做 AI 和机器学习研究的人大概率都经历过这样一种循环查文献发现文献太多想 idea担心不够新写代码baseline 总是对不齐跑实验随机种子和数据划分一乱结果就不可复现写论文相关工作、实验分析、贡献表达又要重新组织投稿前还要担心 reviewer 会不会质疑创新性、实验公平性和引用完整性。通用大模型当然能帮忙但如果只是随便问一句“帮我写个文献综述”或者“帮我设计实验”它很容易给出看似完整、实际上很泛的回答。真正的科研工作需要的不只是语言能力而是一套比较规范的研究流程。这就是AI-research-SKILLs这类工具有价值的地方。它试图做的事情不是让 AI Agent 简单“更会聊天”而是给 Agent 装上一套面向 AI/机器学习研究的专业工作技能让它能参与文献调研、idea 构思、实验设计、模型训练、评估分析和论文写作。本文是一篇面向科研用户的保姆级教程带你理解AI-research-SKILLs是什么它适合哪些人它和普通 ChatGPT/Codex 有什么区别它和academic-research-suite有什么不同应该怎么安装和使用做机器学习研究时怎么写 prompt使用时有哪些坑必须避开。项目地址Orchestra-Research/AI-research-SKILLs一、它解决什么问题我们先不急着看安装命令先看它到底解决什么问题。机器学习研究不是一个单点任务而是一条长链条发现问题查找文献梳理已有方法发现 gap形成 research idea设计算法实现代码跑 baseline做消融实验做统计检验画图表写论文检查引用模拟审稿修改 rebuttal。如果你只用普通对话模型每一步都需要你自己组织上下文、提醒模型当前阶段、约束输出格式、检查它有没有乱编引用。时间长了用户反而变成了“AI 项目经理”。AI-research-SKILLs的思路是把这些科研任务拆成一个个专门的 skills让 AI Agent 在面对不同任务时有更明确的工作规范和执行路径。简单说它不是一个普通插件而是一个 AI 研究技能库。二、AI-research-SKILLs 是什么AI-research-SKILLs是 Orchestra Research 开源的一套面向 AI 研究的技能库全名可以理解为AI Research Skills Library。它面向的是 Claude Code、Codex、Cursor、OpenClaw 等 AI Agent 工具。也就是说它不是传统意义上的“给人手动点按钮的软件”而是给 AI Agent 使用的“研究工作说明书”和“能力模块”。它的核心目标是让 Agent 能够参与更完整的 AI research workflow包括文献调研研究 idea 生成实验设计模型训练评估分析工程复现论文写作引用核验审稿模拟。这个项目和普通 prompt collection 不一样。普通 prompt 往往只是一些提示词模板而 skills 更像是“带有工作流程和工具使用规则的任务模块”。Agent 读取某个 skill 后会知道这个任务应该怎么拆、怎么做、输出什么、什么时候需要核验。项目地址GitHub 仓库三、它和普通 ChatGPT/Codex 有什么区别很多人会问我直接用 ChatGPT 或 Codex 不行吗为什么还要装 skills当然可以直接用。但区别在于普通模型更像一个通才而 skill 会让它在某类任务上更像一个受过训练的专门助理。可以这样理解使用方式优点局限普通 ChatGPT灵活什么都能问容易泛泛回答缺少科研流程约束普通 Codex擅长代码、文件、实验脚本学术研究流程需要用户自己组织AI-research-SKILLs有面向 AI 研究的任务模块需要正确安装、选择和调用academic-research-suite学术研究流程强文献和论文审查强工程训练、模型部署类能力不是重点所以AI-research-SKILLs不是让模型凭空变聪明而是给模型一套更专业的研究工作规范。这点非常重要。真正有价值的不是“AI 能不能写一段话”而是它能不能在一个复杂科研任务中保持流程感、证据意识和实验规范。四、核心模块怎么理解AI-research-SKILLs覆盖的技能很多不建议一上来逐个学习。更好的方式是按科研任务分组理解。1. 研究编排类autoresearchautoresearch可以理解为这个技能库里的“研究总调度”。它适合用在你有一个比较大的研究目标时比如我想研究主动学习中的主动特征获取问题请帮我从文献、idea、实验和论文写作几个阶段规划整个研究流程。这类任务如果直接交给普通模型它可能会给你一个漂亮但空泛的大纲。而autoresearch的价值在于它会尝试把任务拆成更具体的阶段研究背景是什么需要查哪些文献当前领域有哪些主线可能的创新点在哪里需要哪些实验验证需要哪些 baseline论文结构如何安排。它更像一个研究项目经理而不是单纯的写作助手。不过也要注意autoresearch比较“主动”所以你要给它明确边界。比如你可以要求不要自动编造引用不要替我下最终结论所有文献必须给出可核验来源实验设计必须考虑随机种子和统计检验idea 需要区分“可行”“高风险”“可能不新”。2. 研究构思类research ideation研究构思类技能适合用来做 idea brainstorming。例如你可以让它帮你围绕一个方向生成候选研究点我现在做主动学习中的主动特征获取数据是不完备序分类数据。请帮我生成 10 个潜在研究 idea并从 novelty、feasibility、theoretical depth、experimental cost 四个维度评分。这种技能的价值不是“替你发明一个一定能中的 idea”而是帮你扩大搜索空间。它可以帮你发现一些平时容易忽略的角度例如查询代价不均等标签噪声缺失机制不是 MCAR类别序结构与主动查询策略耦合矩阵补全误差对序分类边界的影响batch active feature acquisition 的冗余控制test-time feature acquisitionfoundation model 场景下的特征获取。但最终判断 idea 是否成立仍然要靠研究者自己。AI 给的是候选空间不是学术结论。3. 论文写作类ml-paper-writingml-paper-writing是我认为最值得机器学习研究者关注的一类技能。它不是泛泛地“润色英文”而是面向机器学习论文写作场景尤其是 NeurIPS、ICML、ICLR、ACL、AAAI、COLM 等会议风格。它适合处理论文标题abstractintroductionrelated workmethodexperiment sectionablation study 描述limitationbroader impactrebuttalcamera-ready 修改。机器学习论文写作有自己的套路贡献要清楚实验要公平baseline 要合理消融要能解释机制related work 不能只是堆文献。一个好的 ML paper writing skill 应该能帮助作者把“我做了一个方法”组织成“为什么这个问题重要、已有方法缺什么、我的方法解决了什么、实验如何支持这个结论”。例如你可以这样用Use ml-paper-writing. 我正在写一篇关于 active feature acquisition for ordinal classification with missing data 的论文。 请帮我重写 introduction要求 1. 先讲不完备数据对序分类的挑战 2. 再讲主动特征获取的意义 3. 指出现有主动特征获取方法没有充分利用标签序信息 4. 最后引出本文贡献。 不要编造参考文献。这类 prompt 比“帮我写 introduction”有效得多。4. 实验评估类evaluation做机器学习研究实验设计往往比写作更容易出问题。尤其是主动学习相关实验常见坑非常多不同算法用的初始标注集不一致不同算法的数据划分不一致budget 设置不公平只跑一个 seed只看最终 accuracy不看学习曲线baseline 没调参消融实验不能解释机制没有统计显著性检验没有报告计算成本。评估类 skill 可以帮助你规范实验方案。例如对于主动学习算法对比你可以要求请帮我设计主动学习算法对比实验。 要求 1. 每个数据集固定 20 次随机划分 2. 每次划分包含 train/test/labeled/unlabeled 3. 多分类任务中初始 labeled set 每类至少 1 个样本 4. 所有算法使用完全相同的数据划分 5. 指标包括 accuracy、MAE、AULC 6. 需要 paired t-test 7. 输出实验配置表和结果记录格式。这种任务非常适合交给 AI Agent因为它既需要实验经验也需要工程规范。5. 模型训练与工程类这个仓库还覆盖很多偏工程的技能例如fine-tuningdistributed traininginference servingMLOpsRAGagentsmultimodalmechanistic interpretability。这些对做大模型训练、微调、部署、评估的人非常有用。但如果你的研究主要是传统机器学习算法、主动学习、序分类、矩阵补全不一定需要一次性安装所有工程技能。否则技能列表会很长Agent 路由也可能变得混乱。我的建议是按需安装先用核心研究技能再根据项目需要补充训练/评估/MLOps 类技能。五、适合谁使用AI-research-SKILLs比较适合以下几类人机器学习、深度学习、NLP、大模型方向研究者需要长期维护实验代码和论文草稿的研究生经常做 benchmark、baseline、ablation 的算法研究者希望用 Codex/Claude/Cursor 管理科研项目的人做大模型微调、推理部署、RAG、agent、评估的人想把 AI Agent 接入科研工作流而不只是偶尔问问题的人。它不太适合以下情况只想简单翻译一篇论文摘要只想查几篇文献完全不写代码、不跑实验只需要普通语言润色不愿意让 Agent 读取项目文件不愿意对 AI 输出做人工核查。一句话总结如果你想让 AI 帮你认真推进一个机器学习研究项目它值得研究如果你只是想临时润色一段文字它可能有点重。六、安装建议仓库提供的安装方式大致是使用 npm 命令安装技能库。例如npx orchestra-research/ai-research-skillsinstall--all不过我不建议新手一上来直接--all。原因有三个第一技能太多。一次性安装全部技能可能会让技能列表变得非常臃肿。第二有些技能你暂时用不上。比如你做主动学习算法研究并不一定马上需要 TensorRT-LLM、vLLM、Stable Diffusion、Whisper、LLaVA 等技能。第三技能越多任务路由越需要明确。如果你不指定使用哪个 skillAgent 可能不知道应该走学术综述、模型训练、实验评估还是论文写作。更稳妥的策略是先安装核心技能autoresearchresearch-ideationml-paper-writingevaluation必要时再加 MLOps 或 fine-tuning 相关技能安装完成后可以让 Agent 检查你现在安装了哪些 AI research 相关 skills或者请列出当前可用于文献调研、实验设计、论文写作的 skills并说明各自用途。七、第一次应该怎么用安装 skill 后最重要的是学会写清楚任务。不要这样问帮我做一个主动学习研究。这个问题太大Agent 很难知道你要的是文献、idea、实验还是论文。更好的写法是Use autoresearch. 我的研究方向是主动学习中的主动特征获取。 具体场景是不完备序分类数据。 请帮我规划一个完整研究流程包括 1. 需要补充阅读的文献方向 2. 可能的 research gap 3. 候选研究 idea 4. 算法设计思路 5. 实验验证方案 6. 论文写作结构。 要求 不要编造参考文献。 所有涉及文献的地方都要给出可核验来源。 实验设计必须考虑随机种子、数据划分、budget 和统计检验。这个 prompt 有几个优点指定了 skill给出了研究方向明确了输出内容加了防幻觉约束加了实验规范约束。这才是使用 research skill 的正确方式。八、完整实战案例用它规划一篇主动学习论文假设你的研究方向是Active Feature Acquisition for Ordinal Classification with Missing Data我们可以把它拆成五步。第一步研究问题收敛Prompt 示例Use research-ideation. 我想研究 active feature acquisition for ordinal classification with missing data。 请帮我生成 8 个候选 research questions。 每个 research question 请从以下维度评分 1. novelty 2. feasibility 3. theoretical depth 4. experimental cost 5. publication potential。 最后推荐 2 个最值得推进的问题。你可能得到的问题包括如何利用类别序结构指导缺失特征查询查询代价不均等时如何设计 cost-sensitive active feature acquisition矩阵补全误差如何影响序分类边界能否设计 batch 查询策略减少冗余缺失机制为 MAR/MNAR 时方法是否仍然有效test-time 主动特征获取能否用于不完备序分类这个阶段的目标不是马上定题而是把可能性打开。第二步文献地图Prompt 示例Use autoresearch. 请围绕 active feature acquisition for ordinal classification with missing data 构建文献地图。 至少分为以下主题 1. ordinal classification 2. active learning 3. active feature acquisition 4. matrix completion 5. supervised matrix completion 6. missing data imputation 7. active matrix completion。 请输出 - 每类核心问题 - 代表性文献 - 现有方法局限 - 与本文方向的关系。 要求所有文献必须可核验。这样得到的不是普通 related work而是一个研究定位图。第三步算法 idea 设计Prompt 示例Use research-ideation. 基于已有文献地图请帮我设计 3 个算法 idea。 场景不完备序分类数据的主动特征获取。 要求每个 idea 包含 1. 核心直觉 2. 数学目标函数 3. 查询策略 4. 与已有方法的区别 5. 可能的理论性质 6. 实验验证方式 7. 风险点。这一步要特别注意AI 生成的数学公式和理论命题一定要人工检查。它可以帮你提出候选方向但不能自动证明创新性。第四步实验设计Prompt 示例Use evaluation. 请为 active feature acquisition for ordinal classification 设计实验方案。 要求 1. 每个数据集做 20 次随机划分 2. 每次划分固定 test set、initial labeled set、unlabeled set 3. 初始 labeled set 每个类别至少包含 1 个样本 4. 所有算法共享完全相同的数据划分 5. 查询 budget 从 0% 到 80% 6. 指标包括 MAE、MZE、AULC-MAE、AULC-MZE 7. 使用 paired t-test 8. 包括消融实验 9. 输出实验配置表、结果表模板和日志保存结构。对于主动学习研究这一步非常关键。实验不规范论文很容易被 reviewer 一眼打穿。第五步论文写作Prompt 示例Use ml-paper-writing. 请根据以下信息生成论文结构 Topic: Active Feature Acquisition for Ordinal Classification with Missing Data Method: 使用序信息约束矩阵补全并用误分类代价加权补全不确定性进行缺失项查询。 Experiments: 与 Random、QBC、Stability、AFASMC、SMC、MCOI-var 等方法比较。 Metrics: MAE、MZE、AULC、paired t-test。 请输出 1. title 备选 2. abstract 3. introduction 结构 4. related work 结构 5. method section 结构 6. experiment section 结构 7. contribution statements。如果已经有实验结果可以继续让它写实验分析但要给出真实表格或数据不能让它凭空生成结论。九、和 academic-research-suite 怎么搭配如果你已经安装了academic-research-suite那AI-research-SKILLs并不是替代品而是补充。二者区别可以这样理解任务academic-research-suiteAI-research-SKILLs文献综述很强强引用核验很强强研究问题收敛很强中到强论文写作强ML 论文更强审稿模拟很强中到强实验设计强ML 工程实验更强模型训练一般很强分布式训练不是重点很强推理部署不是重点很强MLOps一般强我的建议是文献核验、综述、研究问题收敛优先用academic-research-suiteML 论文写作、实验工程、模型评估优先用AI-research-SKILLs投稿前审查两个都可以用大模型训练、微调、部署用AI-research-SKILLs对于主动学习研究者一个非常好的组合是academic-research-suite AI-research-SKILLs officecli其中academic-research-suite管文献、研究设计和论文审查AI-research-SKILLs管 ML 实验工程和顶会写作officecli管 Word、Excel、PPT 文件处理。这套组合对科研工作非常实用。十、常见误区和避坑误区一让 AI 自动编参考文献这是最危险的用法。一定要明确要求不要编造参考文献。所有参考文献必须通过 Crossref、Google Scholar、Semantic Scholar、OpenAlex、出版社页面或 arXiv 等来源核验。如果文献无法核验就应该标注“需人工核对”而不是硬写进论文。误区二把 AI 生成的 idea 当作创新点AI 可以帮你生成 idea但不能替你保证 novelty。正确做法是让它输出idea相关文献与已有方法的区别可能被 reviewer 质疑的地方需要验证的实验理论风险。误区三实验设计不固定随机性主动学习实验尤其容易出问题。必须固定random seedtrain/test splitinitial labeled setunlabeled poolquery budgetbatch sizeevaluation metricbaseline hyperparameters。否则算法对比很可能不公平。误区四一次安装所有技能但不指定任务技能越多越要明确调用。推荐写Use ml-paper-writing.或Use evaluation.或Use autoresearch.不要只说“帮我做研究”那样容易让 Agent 路由不清楚。误区五上传敏感材料前不设边界未公开论文、审稿意见、实验数据、合作项目材料都可能涉及隐私或知识产权。使用时应明确不要把全文发送给外部 API。 如需联网核验只使用最小必要的题名、作者、年份、DOI 等元数据。十一、推荐 Prompt 模板下面给一个适合机器学习研究者的通用模板。Use autoresearch. Research goal: 我想研究【你的研究主题】。 Current materials: 我已有【论文草稿/实验代码/数据集/参考文献/初步 idea】。 Please help me: 1. 梳理相关研究脉络 2. 找出可能的 research gap 3. 生成候选研究 idea 4. 设计公平的实验对比方案 5. 检查理论和实验风险 6. 给出论文写作结构。 Constraints: 1. 不要编造参考文献 2. 涉及文献必须给出可核验来源 3. 实验设计必须考虑随机种子、数据划分、budget、统计检验 4. 区分确定结论、合理推测和待验证假设 5. 输出时标注哪些内容需要人工确认。如果你要写论文可以换成Use ml-paper-writing. 我正在写一篇机器学习论文主题是【主题】。 目标期刊/会议是【期刊或会议】。 目前已有 1. 方法描述 2. 实验结果 3. 参考文献表 4. 初步论文草稿。 请帮我 1. 优化论文标题 2. 重写 abstract 3. 梳理 introduction 的论证链 4. 检查 related work 是否缺关键文献 5. 检查 experiment section 是否足够支撑 claims 6. 模拟 reviewer 提出主要质疑。如果你要做实验设计可以写Use evaluation. 请帮我设计机器学习算法对比实验。 研究问题【研究问题】 数据集【数据集】 算法【算法列表】 指标【指标列表】 要求 1. 固定随机种子 2. 统一数据划分 3. 统一初始条件 4. 多次重复实验 5. 报告均值和标准差 6. 做统计显著性检验 7. 输出实验记录表结构 8. 指出可能的不公平比较风险。十二、是否推荐安装我的结论是推荐安装但不建议盲目全装。如果你是 AI/机器学习研究者尤其是经常需要跑实验、写论文、做 baseline 对比的人这个技能库很值得尝试。推荐优先安装和使用autoresearchresearch-ideationml-paper-writingevaluationMLOps 相关技能如果你做大模型训练、微调、部署再考虑安装fine-tuningdistributed traininginference servingRAGagentsmultimodal。如果你只是想做普通文献综述或论文润色它可能不是第一选择这时academic-research-suite可能更轻、更适合。十三、总结AI-research-SKILLs的价值不在于它有多少个 skills而在于它把 AI research 拆成了一套更可执行的流程。它让 AI Agent 不只是回答问题而是能更系统地参与文献调研研究构思实验设计模型训练评估分析论文写作引用核验审稿模拟。对于机器学习研究者来说这类工具真正有用的地方是帮助你减少重复劳动规范实验流程拓展 idea 空间并在写论文前提前发现风险。但也要记住它是研究助理不是研究负责人。文献是否真的支持论断实验是否公平理论是否成立创新点是否足够最终仍然需要研究者自己判断。一个比较理想的使用方式是让 AI 帮你扩展搜索空间、组织工作流程、检查实验漏洞 但把最终学术判断牢牢掌握在自己手里。这样AI Agent 才会真正成为科研生产力而不是一个看起来很勤奋、但偶尔会乱编的写作机器。最简单的用法在任务中直接点名技能或描述清楚研究目标。例如请使用 $autoresearch围绕“强化学习在医学影像中的应用”开展研究。 先检索文献、总结研究空白、提出可检验假设再制定实验方案。也可以调用其中的具体技能请使用 $brainstorming-research-ideas帮我寻找 10 个可发表的研究方向。请使用 $ml-paper-writing把我的实验结果整理成一篇规范的 AI 论文。请使用 $academic-plotting帮我制作论文级实验结果图。autoresearch是总协调入口通常会按照下面的流程工作研究问题 → 文献检索 → 研究假设 → 实验设计 → 实验执行 → 结果分析 → 论文写作如果启动完整研究项目它会在项目目录中建立类似research-state.yaml research-log.md findings.md literature/ experiments/ paper/需要注意安装技能不等于自动安装 PyTorch、vLLM、GPU 驱动或模型真正运行实验时相关工具和数据仍需按需安装。这套库主要面向 AI/机器学习研究。如果是你现在的普通医学论文修改academic-research-suite、literature-review、nature-writing、citation-management等技能可能更合适。我不会因为调用autoresearch就自动创建长期循环、提交代码或持续运行只有你明确要求我开展长期自主研究时才会设置相应流程。 AI Research Skills Library 保姆级教程：让 AI Agent 帮你做机器学习研究、实验与论文写作
做 AI 和机器学习研究的人大概率都经历过这样一种循环查文献发现文献太多想 idea担心不够新写代码baseline 总是对不齐跑实验随机种子和数据划分一乱结果就不可复现写论文相关工作、实验分析、贡献表达又要重新组织投稿前还要担心 reviewer 会不会质疑创新性、实验公平性和引用完整性。通用大模型当然能帮忙但如果只是随便问一句“帮我写个文献综述”或者“帮我设计实验”它很容易给出看似完整、实际上很泛的回答。真正的科研工作需要的不只是语言能力而是一套比较规范的研究流程。这就是AI-research-SKILLs这类工具有价值的地方。它试图做的事情不是让 AI Agent 简单“更会聊天”而是给 Agent 装上一套面向 AI/机器学习研究的专业工作技能让它能参与文献调研、idea 构思、实验设计、模型训练、评估分析和论文写作。本文是一篇面向科研用户的保姆级教程带你理解AI-research-SKILLs是什么它适合哪些人它和普通 ChatGPT/Codex 有什么区别它和academic-research-suite有什么不同应该怎么安装和使用做机器学习研究时怎么写 prompt使用时有哪些坑必须避开。项目地址Orchestra-Research/AI-research-SKILLs一、它解决什么问题我们先不急着看安装命令先看它到底解决什么问题。机器学习研究不是一个单点任务而是一条长链条发现问题查找文献梳理已有方法发现 gap形成 research idea设计算法实现代码跑 baseline做消融实验做统计检验画图表写论文检查引用模拟审稿修改 rebuttal。如果你只用普通对话模型每一步都需要你自己组织上下文、提醒模型当前阶段、约束输出格式、检查它有没有乱编引用。时间长了用户反而变成了“AI 项目经理”。AI-research-SKILLs的思路是把这些科研任务拆成一个个专门的 skills让 AI Agent 在面对不同任务时有更明确的工作规范和执行路径。简单说它不是一个普通插件而是一个 AI 研究技能库。二、AI-research-SKILLs 是什么AI-research-SKILLs是 Orchestra Research 开源的一套面向 AI 研究的技能库全名可以理解为AI Research Skills Library。它面向的是 Claude Code、Codex、Cursor、OpenClaw 等 AI Agent 工具。也就是说它不是传统意义上的“给人手动点按钮的软件”而是给 AI Agent 使用的“研究工作说明书”和“能力模块”。它的核心目标是让 Agent 能够参与更完整的 AI research workflow包括文献调研研究 idea 生成实验设计模型训练评估分析工程复现论文写作引用核验审稿模拟。这个项目和普通 prompt collection 不一样。普通 prompt 往往只是一些提示词模板而 skills 更像是“带有工作流程和工具使用规则的任务模块”。Agent 读取某个 skill 后会知道这个任务应该怎么拆、怎么做、输出什么、什么时候需要核验。项目地址GitHub 仓库三、它和普通 ChatGPT/Codex 有什么区别很多人会问我直接用 ChatGPT 或 Codex 不行吗为什么还要装 skills当然可以直接用。但区别在于普通模型更像一个通才而 skill 会让它在某类任务上更像一个受过训练的专门助理。可以这样理解使用方式优点局限普通 ChatGPT灵活什么都能问容易泛泛回答缺少科研流程约束普通 Codex擅长代码、文件、实验脚本学术研究流程需要用户自己组织AI-research-SKILLs有面向 AI 研究的任务模块需要正确安装、选择和调用academic-research-suite学术研究流程强文献和论文审查强工程训练、模型部署类能力不是重点所以AI-research-SKILLs不是让模型凭空变聪明而是给模型一套更专业的研究工作规范。这点非常重要。真正有价值的不是“AI 能不能写一段话”而是它能不能在一个复杂科研任务中保持流程感、证据意识和实验规范。四、核心模块怎么理解AI-research-SKILLs覆盖的技能很多不建议一上来逐个学习。更好的方式是按科研任务分组理解。1. 研究编排类autoresearchautoresearch可以理解为这个技能库里的“研究总调度”。它适合用在你有一个比较大的研究目标时比如我想研究主动学习中的主动特征获取问题请帮我从文献、idea、实验和论文写作几个阶段规划整个研究流程。这类任务如果直接交给普通模型它可能会给你一个漂亮但空泛的大纲。而autoresearch的价值在于它会尝试把任务拆成更具体的阶段研究背景是什么需要查哪些文献当前领域有哪些主线可能的创新点在哪里需要哪些实验验证需要哪些 baseline论文结构如何安排。它更像一个研究项目经理而不是单纯的写作助手。不过也要注意autoresearch比较“主动”所以你要给它明确边界。比如你可以要求不要自动编造引用不要替我下最终结论所有文献必须给出可核验来源实验设计必须考虑随机种子和统计检验idea 需要区分“可行”“高风险”“可能不新”。2. 研究构思类research ideation研究构思类技能适合用来做 idea brainstorming。例如你可以让它帮你围绕一个方向生成候选研究点我现在做主动学习中的主动特征获取数据是不完备序分类数据。请帮我生成 10 个潜在研究 idea并从 novelty、feasibility、theoretical depth、experimental cost 四个维度评分。这种技能的价值不是“替你发明一个一定能中的 idea”而是帮你扩大搜索空间。它可以帮你发现一些平时容易忽略的角度例如查询代价不均等标签噪声缺失机制不是 MCAR类别序结构与主动查询策略耦合矩阵补全误差对序分类边界的影响batch active feature acquisition 的冗余控制test-time feature acquisitionfoundation model 场景下的特征获取。但最终判断 idea 是否成立仍然要靠研究者自己。AI 给的是候选空间不是学术结论。3. 论文写作类ml-paper-writingml-paper-writing是我认为最值得机器学习研究者关注的一类技能。它不是泛泛地“润色英文”而是面向机器学习论文写作场景尤其是 NeurIPS、ICML、ICLR、ACL、AAAI、COLM 等会议风格。它适合处理论文标题abstractintroductionrelated workmethodexperiment sectionablation study 描述limitationbroader impactrebuttalcamera-ready 修改。机器学习论文写作有自己的套路贡献要清楚实验要公平baseline 要合理消融要能解释机制related work 不能只是堆文献。一个好的 ML paper writing skill 应该能帮助作者把“我做了一个方法”组织成“为什么这个问题重要、已有方法缺什么、我的方法解决了什么、实验如何支持这个结论”。例如你可以这样用Use ml-paper-writing. 我正在写一篇关于 active feature acquisition for ordinal classification with missing data 的论文。 请帮我重写 introduction要求 1. 先讲不完备数据对序分类的挑战 2. 再讲主动特征获取的意义 3. 指出现有主动特征获取方法没有充分利用标签序信息 4. 最后引出本文贡献。 不要编造参考文献。这类 prompt 比“帮我写 introduction”有效得多。4. 实验评估类evaluation做机器学习研究实验设计往往比写作更容易出问题。尤其是主动学习相关实验常见坑非常多不同算法用的初始标注集不一致不同算法的数据划分不一致budget 设置不公平只跑一个 seed只看最终 accuracy不看学习曲线baseline 没调参消融实验不能解释机制没有统计显著性检验没有报告计算成本。评估类 skill 可以帮助你规范实验方案。例如对于主动学习算法对比你可以要求请帮我设计主动学习算法对比实验。 要求 1. 每个数据集固定 20 次随机划分 2. 每次划分包含 train/test/labeled/unlabeled 3. 多分类任务中初始 labeled set 每类至少 1 个样本 4. 所有算法使用完全相同的数据划分 5. 指标包括 accuracy、MAE、AULC 6. 需要 paired t-test 7. 输出实验配置表和结果记录格式。这种任务非常适合交给 AI Agent因为它既需要实验经验也需要工程规范。5. 模型训练与工程类这个仓库还覆盖很多偏工程的技能例如fine-tuningdistributed traininginference servingMLOpsRAGagentsmultimodalmechanistic interpretability。这些对做大模型训练、微调、部署、评估的人非常有用。但如果你的研究主要是传统机器学习算法、主动学习、序分类、矩阵补全不一定需要一次性安装所有工程技能。否则技能列表会很长Agent 路由也可能变得混乱。我的建议是按需安装先用核心研究技能再根据项目需要补充训练/评估/MLOps 类技能。五、适合谁使用AI-research-SKILLs比较适合以下几类人机器学习、深度学习、NLP、大模型方向研究者需要长期维护实验代码和论文草稿的研究生经常做 benchmark、baseline、ablation 的算法研究者希望用 Codex/Claude/Cursor 管理科研项目的人做大模型微调、推理部署、RAG、agent、评估的人想把 AI Agent 接入科研工作流而不只是偶尔问问题的人。它不太适合以下情况只想简单翻译一篇论文摘要只想查几篇文献完全不写代码、不跑实验只需要普通语言润色不愿意让 Agent 读取项目文件不愿意对 AI 输出做人工核查。一句话总结如果你想让 AI 帮你认真推进一个机器学习研究项目它值得研究如果你只是想临时润色一段文字它可能有点重。六、安装建议仓库提供的安装方式大致是使用 npm 命令安装技能库。例如npx orchestra-research/ai-research-skillsinstall--all不过我不建议新手一上来直接--all。原因有三个第一技能太多。一次性安装全部技能可能会让技能列表变得非常臃肿。第二有些技能你暂时用不上。比如你做主动学习算法研究并不一定马上需要 TensorRT-LLM、vLLM、Stable Diffusion、Whisper、LLaVA 等技能。第三技能越多任务路由越需要明确。如果你不指定使用哪个 skillAgent 可能不知道应该走学术综述、模型训练、实验评估还是论文写作。更稳妥的策略是先安装核心技能autoresearchresearch-ideationml-paper-writingevaluation必要时再加 MLOps 或 fine-tuning 相关技能安装完成后可以让 Agent 检查你现在安装了哪些 AI research 相关 skills或者请列出当前可用于文献调研、实验设计、论文写作的 skills并说明各自用途。七、第一次应该怎么用安装 skill 后最重要的是学会写清楚任务。不要这样问帮我做一个主动学习研究。这个问题太大Agent 很难知道你要的是文献、idea、实验还是论文。更好的写法是Use autoresearch. 我的研究方向是主动学习中的主动特征获取。 具体场景是不完备序分类数据。 请帮我规划一个完整研究流程包括 1. 需要补充阅读的文献方向 2. 可能的 research gap 3. 候选研究 idea 4. 算法设计思路 5. 实验验证方案 6. 论文写作结构。 要求 不要编造参考文献。 所有涉及文献的地方都要给出可核验来源。 实验设计必须考虑随机种子、数据划分、budget 和统计检验。这个 prompt 有几个优点指定了 skill给出了研究方向明确了输出内容加了防幻觉约束加了实验规范约束。这才是使用 research skill 的正确方式。八、完整实战案例用它规划一篇主动学习论文假设你的研究方向是Active Feature Acquisition for Ordinal Classification with Missing Data我们可以把它拆成五步。第一步研究问题收敛Prompt 示例Use research-ideation. 我想研究 active feature acquisition for ordinal classification with missing data。 请帮我生成 8 个候选 research questions。 每个 research question 请从以下维度评分 1. novelty 2. feasibility 3. theoretical depth 4. experimental cost 5. publication potential。 最后推荐 2 个最值得推进的问题。你可能得到的问题包括如何利用类别序结构指导缺失特征查询查询代价不均等时如何设计 cost-sensitive active feature acquisition矩阵补全误差如何影响序分类边界能否设计 batch 查询策略减少冗余缺失机制为 MAR/MNAR 时方法是否仍然有效test-time 主动特征获取能否用于不完备序分类这个阶段的目标不是马上定题而是把可能性打开。第二步文献地图Prompt 示例Use autoresearch. 请围绕 active feature acquisition for ordinal classification with missing data 构建文献地图。 至少分为以下主题 1. ordinal classification 2. active learning 3. active feature acquisition 4. matrix completion 5. supervised matrix completion 6. missing data imputation 7. active matrix completion。 请输出 - 每类核心问题 - 代表性文献 - 现有方法局限 - 与本文方向的关系。 要求所有文献必须可核验。这样得到的不是普通 related work而是一个研究定位图。第三步算法 idea 设计Prompt 示例Use research-ideation. 基于已有文献地图请帮我设计 3 个算法 idea。 场景不完备序分类数据的主动特征获取。 要求每个 idea 包含 1. 核心直觉 2. 数学目标函数 3. 查询策略 4. 与已有方法的区别 5. 可能的理论性质 6. 实验验证方式 7. 风险点。这一步要特别注意AI 生成的数学公式和理论命题一定要人工检查。它可以帮你提出候选方向但不能自动证明创新性。第四步实验设计Prompt 示例Use evaluation. 请为 active feature acquisition for ordinal classification 设计实验方案。 要求 1. 每个数据集做 20 次随机划分 2. 每次划分固定 test set、initial labeled set、unlabeled set 3. 初始 labeled set 每个类别至少包含 1 个样本 4. 所有算法共享完全相同的数据划分 5. 查询 budget 从 0% 到 80% 6. 指标包括 MAE、MZE、AULC-MAE、AULC-MZE 7. 使用 paired t-test 8. 包括消融实验 9. 输出实验配置表、结果表模板和日志保存结构。对于主动学习研究这一步非常关键。实验不规范论文很容易被 reviewer 一眼打穿。第五步论文写作Prompt 示例Use ml-paper-writing. 请根据以下信息生成论文结构 Topic: Active Feature Acquisition for Ordinal Classification with Missing Data Method: 使用序信息约束矩阵补全并用误分类代价加权补全不确定性进行缺失项查询。 Experiments: 与 Random、QBC、Stability、AFASMC、SMC、MCOI-var 等方法比较。 Metrics: MAE、MZE、AULC、paired t-test。 请输出 1. title 备选 2. abstract 3. introduction 结构 4. related work 结构 5. method section 结构 6. experiment section 结构 7. contribution statements。如果已经有实验结果可以继续让它写实验分析但要给出真实表格或数据不能让它凭空生成结论。九、和 academic-research-suite 怎么搭配如果你已经安装了academic-research-suite那AI-research-SKILLs并不是替代品而是补充。二者区别可以这样理解任务academic-research-suiteAI-research-SKILLs文献综述很强强引用核验很强强研究问题收敛很强中到强论文写作强ML 论文更强审稿模拟很强中到强实验设计强ML 工程实验更强模型训练一般很强分布式训练不是重点很强推理部署不是重点很强MLOps一般强我的建议是文献核验、综述、研究问题收敛优先用academic-research-suiteML 论文写作、实验工程、模型评估优先用AI-research-SKILLs投稿前审查两个都可以用大模型训练、微调、部署用AI-research-SKILLs对于主动学习研究者一个非常好的组合是academic-research-suite AI-research-SKILLs officecli其中academic-research-suite管文献、研究设计和论文审查AI-research-SKILLs管 ML 实验工程和顶会写作officecli管 Word、Excel、PPT 文件处理。这套组合对科研工作非常实用。十、常见误区和避坑误区一让 AI 自动编参考文献这是最危险的用法。一定要明确要求不要编造参考文献。所有参考文献必须通过 Crossref、Google Scholar、Semantic Scholar、OpenAlex、出版社页面或 arXiv 等来源核验。如果文献无法核验就应该标注“需人工核对”而不是硬写进论文。误区二把 AI 生成的 idea 当作创新点AI 可以帮你生成 idea但不能替你保证 novelty。正确做法是让它输出idea相关文献与已有方法的区别可能被 reviewer 质疑的地方需要验证的实验理论风险。误区三实验设计不固定随机性主动学习实验尤其容易出问题。必须固定random seedtrain/test splitinitial labeled setunlabeled poolquery budgetbatch sizeevaluation metricbaseline hyperparameters。否则算法对比很可能不公平。误区四一次安装所有技能但不指定任务技能越多越要明确调用。推荐写Use ml-paper-writing.或Use evaluation.或Use autoresearch.不要只说“帮我做研究”那样容易让 Agent 路由不清楚。误区五上传敏感材料前不设边界未公开论文、审稿意见、实验数据、合作项目材料都可能涉及隐私或知识产权。使用时应明确不要把全文发送给外部 API。 如需联网核验只使用最小必要的题名、作者、年份、DOI 等元数据。十一、推荐 Prompt 模板下面给一个适合机器学习研究者的通用模板。Use autoresearch. Research goal: 我想研究【你的研究主题】。 Current materials: 我已有【论文草稿/实验代码/数据集/参考文献/初步 idea】。 Please help me: 1. 梳理相关研究脉络 2. 找出可能的 research gap 3. 生成候选研究 idea 4. 设计公平的实验对比方案 5. 检查理论和实验风险 6. 给出论文写作结构。 Constraints: 1. 不要编造参考文献 2. 涉及文献必须给出可核验来源 3. 实验设计必须考虑随机种子、数据划分、budget、统计检验 4. 区分确定结论、合理推测和待验证假设 5. 输出时标注哪些内容需要人工确认。如果你要写论文可以换成Use ml-paper-writing. 我正在写一篇机器学习论文主题是【主题】。 目标期刊/会议是【期刊或会议】。 目前已有 1. 方法描述 2. 实验结果 3. 参考文献表 4. 初步论文草稿。 请帮我 1. 优化论文标题 2. 重写 abstract 3. 梳理 introduction 的论证链 4. 检查 related work 是否缺关键文献 5. 检查 experiment section 是否足够支撑 claims 6. 模拟 reviewer 提出主要质疑。如果你要做实验设计可以写Use evaluation. 请帮我设计机器学习算法对比实验。 研究问题【研究问题】 数据集【数据集】 算法【算法列表】 指标【指标列表】 要求 1. 固定随机种子 2. 统一数据划分 3. 统一初始条件 4. 多次重复实验 5. 报告均值和标准差 6. 做统计显著性检验 7. 输出实验记录表结构 8. 指出可能的不公平比较风险。十二、是否推荐安装我的结论是推荐安装但不建议盲目全装。如果你是 AI/机器学习研究者尤其是经常需要跑实验、写论文、做 baseline 对比的人这个技能库很值得尝试。推荐优先安装和使用autoresearchresearch-ideationml-paper-writingevaluationMLOps 相关技能如果你做大模型训练、微调、部署再考虑安装fine-tuningdistributed traininginference servingRAGagentsmultimodal。如果你只是想做普通文献综述或论文润色它可能不是第一选择这时academic-research-suite可能更轻、更适合。十三、总结AI-research-SKILLs的价值不在于它有多少个 skills而在于它把 AI research 拆成了一套更可执行的流程。它让 AI Agent 不只是回答问题而是能更系统地参与文献调研研究构思实验设计模型训练评估分析论文写作引用核验审稿模拟。对于机器学习研究者来说这类工具真正有用的地方是帮助你减少重复劳动规范实验流程拓展 idea 空间并在写论文前提前发现风险。但也要记住它是研究助理不是研究负责人。文献是否真的支持论断实验是否公平理论是否成立创新点是否足够最终仍然需要研究者自己判断。一个比较理想的使用方式是让 AI 帮你扩展搜索空间、组织工作流程、检查实验漏洞 但把最终学术判断牢牢掌握在自己手里。这样AI Agent 才会真正成为科研生产力而不是一个看起来很勤奋、但偶尔会乱编的写作机器。最简单的用法在任务中直接点名技能或描述清楚研究目标。例如请使用 $autoresearch围绕“强化学习在医学影像中的应用”开展研究。 先检索文献、总结研究空白、提出可检验假设再制定实验方案。也可以调用其中的具体技能请使用 $brainstorming-research-ideas帮我寻找 10 个可发表的研究方向。请使用 $ml-paper-writing把我的实验结果整理成一篇规范的 AI 论文。请使用 $academic-plotting帮我制作论文级实验结果图。autoresearch是总协调入口通常会按照下面的流程工作研究问题 → 文献检索 → 研究假设 → 实验设计 → 实验执行 → 结果分析 → 论文写作如果启动完整研究项目它会在项目目录中建立类似research-state.yaml research-log.md findings.md literature/ experiments/ paper/需要注意安装技能不等于自动安装 PyTorch、vLLM、GPU 驱动或模型真正运行实验时相关工具和数据仍需按需安装。这套库主要面向 AI/机器学习研究。如果是你现在的普通医学论文修改academic-research-suite、literature-review、nature-writing、citation-management等技能可能更合适。我不会因为调用autoresearch就自动创建长期循环、提交代码或持续运行只有你明确要求我开展长期自主研究时才会设置相应流程。