信息是否齐全再按总-分结构组织成段落输出符合目标期刊风格的方法部分草稿关键参数用括号标注为什么这样拆因为整篇论文一起写模型容易顾此失彼前面写嗨了后面收不住。拆成模块后每个模块的上下文更聚焦输出质量明显更稳。我个人的经验是写作 Skill 里一定要加一条禁止编造的硬约束。具体做法是要求模型在生成任何具体数字、引用、结论时必须标注来源来自你提供的材料还是来自它的通用知识。凡是标注为通用知识的你都要人工核实。这条约束能帮你避开很多坑。2.5 文献订阅与追踪 Skill让 arXiv 主动来找你热词里arxiv 怎样订阅出现多次说明这是很多人的真实痛点。arXiv 本身有订阅功能但邮件推送的格式很粗糙而且没法按你的兴趣做二次过滤。订阅追踪 Skill 的做法是定期抓取你关注分类下的新预印本用模型对每篇做相关性打分只把高分论文推给你。SKILL.md里要定义清楚关注哪些 arXiv 分类如 cs.CL、cs.LG相关性判断标准比如必须涉及大模型推理效率推送格式标题、作者、一句话总结、相关性理由、链接推送频率每天一次 / 每周一次关键设计点相关性判断标准要写得足够具体最好给出正例和反例。比如涉及模型压缩算相关单纯的应用落地不算相关。标准越具体过滤越准。提示这个 Skill 可以配合定时任务使用让它每天固定时间跑一次。但要注意抓取频率别太高尊重数据源的服务条款。3. 从零搭建一个科研 Skill 的完整流程3.1 环境准备与工具选型搭建 Skill 之前先把环境理清楚。你需要三样东西一个能跑命令行的环境、一个能读写文件的模型工具、一个放 Skill 的目录。工具选型上热词里提到的 Codex 类 CLI 工具是常见选择因为它能直接操作本地文件。安装方式通常有包管理器和安装包两种Windows 桌面版和命令行版都有。安装完成后第一件事是验证它能正常读写文件——建一个测试文件夹让它读一个 txt 再写一个 txt确认链路通了再往下走。常见坑安装后第一次运行经常遇到配置问题比如提示unrecognized configuration setting或者模型不支持。这类问题的排查思路是先看配置文件里有没有拼写错误再确认你用的模型名称和工具支持的列表是否匹配。热词里出现的model is not supported就是典型的模型名不匹配问题。3.2 目录结构与 SKILL.md 编写规范一个清晰的目录结构能省掉后面很多麻烦。我习惯这样组织skills/ arxiv-digest/ SKILL.md scripts/ fetch.py extract.py templates/ note_template.md >