博士生跟我吐槽：“老师，我论文写完了，但图太丑、英文不顺、引用格式还得手调、还要做组会PPT……这些破事加一起比做实验还累。”
我说：“你知道有个开源项目叫nature-skills吗？”
他摇头。
我给他看了一下这个项目能干什么。他看完说：“这不就是我需要的吗？”
今天我把这个工具怎么用、能干什么，用最直白的话给你讲清楚。
一、Nature-Skills到底是什么？
简单说，这是一个给AI用的“科研技能包”，目前是GitHub上一个获得了2.1k Star的开源项目，由上海交通大学的一位博士生开发维护。
它不是传统意义上的软件，也不需要你安装什么大型程序。它是一套规则文件——告诉AI“当你接到科研任务时，应该按什么流程、什么标准来做”。
打个比方：你让一个实习生帮你处理论文，什么都不教他，他大概率搞砸。但你给他一本详细的操作手册，告诉他每一步该干什么、不该干什么——他就能干得像模像样。nature-skills就是那本手册，只不过它是写给AI读的。
核心思想：让AI按照Nature期刊的标准和流程来帮你干活，而不是靠它自己瞎猜。
二、它能做什么？目前9个技能
项目目前有9个技能，覆盖了从写稿到投稿的全流程。我把最实用的几个挑出来说：
技能 | 状态 | 干什么用 |
|---|---|---|
nature-figure | 稳定版 | 生成Nature风格的科研图表 |
nature-polishing | 稳定版 | 学术英文润色、中译英 |
nature-citation | 测试版 | 帮你找Nature家族的参考文献 |
nature-response | 测试版 | 逐条回复审稿意见 |
nature-paper2ppt | 测试版 | 论文转中文组会PPT |
nature-data | 草稿 | 写数据可用性声明 |
三、怎么安装？
这个项目需要在Codex或Claude Code这类AI编程助手的环境里使用。
第一步：克隆仓库
Windows PowerShell：
git clone https://github.com/Yuan1z0825/nature-skills.git\r\ncd nature-skills\r\nNew-Item -ItemType Directory -Force "$env:USERPROFILE\\.codex\\skills" | Out-Null\r\nCopy-Item -Recurse -Force .\\skills\\nature-figure "$env:USERPROFILE\\.codex\\skills\\"\r\nCopy-Item -Recurse -Force .\\skills\\nature-polishing "$env:USERPROFILE\\.codex\\skills\\"\r\nMac/Linux：
git clone https://github.com/Yuan1z0825/nature-skills.git\r\ncd nature-skills\r\nmkdir -p ~/.codex/skills\r\ncp -R skills/nature-figure ~/.codex/skills/\r\ncp -R skills/nature-polishing ~/.codex/skills/\r\n第二步：重启Codex，让新技能生效。
四、核心技能怎么用？
1. nature-figure：画图不丑的秘诀
做科研图的都懂：matplotlib功能强但默认配色丑到哭。改完颜色导出SVG，文字变贝塞尔曲线，下次想微调？重新跑代码。
nature-figure解决了三个核心问题：
配色系统：两套色板——语义色板（蓝色做方法、绿色做变体、红色做基线）和粉彩色板（Nature Machine Intelligence风格用）。规则很硬核：“同一个方法在不同子图里必须用同一色系”。
SVG文字可编辑：一行代码svg.fonttype = 'none'，导出的SVG在AI里打开，文字随便改。
三层面板设计：概览层（数据全貌）→偏差层（每组特征）→关系层（变量关联）。每一层回答不同问题，互不重复。
怎么用：
推荐提示词模板：
请使用 nature-figure，并使用 Python。\r\n核心结论：这张图要证明（你的核心发现）\r\n数据来源：使用当前目录下的（你的数据文件）\r\n图形类型：多面板图，包括（面板A、B、C各自展示什么）\r\n期刊目标：Nature / Nature Communications 风格\r\n输出格式：请导出 SVG、PDF 和高分辨率 TIFF/PNG\r\n2. nature-polishing：不是把句子改高级，是把论证理顺
很多人让AI润色英文，得到的是一句漂亮但不像人话的句子。nature-polishing的思路不一样：先检查逻辑，再处理结构，最后润色句子。
它有一个12步工作流：断句→章节识别→沙漏结构检查→时态审计→编辑→词汇升级→模板检查→引用审计→格式规范→过度声明检测→校对→输出。
每条规则都来自对5篇Nature正刊论文的深度精读和一门研究生科学英语写作课。
怎么用：
请使用 nature-polishing 润色下面这段 Introduction。\r\n目标期刊：Nature Communications。\r\n要求：\r\n1. 保留原有科学含义，不新增数据、引用或机制\r\n2. 先修复段落逻辑，再润色句子\r\n3. 输出润色版本和3-5条 revision notes\r\n\r\n原文：（贴你的文字）\r\n如果是中文转英文：
请使用 nature-polishing 将下面中文 Results 段落改写为 Nature 风格英文。\r\n要求：不要逐句硬翻译，保留关键术语和数值，每句话尽量不超过30个词。\r\n原文：（贴你的中文）\r\n3. nature-response：审稿回复不靠硬编
审稿回复是最容易体现科研工作流能力的场景之一。
这个技能把每一条审稿意见拆成独立ID（比如R1.1、R1.2），分类严重程度、行动类型、缺失信息、风险和准备状态。要求：不能编造实验、分析、引用、行号、图号。
一封好的response letter不是客气信，是让编辑相信每一条意见都被理解、处理、定位和追踪的验证文件。
4. nature-paper2ppt：组会报告不照搬目录
很多同学做组会PPT是按论文章节顺序做的：背景→方法→图1→图2→总结。听众听到一半就开始看手机。
这个技能的做法不一样：先判断论文类型（发现类、方法类、工具类、资源类、综述类），再选择不同的叙事逻辑：
发现类：问题→证据
方法类：问题→方案
资源类：工作流→验证
输出中文PPT，每个结果页只放一个主图，深层解读放演讲者备注里，页面保持简洁。
五、几个重要提醒
第一，它不帮你做实验。 图表再好看，数据不扎实也没用。英语再地道，逻辑不通也没用。
第二，它不编造内容。 nature-polishing不会替你发明数据、引用、机制或创新点。nature-citation明确要求不要编造DOI、页码、卷期。
第三，敏感数据要注意。 涉及未发表论文、敏感数据或审稿材料时，先确认是否适合发送给外部AI模型。
第四，它不是Nature官方工具。 项目名字里有“Nature”，但它不是Nature官方开发的，也不能保证论文达到Nature录用标准。它更像一套面向Nature风格的工作流模板。
最后的真心话
nature-skills解决了一个真实的麻烦——那些“不科学但很耗时间”的体力活。你不用再花两小时调图例位置，不用再对着审稿意见逐条翻作者指南，不用再因为格式不对被退回重投。
科学家的时间应该花在科学上。这些杂活，交给AI和这套技能包去干。
项目地址：https://github.com/Yuan1z0825/nature-skills
关键词
Nature-Skills；AI科研写作；学术润色；科研绘图；审稿回复；开源工具