做科研的人，大概率都被困在这套无限内耗的死循环里：
花两三天搜文献，结果要么参差不齐、漏了关键领域研究，要么堆砌一堆论文却梳理不出研究趋势；
想不出科学假设、实验设计漏洞百出，组学数据分析只会套模板，出错无从排查；
最煎熬的是收到返修意见，看不懂审稿人核心诉求，不知道要不要补实验，逐点回复写得逻辑混乱......
很多同学用了Claude Code却觉得不好用、产出质量差，根本原因也很简单：只用通用Prompt，没有用上专属Skills工作流。
为了帮大家彻底用好这款工具、提升科研效率，我结合官方机制、个人实战经验以及各 Skill 适配场景，整理出这份超全干货指南，把科研全流程拆解为 16 大任务场景，并逐一搭配专属 Skills。
内容全程用心整理，建议点赞 + 收藏，科研路上随时翻看，再也不用反复找攻略啦！
本质上，skills就是结构化的文字指令，类似于标准操作流程，告诉claude code为了完成某个任务，要分几步，每一步要如何做。也就是说，把我们科研实战中已经成熟的经验，教给claude code，而不是让其自由发挥。从而保证了输出结果的可靠、稳定和可复现。
本次我将科研全流程拆解为16个不同任务场景（如下图所示部分场景），并汇总每个任务场景中，有哪些最值得使用的skills。
如果你已经开始用 Claude Code 做科研，可能很快会遇到一个问题：我的cc输出的结果总是不够好，不理想，离直接用来发表论文还是有很大距离。
其实，不是 Claude Code 不够强，而是任务没有被放进合适的工作流。
同样是"帮我做科研"，文献检索、论文精读、组会 PPT、科学假设建立、组学数据分析、论文写作、论文返修回复，其实需要的能力完全不同。
这时候，Claude Code 的 skills 就不是一个装饰功能，而是把科研任务拆成"可重复、可调用、可积累"的专业流程。
本文把科研全流程拆解为最常见的 16 类科研任务，分别推荐最适合的 Claude Code skills。推荐依据来自三部分：
- Claude Code 官方 skills 机制；
- 大师兄本地安装及科研实战skills；
- 每个 skill 的说明文件和适用场景。
一、先理解：skill 不是简单的"提示词"，而是科研工作流
Claude Code 的 skill，本质上是一个带有 SKILL.md 的任务能力包。
它可以包含任务说明、执行流程、参考资料、脚本模板和工具调用规则。
所以，skill 更像是给 Claude Code 装上一个"专业工作习惯"。
比如：
- 做文献检索时，不只是让它"搜几篇文章"，而是让它按检索式、数据库、纳入排除标准、证据层级去工作；
- 做论文阅读时，不只是总结摘要，而是保留图表位置、原文锚点和中英对照；
- 做返修回复时，不只是写几句客气话，而是拆解审稿意见、设计补实验、生成逐点回复；
- ...
这也是为什么科研任务不能只靠一个万能 prompt 解决。更稳妥的方式，是按任务阶段选择对应 skill。
二、科研任务可以拆成 5 段式工作流
我更推荐把科研 AI 工作流拆成 5 个阶段：
- 检索调研：找文献、看趋势、做深度综述；
- 阅读汇报：精读论文、做文献汇报 PPT；
- 课题分析：提出科学假设、设计实验、分析数据、作图统计、解释结果；
- 写作投稿：写综述或研究论文、降 AI 率、调整投稿格式；
- 返修回复：分析审稿意见、设计补实验、回复 reviewer。
下面逐一展开。
三、检索调研：先把证据找全，再谈创新
1. 文献检索
首选 skill：nature-academic-search
建议搭配：deep-research、nature-citation
文献检索最怕两种情况：一是只搜到几篇"看起来相关"的文章；二是文献很多，但没有检索策略和证据分层。
nature-academic-search 更适合作为首选，因为它面向多源文献检索、MeSH 检索策略、PMID/DOI 追踪和引用文件管理。
如果任务已经上升到综述级证据综合，则可以交给 deep-research 设计研究问题和筛选框架。
如果你是在给论文段落补高质量参考文献，则可以使用 nature-citation。
推荐调用方式：
用
nature-academic-search检索"主题 + 疾病/模型 + 机制"，输出检索式、纳入排除标准、核心文献表和后续阅读顺序。
2. 研究热点汇总
首选 skill：deep-research
建议搭配：nature-academic-search、nature-reader
热点汇总不是简单列文献，而是要回答：
- 近 3-5 年这个领域在关注什么？
- 哪些方向已经拥挤？
- 哪些问题证据不足但值得做？
- 哪些技术路线正在成为主流？
deep-research 更适合做主题聚类、趋势整理、争议识别和 gap analysis。
nature-academic-search 负责检索证据，nature-reader 用于精读代表性论文。
推荐调用方式：
用
deep-research quick brief总结近 5 年热点，按"主题簇、代表论文、证据强度、争议、可做方向"输出。
3. 深度文献调研
首选 skill：deep-research
建议搭配：nature-academic-search、academic-pipeline
如果你要写综述、开题、基金背景或完整研究计划，建议直接使用 deep-research。
它支持 full、lit-review、systematic-review、fact-check 等模式，适合从研究问题、检索策略、偏倚评估到综合报告的全流程。
如果最终要从调研直接进入论文写作，可以进一步用 academic-pipeline 串联调研、写作、审稿式自检和修订。
四、阅读汇报：从"读懂文章"到"讲清楚文章"
4. 文献阅读
首选 skill：nature-reader
建议搭配：pdf、deep-research review
nature-reader 是精读论文最合适的入口。
它适合从 PDF、DOI、arXiv 或粘贴文本生成中英对照、图表邻近解读和原文锚点。
它和普通摘要工具最大的区别是：
它不会把论文压缩成几段泛泛总结，而是尽量保留文章结构、图表位置和证据链。
遇到扫描版或版式复杂 PDF，可以搭配 pdf 做页面渲染和文本抽取。
5. 文献汇报 PPT 制作
首选 skill：nature-paper2ppt
建议搭配：nature-reader、nature-figure
如果你要做组会、读书报告或论文分享，首选 nature-paper2ppt。
它可以把论文、预印本、图注或阅读笔记转成中文 PPTX，并选择支撑故事线的关键图。
推荐流程是：
- 先用
nature-reader精读论文； - 再用
nature-paper2ppt生成组会 PPT； - 如果原图质量不佳或需要重画机制图，再用
nature-figure辅助处理。
五、课题分析：让 AI 参与科研判断，而不是只写文字
6. 科学假设提出
首选 skill：deep-research
建议搭配：nature-reviewer、nature-academic-search
提出科学假设，不是"想一个新点子"。
好的假设必须把已有证据、反常现象、机制空白和可验证实验连起来。
deep-research 的 Socratic 模式适合做导师式追问；
nature-reviewer 负责反驳和压力测试；
nature-academic-search 用来查证这个假设是否已经有直接证据。
7. 组学数据分析
当前建议：补建 omics-analysis skill （这部分后续推文再更新）
过渡搭配：deep-research、nature-figure
这一项要特别说明：
本机已安装的 skills 里，目前没有专门针对 RNA-seq、蛋白组、代谢组、单细胞或多组学整合的专用 skill。
因此，不建议用写作类 skill 硬套组学分析任务。
更稳妥的过渡方案是：
- 用
deep-research先确定分析设计、数据库、统计路线和验证逻辑； - 让 Claude Code 直接运行 R / Python / 命令行流程；
- 用
nature-figure输出火山图、热图、富集图和多组学整合图。
后续最值得补建一个 omics-analysis skill，把常见流程固化进去，例如：
- DESeq2 / edgeR / limma 差异分析；
- clusterProfiler 富集分析；
- Seurat 单细胞分析；
- WGCNA 网络分析；
- 蛋白组、代谢组、多组学整合；
- 可复现脚本模板；
- 常见报错处理；
- 投稿级图形导出规范。
8. 实验方案设计
首选 skill：deep-research
建议搭配：nature-academic-search、nature-reviewer
实验方案设计不是"列实验步骤"，而是要先拆清楚：
- 科学假设是什么？
- 模型和对照是否合适？
- 样本量和终点是否支撑结论？
- 关键读出指标是否能回答问题？
- 如果实验失败，有没有替代方案？
deep-research 适合用 Socratic 或 full 模式搭实验逻辑；
nature-academic-search 用于查同类实验参数；
nature-reviewer 可以从审稿人角度预判设计漏洞。
9. 实验结果作图及统计
首选 skill：nature-figure
建议搭配：manuscript-writing、nature-reviewer
nature-figure 是结果作图和统计表达的首选。
它强调图的结论、证据逻辑、多面板布局、统计标注和投稿级导出。
建议每次作图前都先问清楚一句话：
这张图到底想证明什么？
然后再决定统计检验、panel 顺序、颜色、图注和导出格式。
10. 实验结果解读
首选 skill：manuscript-writing
建议搭配：nature-writing、nature-reviewer
结果解读最容易出问题的地方，是把"数据直接支持"写成"机制已经证明"。
因此，解读结果时要分三层：
- 数据直接支持什么；
- 合理推测什么；
- 还需要哪些实验验证。
manuscript-writing 适合检查证据和措辞；
nature-writing 可把结果组织成 Results / Discussion；
nature-reviewer 用来追问替代解释、混杂因素和缺失验证。
六、写作投稿：从草稿到投稿件
11. 论文写作：综述及研究论文
首选 skill：academic-paper
建议搭配：nature-writing、deep-research
academic-paper 是完整论文写作流水线，适合综述、研究论文、摘要、引用检查和格式转换。
如果你要从结果、图表或中文草稿重建更接近 Nature 风格的论证，建议搭配 nature-writing。
对于综述写作，建议先用 deep-research 做证据综合，再进入写作。
12. 论文降低 AI 率
首选 skill：ai-check
建议搭配：aigc-down-skill、humanize
论文降 AI 率不要一上来就改写。
更稳妥的方式是"两步走"：
第一步，用 ai-check 做 AI 痕迹诊断，找出哪些段落存在高风险模式；
第二步，用 aigc-down-skill 对中文学术文本做保真、保量、术语一致的改写。
humanize 适合一般文本自然化，但中文学术论文优先用 aigc-down-skill。
13. 论文投稿格式调整
首选 skill：academic-paper
建议搭配：nature-polishing、nature-citation、nature-data
投稿格式调整不只是改字体和参考文献。
它通常涉及：
- 标题页；
- 摘要结构；
- 参考文献格式；
- 图表和补充材料；
- Data Availability；
- 声明部分；
- LaTeX / Word / PDF 输出。
academic-paper 适合整体格式转换；
nature-polishing 适合处理 LaTeX 排版、浮动体和 Supplementary Information 版式问题；
nature-citation 和 nature-data 分别处理引用和数据可用性声明。
七、返修回复：用审稿逻辑，而不是情绪逻辑
14. 论文返修意见分析
首选 skill：nature-response
建议搭配：academic-paper-reviewer、nature-reviewer
收到 reviewer comments 后，第一件事不是马上回复，而是分类。
建议把每条意见分成四类：
- 必须补实验；
- 可以重分析；
- 文字解释即可；
- 可以礼貌反驳。
nature-response 专为逐点回复、审稿意见分类和修回信设计。
如果需要判断意见严重程度和稿件风险，可以搭配 academic-paper-reviewer 或 nature-reviewer。
15. 返修实验设计
首选 skill：nature-response
建议搭配：deep-research、nature-academic-search、nature-reviewer
返修实验不能只追求"多做一点"，而要直击 reviewer 的可接受标准。
推荐做法是：
- 用
nature-response提炼每条意见背后的证据缺口； - 用
deep-research设计最小充分实验； - 用
nature-academic-search查同领域可接受的实验惯例； - 用
nature-reviewer预判补完后是否仍会被质疑。
16. 返修回复审稿人
首选 skill：nature-response
建议搭配：nature-polishing、manuscript-writing
nature-response 是返修回复的唯一首选。
它适合生成 point-by-point response、editor letter 和修改说明。
一条成熟的回复通常包括：
- 感谢；
- 对问题的正面回应；
- 新增实验或分析；
- 修改位置；
- 修改后的结果；
- 如果仍有限制，需要诚实解释。
最后再用 nature-polishing 调整英文语气，用 manuscript-writing 确保回复中的证据表述与正文一致。
八、16 类科研任务速查表
| 科研任务 | 首选 skill | 推荐搭配 | 判断逻辑 |
|---|---|---|---|
| 文献检索 | nature-academic-search | deep-research、nature-citation | 检索式、数据库、多源交叉和引用核验优先 |
| 文献阅读 | nature-reader | 全文精读和图表邻近解释优先 | |
| 文献汇报 PPT | nature-paper2ppt | nature-reader、nature-figure | 直接产出 PPTX 和讲稿备注 |
| 研究热点汇总 | deep-research | nature-academic-search | 需要主题聚类、趋势和证据空白 |
| 深度文献调研 | deep-research | academic-pipeline | 适合系统性检索、偏倚检查和综合报告 |
| 组学数据分析 | 建议补建 omics-analysis | deep-research、nature-figure | 本机暂无专门组学 skill，建议把 R/Python 生信流程固化成 skill |
| 实验方案设计 | deep-research | nature-academic-search、nature-reviewer | 先设计假设和对照，再查参数并做审稿式压力测试 |
| 实验结果作图及统计 | nature-figure | nature-reviewer | 图的结论、统计、面板逻辑和导出格式优先 |
| 实验结果解读 | manuscript-writing | nature-writing、nature-reviewer | 避免过度解读，把证据层级写清楚 |
| 科学假设提出 | deep-research | nature-reviewer | 用导师式追问和审稿式反驳打磨假设 |
| 论文写作 | academic-paper | nature-writing、deep-research | 完整论文流水线和 Nature 风格论证互补 |
| 论文降低 AI 率 | ai-check | aigc-down-skill、humanize | 先诊断 AI 痕迹，再做中文学术保量改写 |
| 论文投稿格式调整 | academic-paper | nature-polishing、nature-citation、nature-data | 格式转换、LaTeX 排版、引用和数据可用性声明组合处理 |
| 论文返修意见分析 | nature-response | academic-paper-reviewer | 先拆意见、分优先级，再规划回复和补实验 |
| 返修实验设计 | nature-response | deep-research、nature-academic-search | 围绕 reviewer 的证据缺口设计最小充分实验 |
| 返修回复审稿人 | nature-response | nature-polishing、manuscript-writing | 逐点回复、语气控制和正文一致性最重要 |
九、最值得补强的缺口：组学分析 skill
目前这套科研 skills 已经覆盖了文献、阅读、PPT、写作、作图和返修。
唯一明显缺口，是缺少专门的组学数据分析 skill。
这也是后续最值得补的一块，我们在后续将更成熟的skills给大家分享。
如果能建立一个 omics-analysis skill，把 RNA-seq、单细胞、蛋白组、代谢组、多组学整合的常用流程固化进去，Claude Code 就可以更自然地完成：
读数据 → 跑脚本 → 检查统计 → 解释结果 → 作图 → 写入论文
这会比临时让 AI 写一段 R 代码稳定得多。
结语
Claude Code 真正适合科研的地方，不只是"帮我写点东西"。
更重要的是，它可以把一整套科研任务拆成可复用的工作流。
不同科研应用场景利用不同skills，Claude Code 才会从一个通用助手，变成更接近"科研agent"的东西。
Claude Code中如何安装skills？
非常简单，只需要在启用claude code时，通过自然语言指令，如"请帮我安装最新版的academic-research-skills这个skill"即可（如下图）。
