关注【学知大模型】公众号，后台回复关键词 “实证Skill” ，可获得我们整理的150+科研全流程Skill项目下载地址表格。
2026年9月22日，OpenAI正式发布GPT-6 Sol，每百万输入Token仅2美元，输出10美元，价格恰好是Astra的五分之一。Sol沿用了Astra的核心训练方法，在专业工作、事实准确性、编程和计算机操作等维度继承了Astra的能力框架，错误率比上一代GPT-5.6 Sol降低约一半。对于日均处理数十篇SCI论文的科研工作者而言，Sol已经具备足够的推理深度和事实可靠性，而成本仅为Astra的20%——省下来的预算，足够把文献精读的Skill体系搭建完整。
但光有模型不够。真正决定“一小时读100篇”能否落地的，是Skill——一套可复用的、结构化的工作流指令集。下面这6个SCI文献精读Skill，覆盖从批量速筛到单篇深挖、从批判性审读到研究灵感孵化的全链条，每个都对应GitHub上评分较高、维护活跃的开源项目。
技能1：意图路由速筛——用你自己写的标准，10分钟筛完一批论文
适用场景：面对一个方向搜出300篇论文，不知道该从哪下手。
该Skill遵循经典的Keshav三遍阅读法逻辑：第一遍快筛（每篇10分钟），第二遍主力精读（筛选30-50篇），第三遍批判性精读。第一遍的核心动作是：读标题、关键词、摘要，快速扫描全文但不做笔记，重点看图表和结论段，判断这篇论文与你的研究问题是否真正相关。关键原则是：第一遍的目标不是理解论文，而是决定要不要读第二遍。
对应GitHub项目:(作者：EvoScientist，SkillsMP收录，436星）。该项目采用意图路由架构：系统首先判断用户的查询意图是“单篇深读”还是“批量列表”，然后进入多轮探测流程——R2广度扫描、R3深度挖掘、R4收口。最关键的设计是：相关性判断由用户自己制定的评分标准（rubric）驱动，不调用LLM-as-judge做数值打分，而是由代理按你的标准逐篇判断并排序。这意味着筛选标准完全可控，不会出现“模型觉得相关但你觉得不相关”的错配。配合Sol执行时，你只需写一份简短的选题相关性标准，把一批论文的标题和摘要丢进去，系统会自动输出排序后的短名单和下一步工作流建议。paper-navigator
来源：https://github.com/EvoScientist/EvoSkills/tree/main/skills/paper-navigator
Skill 2：5问批判清单——用审稿人视角拆解单篇论文
适用场景：确定了一篇必须精读的核心文献，但不想只做“摘要复述”。
这个Skill将单篇PDF转化为结构化笔记，核心是
5个批判性问题：问题与价值是什么？前序研究与缺口在哪里？作者思路如何重建？核心直觉是什么？实验如何验证主张？操作流程分三段：第一段，让模型输出“一句话概括论文主题、研究对象、数据来源、核心方法、核心变量”的元信息卡片。第二段，逐问回答上述5个问题，每个回答都必须标注证据来源（哪一段、哪张图、哪个表）。第三段，生成批判性评价清单，指出论文的假设边界、未验证的推论和潜在替代解释。
对应GitHub项目：（作者：drpwchen）。该项目包含两个独立Skill——负责journal-club级别的批判性评估，包括期刊可信度、参考文献验证（接入CrossRef实时存在性门控）、设计导向的偏倚风险、论证结构审计和确定性GRADE评级；负责快速内容吸收，按论文类型路由结构化输出。其核心设计理念是语言模型做语义判断，程序做逻辑和算术——GRADE评级由纯标准库脚本重新计算，模型的自我报告仅作参考，脚本数值为权威结果。paper-review-and-digest
/paper-review/paper-digest
来源：https://github.com/drpwchen/paper-review-and-digest
Skill 3：逐实验四要素拆解——让每一个实验结果都无处可逃
适用场景：论文包含多个实验或多个子研究，需要逐一吃透设计与结果。
该Skill的核心是将每个实验拆解为四个要素：目的、设计与工具、结果、解读。在此基础上重建逻辑链，把论文中每一个论证转折分类为“排除、延伸、机制、应用、验证”五种类型之一。关键动作是图注与正文的对应表：把每一张图的图注内容与正文中对该图的讨论逐一对照，标注一致、补充或矛盾之处。这是精读与复述的分界线——复述只告诉你“作者说了什么”，对应表告诉你“数据实际显示了什么，作者说它显示了什么”。
对应GitHub项目：（作者：1283011852）。该项目打包了作者自有的技能本体（SKILL.md + 核对清单 + 报告模板），
强制先加载技能、守住证据边界、按四要素拆解每个实验，最后按模板产出可直接拿去journal club的报告。该项目还包含的逐图精读能力，与Skill 3“图注与正文对应表”的要求相匹配。dsh-plugin-deep-paper-readingdeep-paper-readingfigure-by-figure
来源：https://github.com/1283011852/dsh-plugin-deep-paper-reading
Skill 4：引用链系统拓展——从一篇论文长出一张文献地图
适用场景：精读完一篇核心论文后，需要系统性地找到它的前序工作和后续发展。
该Skill提供五种引用链拓展策略：backward chaining（向前追溯参考文献）、
forward chaining（查找引用该论文的后续工作）、lateral chaining（同主题平行论文）、benchmark chaining（基准数据集相关论文）、negative chaining（质疑或推翻该论文的工作）。每种策略的输出格式统一：论文列表 + 与源论文的关系类型 + 关键差异点一句话。最终自动组织成一张literature map，按“源论文→前序基础→后续发展→平行工作→批判性工作”的结构排列。
对应GitHub项目：（作者：Bethww）。这是一个Python MCP服务器，通过citation snowballing自动化文献综述：输入研究主题和几篇种子论文，系统通过OpenAlex + Semantic Scholar发现相关文献，支持backward chaining和forward chaining，并支持为非对称轮次设置不同的扩展深度。每轮应用主题过滤 + 重要性评分，防止论文数量爆炸；采用四维重要性评分（引用量、年均引用、引用距离、来源影响力）。Sol的上下文缓存优化让这个流程尤为流畅——缓存输入Token读取可享受90%折扣，大量重复引用同一批论文时成本极低。
lit-review-mcp
来源：https://github.com/Bethww/lit-review-mcp
Skill 5：PRISMA系统筛选——把文献综述的筛选流程做扎实
适用场景：要写一篇系统综述或毕业论文的文献综述章节。
这个Skill将PRISMA（系统综述和荟萃分析优先报告条目）的筛选流程自动化：两阶段筛选（标题摘要筛选 + 全文筛选），每一步的排除原因被逐条记录，最终导出PRISMA流程图。PRISMA流程图的学术价值在于可审计性——审稿人和答辩委员会可以看到你从最初检索到的N篇论文，经过哪些排除步骤，最终纳入K篇，每一步的排除理由是什么。没有这个Skill，手动做PRISMA筛选通常需要数周；有了结构化指令，Sol可以在数小时内完成筛选记录和流程图生成，你只需要做最终的确认裁决。
对应GitHub项目：（作者：AngelChen-HC）。该项目是PRISMA 2020合规的AI辅助系统综述Skill，支持自动化多数据库检索（PubMed、Europe PMC、ClinicalTrials.gov、OpenAlex、Crossref），采用独立双筛选 + 主动学习校准 + 防篡改审计日志，无需编码经验即可使用。其核心设计包括版本化、哈希化的提示/标准以及完整的逐条决策日志，可验证输出是否发生变化。systematic-review-skill
来源：https://github.com/AngelChen-HC/systematic-review-skill
Skill 6：研究灵感孵化——把论文的局限性转化为你的下一个课题
适用场景：读了一堆论文，有零散想法，但不知道下一个课题做什么。
该Skill的核心理念是
evidence-bound：严格区分“论文声称”“实验直接支持”“合理推断”和“未经验证的猜想”四个证据等级。在这个框架下，它引导模型把论文的局限性转化为可执行、可验证的未来研究方向，并进一步孵化出低成本实验、workshop方向、主线论文方向和高风险高收益想法四个层次的课题选项。操作上，输入一篇论文的精读笔记，Skill会输出：局限性清单（按严重程度排序）、每个局限对应的验证方案、三个层次的课题建议、以及将论文方法迁移到你当前项目的最小可行计划。
对应GitHub项目:(作者：Jinheon Baek等，NAACL 2025论文官方代码）。ResearchAgent利用LLM帮助研究者从现有文献中快速生成和完善研究问题。系统从一篇核心论文出发，检索相关出版物和知识实体，然后通过协作式LLM审稿Agent迭代生成并改进研究问题、方法和实验设计，审稿Agent提供五个维度的结构化反馈;低分方面会被识别并用于下一轮迭代优化。Sol的“none模式”可以关闭推理以节省成本用于批量处理，而需要深度孵化时切换到高级推理模式，灵活控制质量与成本的平衡。
ResearchAgent
来源：https://github.com/JinheonBaek/ResearchAgent
六条Skill的组合逻辑：Skill 1做批量筛选，Skill 2和3对入选论文做深度拆解，Skill 4从单点扩展到网络，Skill 5为综述写作提供流程证据，Skill 6把阅读转化为产出。用Sol驱动这套流程，每百万Token成本仅为Astra的五分之一，而输出质量在事实性和结构化程度上已经足够接近。省下来的钱，不如用来买更多论文的下载权限。
