Research Agent Skills
把任意 AI 编程助手变成会查文献、验引文、写论文的科研合作者。
- Star 数
- ★ 76
- 最近更新
- 今天
- License
- NOASSERTION
- 主语言
- Python
- FA 评分
- 61/100 · 存在缺口
30 秒速览
- 运行形态
- 可在哪里用
- 通用 · 跨平台Codex · Claude CodeChatGPT · OpenAI API · Claude API（部分支持）
- 费用
- 免费，无需付费服务
- 上手难度
- 低 · 几分钟可跑通
- 开始前需要
- 典型场景
- 博士生写第一篇论文：用 scientific-writing 起草 IMRaD，再用 unslop-academic-writing 去掉 AI 腔调，最后交给 citation-verification 逐条核对参考文献。
- 不适合
- 需要完全离线、不访问 Crossref/OpenAlex 等外部数据库的封闭环境团队
- 希望开箱即用完整 Web 界面、不愿在终端里与编程 Agent 交互的研究者
- 只做非学术写作（营销、小说）且不需要引文校验的写作者
- 源码审查
- 61/100 · 存在缺口
这个 Agent 能做什么，适合哪些场景？
Research Agent Skills 由 Kalaris Labs 维护，是一套开源的 Agent Skills 技能库，遵循 agentskills.io 的开放规范：每个技能都是一个文件夹，内含 SKILL.md 操作手册、参考资料和经过测试的脚本。README 宣称提供 281 个技能，覆盖从选题、假设生成、文献综述与 PRISMA 系统综述、实验设计与统计功效、数据分析（scanpy、rdkit、astropy、pydicom、pytorch-lightning 等）、论文写作与可视化、引文核验、投稿格式到同行评审的完整链路。技能按需加载：Agent 只看到每条技能的简短描述，只有在任务匹配时才读取完整 playbook，因此安装本身几乎不占上下文。它通过 skills.sh CLI 一条命令安装到 Claude Code、Codex、Cursor、Gemini CLI、GitHub Copilot 等约 70 种 harness，也可作为 Claude Code 插件市场安装领域套件。整套内容本身不含模型，模型能力与费用由你所使用的 Agent 提供。
每个技能目录含 SKILL.md（触发条件、流程步骤、校验规则）和可执行的 Python/CLI 脚本。以 citation-verification 为例：Agent 读取 refs.bib 或稿件参考文献，按技能内规则逐条查询 Crossref、OpenAlex 与 arXiv，输出“已核实 / 元数据不符 / 未找到”的分类报告。systematic-review-prisma 负责协议、检索式、去重、筛选与 PRISMA 2020 流程图和清单；literature-review 检索 PubMed、arXiv、bioRxiv 与 Semantic Scholar 并抽取数据；statistical-analysis、pydeseq2、scanpy、rdkit、astropy 等技能把领域标准库封装成带假设检查与报告规范的分析流程；unslop-academic-writing 提供 linter 加改写手册，识别 “delves into”“pivotal role” 等套话；venue-templates 与 nature-portfolio、cell-press、ieee-transactions 等期刊技能要求先读取最新作者指南再排版；arxiv-submission 检查 TeX 源码、.bbl 与图片路径。最终产物是 Markdown/LaTeX 稿件、BibTeX、图表与结构化校验报告。
- 博士生写第一篇论文：用 scientific-writing 起草 IMRaD，再用 unslop-academic-writing 去掉 AI 腔调，最后交给 citation-verification 逐条核对参考文献。
- 课题组做系统综述：用 systematic-review-prisma 生成检索式、去重、筛选流程与 PRISMA 2020 流程图和清单。
- ML 研究者投稿 NeurIPS/ICML/ICLR：用 ml-paper-writing 套官方 LaTeX 模板，用 arxiv-submission 在上传前排查编译错误。
- 生物信息分析师：用 scanpy 分析 scRNA-seq 数据，用 pydeseq2 做差异表达，并把方法段落写进稿件。
- 审稿人与通讯作者：用 peer-review 生成有边界的评审草稿，用 rebuttal-and-response-to-reviewers 撰写有字数限制的逐条回复。
- 图书馆员或科研软件工程师：用 reference-manager-interop 在 Zotero、Mendeley、EndNote 与 LaTeX/Word 之间迁移文献库。
如何安装或部署这个 Agent？
需要 Node.js 18+，无需注册账号，命令读取 GitHub 仓库而非 npm（README 明确说明 npm 上不存在同名包）。
安装全部技能到所有已识别的 Agent：
npx skills add KalarisLabs/research-agent-skills --all只装指定技能或指定 Agent：
npx skills add KalarisLabs/research-agent-skills --skill citation-verification apa7
npx skills add KalarisLabs/research-agent-skills --agent claude-code作为 Claude Code 插件市场安装领域套件：
/plugin marketplace add KalarisLabs/research-agent-skills
/plugin install biology-research@research-agent-skills也可用 GitHub CLI 或经 SHA-256 校验的独立安装脚本：
gh skill install KalarisLabs/research-agent-skills
curl -fsSL https://raw.githubusercontent.com/KalarisLabs/research-agent-skills/main/install.sh | sh不支持技能的 harness 可直接把 skills/<name>/ 目录复制到其技能目录（通常是 .agents/skills/）。
如何使用这个 Agent？
安装后用自然语言向 Agent 提任务，它会按技能描述自行加载对应 playbook。例如：
Verify every reference in refs.bib and tell me which ones don't exist.Run a PRISMA 2020 systematic review on exercise and depression: search strings, dedup, flow diagram.Analyze this scRNA-seq dataset with scanpy and write the methods section.后续更新已安装技能：
npx skills update注意：Crossref、OpenAlex、arXiv、PubMed 等查询需要联网；部分技能（如 Firecrawl Research Index、Exa、OpenRouter 图像生成）依赖各自服务的密钥，需自行提供。
这个 Agent 有哪些优点和局限？
- 技能数量与覆盖面罕见：281 个技能横跨文献、统计、单细胞、化学信息学、临床影像、物理与期刊格式，一个库覆盖完整科研链路。
- 遵循开放 Agent Skills 规范，纯文件夹 + SKILL.md，无 SDK、无服务端，可迁移到约 70 种 harness，不锁定单一厂商。
- 针对真实失效模式设计：citation-verification 对 18 条标注参考文献报告 precision/recall 均为 1.00，unslop 试点中 slop index 降低 83%，数据与图表脚本一并提交。
- 按需加载，Agent 只读取一条技能描述，安装后对上下文的常驻开销很小。
- 有 CI 质量门槛：validate、skill-security、benchmarks 工作流与 OpenSSF Scorecard 徽章，弱技能不易被静默合并。
- 模型侧效果数据均为小样本试点（23 个任务、单一小模型作答题与裁判），不能当作大规模独立验证。
- 技能质量参差：仓库自述静态评分均值 95.5，但技能描述长度差异大，冷门库技能的实际可靠性未经第三方复核。
- 依赖外部服务与密钥：文献检索、引文核验、Firecrawl/Exa/OpenRouter 图像生成等都要联网并可能需自备 API key。
- 许可证在仓库元数据中标记为 NOASSERTION，与 README 的 MIT 徽章不一致，商用前需自行核实 LICENSE 文件。
- 本质是提示词与脚本的集合，不提供端到端流水线编排或结果保证，最终正确性仍由使用者负责。
这个 Agent 与同类方案有什么区别？
README 将自身与“普通 AI 助手”对比：助手只按指令起草，而这套技能要求 Agent 走完研究流程并自检输出（引文核验、报告规范、当前投稿指南）。它也与同类通用提示词集合形成区别：技能遵循 agentskills.io 开放规范并可被 skills.sh 安装，而非绑定某个产品。
与相关度最高的同类 agent 并排比较关键指标。
| Agent | 源码审查 | 形态 / 费用 | Star | 最近更新 | 主语言 | 完整支持的平台 |
|---|---|---|---|---|---|---|
| Research Agent Skills 当前 | 61 · 存在缺口 | 命令行工具免费 | ★ 76 | 今天 | Python | Codex · Claude Code |
| OpenDraft 学术论文起草引擎 | 81 · 表现良好 | 命令行工具免费 + 模型费 | ★ 521 | 13 天前 | Python | Codex · Claude Code · OpenAI API · Claude API |
| PaperOrchestra 技能包 | 62 · 存在缺口 | Agent 插件 / 技能免费 + 模型费 | ★ 694 | 18 天前 | Python | Claude Code |
| PaperJury | 79 · 表现良好 | Agent 插件 / 技能免费 + 模型费 | ★ 1.2k | 2 个月前 | JavaScript | Codex · Claude Code |
FollowAgents 如何评估这个 Agent？
查看各维度的扣分理由
SECURITY.md 明确声明最小权限（workflows permissions:{}、按需授权）、脚本网络域名白名单、SHA-256 校验与 Sigstore/SLSA 签名、tar 解包拒绝绝对路径与 ..，并给出漏洞私密上报流程，这些是文件可证实的强项。但扣分点：安装方式包含 curl|sh 与 irm|iex 管道执行，属高风险默认；--yes 跳过确认；技能脚本以 agent 权限执行且文档仅建议用户自行审查与沙箱，缺少强制确认机制；敏感数据处理仅泛泛提及 API key 放环境变量，无具体数据分类或脱敏规则；回滚仅靠 npx skills update 与 doctor 检测篡改，无明确卸载/回退流程；外部副作用（脚本调用 Crossref/OpenAlex 等）有说明但无逐技能清单。
README 与安装文档对命令、bundle 名称、harness 列表基本一致，CI 工作流（benchmarks、code-security）与文档描述的控制项吻合，自洽性较好。但依赖可用性仅声明 Python 3.9+/3.11+ 与 uv，未提供锁定清单或离线可用性说明；失败信息方面只有 SECURITY 中的响应时限，缺少技能脚本运行失败时的错误处理与提示规范，故给低分。
面向学生、PI、系统综述、ML/AI、生物化学医学物理等多类研究者，场景覆盖极广，harness 兼容 Claude Code/Codex/Cursor/Gemini 等约 70 种，环境适配强。能力边界有说明（技能为本地文件、部分脚本需 API key、工具权限因 harness 而异），但边界描述偏营销化，未逐技能标注能力上限；触发精度依赖 agent 自动路由，文档称 hit@3 0.96 但为自报基准，静态无法核实，故给 2。
信息架构清晰（README 目录、catalog、docs 分栏、FAQ、quickstart），安装说明详尽含多种方式与参数表，示例与 FAQ 丰富。但 LICENSE 文件为 MIT 而元数据为 NOASSERTION，存在许可标识不一致；版本化仅有 pyproject 1.0.0 与 RAS_VERSION，无 CHANGELOG 文件；已知限制仅在 fly-brain 研究中提及，缺少项目级 limitations 文档；维护责任指向 Kalaris Labs 但发布者未经验证，故维护责任给 2。
输出可用性方面提供具体任务示例与结构化输出（verified/mismatched/not found），citation-verification 与 unslop 有明确产出形态，但多数技能的实际输出质量静态无法验证。边际价值在于 280+ 技能覆盖全流程，但数量庞大可能造成上下文膨胀（FAQ 亦承认装全部会占上下文）；成本收益方面安装零成本、按需加载，但脚本依赖科学包与 API key 带来隐性成本，故均给 2。
README 大量引用 benchmarks/results、KEY_CLAIMS.json、CI 图表校验，声称图表漂移即 CI 失败，claim_traceability 较好；但基准数字（95.5/100、hit@3 0.96、21/23 任务胜出）均为自报且依赖付费模型运行，静态无法交叉验证，cross_source_corroboration 仅 1；fact_inference_separation 方面文档区分了模拟预测与真实生物结论（fly-brain scope 声明），并区分 verified/UNVERIFIED，表现尚可。
- 安装文档提供 curl|sh 与 irm|iex 管道执行方式，属高风险默认，建议优先使用 npx skills 或校验签名后再执行。
- 技能脚本以 agent 权限运行，文档仅建议用户自行审查与沙箱，缺少强制确认或权限最小化机制。
- LICENSE 为 MIT 但元数据为 NOASSERTION，许可标识不一致，使用前需确认实际授权范围。
- 基准数字（质量分、路由命中率、任务胜出率）均为自报且依赖付费模型运行，静态无法独立核实。
- 发布者未经验证，维护责任与更新路径的可靠性无法从文件确认。
- 缺少 CHANGELOG 与项目级已知限制文档，版本回退与卸载流程不明确。