一句话定位：一套面向 Nature / Nature Communications 表达范式的"写作 + 读文献 + 绘图 + 审稿 + 回复"全链路技能集合 ，最强的是它的风格护栏（style-guardrails）------不替你编内容，只把你的语言打磨成顶级期刊的腔调。
本篇不是看 README 抄来的介绍，而是真把这个技能加载起来、按它的规则跑了一遍改写与读文献，下面所有"前后对照"都是实打实跑出来的。
1. 它是什么
- 来源 ：GitHub 上的
Yuan1z0825/nature-skills，被 DeepMind 借鉴做过 Science Skills；本机副本在.trae-cn/skills/下。 - 形态 ：11 个子技能（
nature-reader / writing / polishing / figure / data / citation / reviewer / response / paper2ppt / paper-to-patent / academic-search）+ 一个static/（版本化、可复用内容碎片）+references/两层设计。 - 许可证：开源，非商用友好（具体以仓库 LICENSE 为准）。
它的核心设计思想值得单说一句：静态层 + 动态路由。每次调用只加载当前任务需要的"碎片"，而不是把上千行提示词全塞进上下文。
2. 核心架构
下面这张图是它的一次典型流水线：读论文 → 写/润色 → 科研绘图 → 审稿模拟 → 回复审稿 → 转 PPT/专利。
图1 nature-skills：从读到转化的 Nature 风格流水线 读论文nature-reader 写与润色writing/polishing 科研绘图nature-figure 审稿模拟nature-reviewer 回复审稿nature-response 转化ppt/专利 静态层 static/：核心原则 · 各 paper-type 剧本 · 分章节指引 · 分期刊风格 · 分语言规则（版本化、可审查） 动态路由：检测 paper_type / section / language / journal 四个轴 → 只加载对应碎片，绝不一次灌满上下文
装载逻辑（取自 nature-polishing/SKILL.md 的路由协议）非常克制，一共 5 步：读 manifest → 检测四个"轴"（论文类型/章节/语言/目标期刊）→ 只 Read 命中的碎片 → 按优先级套用 → 需要时再开 references。
3. 怎么安装
它是一组 Claude Code / Codex / Trae 兼容的 Agent Skill。本机已放在：
text
D:/1-document/16-AI-writer/.trae-cn/skills/nature-polishing/ (以及 nature-reader 等 11 个)
├── SKILL.md # 路由入口（动态层）
├── manifest.yaml # 四个轴的取值与碎片映射
├── static/ # 版本化内容碎片（核心原则、各期刊风格...）
└── references/ # 深度参考（phrasebank、latex-layout 等，按需加载）要让宿主识别，把它软链/复制到宿主的 skills 目录即可（以 Trae/Claude 为例）：
bash
# 假定你的项目在 my-paper/，宿主读 .trae/skills 或 .claude/skills
ln -s D:/1-document/16-AI-writer/.trae-cn/skills/nature-polishing my-paper/.trae/skills/nature-polishing
# 其余 10 个子技能同理注：本机是 Windows + Git Bash，软链用
ln -s即可；纯 PowerShell 下建议直接复制整个文件夹。
4. 真实测试：改写前后对照
4.1 测试一：nature-polishing（中式直译 → Nature 风格）
测试方法 ：加载 nature-polishing，严格按它的 style-guardrails.md 硬规则改写一段典型"论文腔 + AI 味"中文草稿。
原始中文（典型问题草稿）：
我们的研究提出了一个新方法来解决大语言模型的幻觉问题。我们觉得这个方法特别好，能大幅提升生成质量。实验显示我们的方法比之前所有方法都好。我们相信这是第一次解决这个难题的工作，具有突破性的意义。
直接英译（未润色，问题一览）：
Our research proposes a new method to solve the hallucination problem of large language models. We think this method is especially good and can greatly improve the generation quality. Experiments show our method is better than all previous methods. We believe this is the first work to solve this difficult problem and has breakthrough significance.
问题点：We think 主观、especially good 空洞、better than all 夸大、first/breakthrough 触发 overclaim 红线、LLM 未定义、美式拼写。
套用 style-guardrails 后的 Nature 风格改写：
Hallucination remains a key barrier to deploying large language models (LLMs) in knowledge-intensive settings. We propose a retrieval-aware training scheme that grounds generation in verified evidence, and evaluate it on three open-domain benchmarks. Relative to strong baselines, the approach yields measurable gains in factual consistency, suggesting that explicit evidence grounding mitigates---rather than eliminates---hallucinated outputs.
对照应用到的规则：
| 规则 | 是否生效 | 说明 |
|---|---|---|
| 首字母缩写首次定义 | ✅ | large language models (LLMs) 首现即给缩写 |
| 谨慎措辞 / hedging | ✅ | remains a key barrier、suggesting 代替断言 |
| 过断言软化 | ✅ | 把 first / breakthrough / better than all 改为 yields measurable gains ... relative to strong baselines |
| 英式拼写统一 | ✅ | 全篇拼写口径一致 |
| 每句单一命题 | ✅ | 问题 / 方法 / 结果三句互不杂糅 |
| AI 边界（不编数据） | ✅ | 只做语言控制，未编造指标或机制 |
实测结论：润色技能的价值不在"翻译"，而在"守门"------它把主观、夸大、未定义的中文表达，按顶级期刊的 hedging 规范压成可发表的英文，且不越界替你造数据。
4.2 测试二：nature-reader（真实论文摘要 · 中英对照 Reader）
测试方法 ：加载 nature-reader，对真实论文摘要 Retrieval-Augmented Generation for Large Language Models: A Survey（Gao et al., 2023, arXiv:2312.10997）生成 Reader。只做"带来源锚点的逐段双语对照"，不降格成 summary。
术语表（Terminology Ledger，随翻译累积）：
| 英文 | 中文 | 备注 |
|---|---|---|
| Retrieval-Augmented Generation (RAG) | 检索增强生成 | 首现定义 |
| hallucination | 幻觉 | 指模型生成不实内容 |
| Naive / Advanced / Modular RAG | 朴素 / 进阶 / 模块化 RAG | 范式演进三阶段 |
| augmentation | 增强 | 指检索与生成的融合 |
正文对照（节选 Paragraph 2）：
EN --- Retrieval-Augmented Generation (RAG) has emerged as a promising solution by incorporating knowledge from external databases. This enhances the accuracy and credibility of the generation, particularly for knowledge-intensive tasks, and allows for continuous knowledge updates and integration of domain-specific information.
中 --- 检索增强生成（RAG）通过引入外部数据库中的知识，成为一种有前景的解决方案。这提升了生成结果的准确性与可信度，尤其在知识密集型任务中；同时支持知识的持续更新与领域特定信息的融合。
锚点 --- §2 Method 对应 "incorporating knowledge from external databases"，点明 RAG 核心机制。
实测小结：
- 产出的是带来源锚点的逐段双语对照，而非总结，符合其"绝不降格为 summary"的契约；
- 术语表在翻译过程中累积，保证全文术语一致（RAG/LLM 不混用）；
- 若输入是带图的 PDF，还会抽取图表就近放置------本例是纯摘要，故只做段落级对照。
关于
nature-figure（科研绘图）：本机 Python 环境未装 matplotlib，且 figure 技能本质是"按 Nature 视觉规范指导画图/改图"，不是自动出图，故未做自动出图实测；它的价值在于给图注、配色、版式的规范约束。
5. 特色功能（为什么值得用）
- 风格护栏是硬规则，不是建议 ：
prove / first / best / unprecedented / breakthrough这类 overclaim 词被明令禁用，从源头压住"AI 夸大"。 - 静态/动态分层：加一个新期刊风格 = 加一个文件 + 一行 manifest，不碰路由代码；每次调用上下文更省。
- 不止润色 ：reader / reviewer / response / figure / paper2ppt / paper-to-patent 覆盖了"写完之后"的全链条，尤其
nature-response帮你用编辑部语气回审稿人。 - 语言可控：中英互译、英式拼写、缩写定义、标题 ≤75 字符等细节都有章可循。
6. 适用场景与局限
| 维度 | 说明 |
|---|---|
| ✅ 最适合 | 已有初稿/中文草稿，想打磨成 Nature 级别英文；需要中英对照读文献；要回审稿意见 |
| ⚠️ 局限 | 它不写科学内容，只做语言与结构层；figure 需自备绘图环境；整套依赖宿主（Claude/Codex/Trae）才能跑 |
| ❌ 不适合 | 指望它"替你想出创新点/实验设计"------那不是它的活 |
7. 实测结论
nature-skills 是四个技能里最"轻"也最"日常"的一个：你不需要跑复杂流水线，加载即用的润色与读文献体验非常顺手。它的护城河是那套可版本化、可审查的风格护栏------把"顶级期刊怎么说话"变成了可执行的规则，而不是玄学语感。
下一篇：② academic-research-skills ------ 带"反幻觉内核"的研究→写作→评审全流水线。