从事科研工作的学者们，绝大多数都曾陷入这种自我消耗的怪圈：

花上两三天检索文献，结果要么质量参差不齐、遗漏关键领域的研究突破，要么累积了大量论文却理不清发展脉络；
科学假设迟迟难以提出，实验设计存在诸多漏洞，面对组学数据只会机械套用分析模板，一旦出错也无从排查；
最令人煎熬的莫过于收到论文返修意见，无法准确把握审稿人的核心诉求，不确定是否要补充实验，逐条回复写得逻辑混乱不堪……

许多科研工作者尝试使用 Claude Code 后觉得效果不佳、输出质量差强人意，其根本原因其实很简单——仅使用了通用 Prompt，而没有借助专属的 Skills 工作流。

为了帮助大家真正掌握这款工具、显著提升科研效能，我们基于官方机制设计，并结合实战经验，精心整理了这份详尽的使用指南。我们将科研全流程拆解为 16 大核心任务场景，并为每个场景配置了专属 Skills。本文内容经过系统整理，科研路上随时可用作参考手册。

一、先理解：skill 不止是简单的“提示词”，更是科研工作流

本质上，Skills 是一种结构化的文字指令，相当于一套标准化操作流程。它能明确告知 Claude Code，为完成特定任务，需遵循几个步骤，以及每个步骤的具体执行方法。换句话说，就是将科研实战中经过验证的经验输入给 Claude Code，而非任由其自由发挥。唯有如此，才能确保输出结果可靠、稳定且可复现。

Claude Code 的 Skill 是一个带有 SKILL.md 文件的任务能力包。它可包含任务说明、执行流程、参考资料、脚本模板以及工具调用规则。因此，Skill 更像是为 Claude Code 安装了“专家级工作习惯”。

具体举例：

• 进行文献检索时，不只是要求它“查找几篇文章”，而是指令它按检索策略、数据库、纳入排除标准以及证据等级来系统开展工作；
• 进行论文精读时，不仅是简单总结摘要，而是要求保留图表位置、原文锚点以及中英对照内容；
• 处理返修回复时，不只是写几句客套话，而是需要拆解审稿意见、设计补充实验、生成逐条回复。

这也正是科研任务无法依赖单一万能 Prompt 解决的原因。更加稳妥的方式是，根据任务阶段，选择对应的 Skill。

二、科研任务可拆解为 5 段式工作流

我们建议将科研 AI 工作流划分为以下 5 个阶段：

1. 检索调研：系统查找文献、洞察发展趋势、撰写深度综述；
2. 阅读汇报：精读学术论文、制作文献汇报类演示文稿；
3. 课题分析：提出科学假设、设计实验方案、分析数据、绘制图表与统计分析、解读研究结果；
4. 写作投稿：撰写综述或研究论文、降低 AI 痕迹、调整投稿格式；
5. 返修回复：分析审稿人意见、设计补充实验、答复审稿人。

三、检索调研：先全面收集证据，再谈创新突破

1. 文献检索

首选 skill： nature-academic-search
建议搭配： deep-research、nature-citation

文献检索最易陷入两个误区：一是仅检索到少量“看似相关”的文章；二是文献数量虽多，但缺乏系统检索策略和证据分级。nature-academic-search 更推荐作为首选，因为它面向多来源文献检索、MeSH 检索策略、PMID/DOI 追踪以及引用文件管理。若任务已提升至综述级别的证据综合，可交由 deep-research 来设计研究问题和筛选框架。若是为论文段落补充高质量参考文献，则使用 nature-citation。

2. 研究热点汇总

首选 skill： deep-research
建议搭配： nature-academic-search、nature-reader

热点汇总并非简单罗列文献，而是需解答：近 3 至 5 年该领域关注哪些核心议题？哪些研究方向已趋饱和？哪些问题证据尚不充分但具有研究价值？哪些技术路线正成为主流趋势？deep-research 更适用于开展主题聚类、趋势分析、争议识别以及研究缺口分析。nature-academic-search 负责检索证据，nature-reader 则用于精读代表性论文。

3. 深度文献调研

首选 skill： deep-research
建议搭配： nature-academic-search、academic-pipeline

如需撰写综述、开题报告、基金申请书背景或完整研究计划，可直接使用 deep-research。它支持 full、lit-review、systematic-review、fact-check 等多种模式，适用于从研究问题提出、检索策略制定、偏倚评估到综合报告的全流程。若需从调研阶段直接过渡到论文写作，可进一步借助 academic-pipeline 串联调研、写作、审稿式自查与修订。

四、阅读汇报：从“读懂文章”进阶到“讲透文章”

4. 文献阅读

首选 skill： nature-reader
建议搭配： pdf、deep-research review

nature-reader 是精读论文的最佳入口。它适用于从 PDF、DOI、arXiv 或粘贴的文本中生成中英对照内容、图表邻近解读以及原文锚点。与普通摘要工具最大的区别在于：它不会将论文压缩成几段泛泛总结，而是尽可能保留文章结构、图表位置以及证据链条。如需处理扫描版或版式复杂的 PDF，可搭配 pdf 进行页面渲染和文本提取。

5. 文献汇报 PPT 制作

首选 skill： nature-paper2ppt
建议搭配： nature-reader、nature-figure

如需准备组会报告、读书分享或论文讲解，首选 nature-paper2ppt。它可将论文、预印本、图注或阅读笔记转化为中文版 PPTX 文件，并筛选可用于支撑故事线的关键图表。推荐流程是：先用 nature-reader 精读论文；再用 nature-paper2ppt 生成组会演示文稿；若原图质量不佳或需重制机制图，再借助 nature-figure 辅助处理。

五、课题分析：让 AI 参与科研判断，而非仅产出文字

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，并非仅仅“想出一个新点子”。一个出色的假设必须将已有证据、反常现象、机制空白以及可验证实验有机串联。deep-research 的 Socratic 模式擅长进行导师式追问；nature-reviewer 则负责反驳与压力测试；nature-academic-search 用于核实该假设是否已有直接证据支持。

7. 组学数据分析

当前建议： 建议补建 omics-analysis skill（这部分未来更新）
过渡搭配： deep-research、nature-figure

此处需特别说明：目前已安装的 skills 中，尚缺少专门针对 RNA-seq、蛋白组、代谢组、单细胞或多组学整合的专用 skill。因此，切勿用写作类 skill 硬套组学分析任务。更稳妥的过渡方案是：先用 deep-research 确定分析设计、数据库选择、统计路线以及验证逻辑；再让 Claude Code 直接运行 R / Python / 命令行流程；最后用 nature-figure 输出火山图、热图、富集图以及多组学整合图。

未来最值得补建一个 omics-analysis skill，将常见分析流程固化其中，例如：

• DESeq2 / edgeR / limma 差异表达分析；
• clusterProfiler 功能富集分析；
• Seurat 单细胞转录组分析；
• WGCNA 加权基因共表达网络分析；
• 蛋白组、代谢组及多组学数据整合；
• 可复现的脚本模板；
• 常见报错问题排查；
• 符合投稿规范的图形导出标准。

8. 实验方案设计

首选 skill： deep-research
建议搭配： nature-academic-search、nature-reviewer

实验方案设计并非“罗列实验步骤”，而是需要先理清：科学假设是什么？模型与对照设置是否恰当？样本量及实验终点是否足以支撑结论？关键读出指标能否有效回答研究问题？若实验失败，是否存在备选方案？deep-research 适合采用 Socratic 或 full 模式搭建实验逻辑；nature-academic-search 用于查询同类实验参数；nature-reviewer 则可从审稿人视角预判设计中的潜在漏洞。

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 是进行结果可视化及统计表达的首选工具。它强调图的结论支撑、证据逻辑、多面板布局、统计标注以及符合投稿标准的导出格式。每次作图前，都应先明确一个问题：这张图旨在证明哪个核心结论？然后再据此确定统计检验方法、panel 排列顺序、配色方案、图注内容以及导出格式。

10. 实验结果解读

首选 skill： manuscript-writing
建议搭配： nature-writing、nature-reviewer

结果解读中最易出现的问题，是将“数据直接支持”过度引申为“机制已被证明”。因此，解读结果时应遵循三层逻辑：数据直接支持什么；合理的推论是什么；还需哪些实验进一步验证。manuscript-writing 适用于检查证据表述与措辞的严谨性；nature-writing 可将结果组织成 Results / Discussion 部分；nature-reviewer 则用于追问是否存在替代解释、混杂因素以及缺失的验证实验。

六、写作投稿：从初稿生成到投稿定稿

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 是完整的论文写作流水线，适用于综述、研究论文、摘要写作、引用检查以及格式转换。如需从研究结果、图表或中文草稿重建更接近 Nature 期刊风格的论证体系，建议搭配 nature-writing。对于综述写作，建议先用 deep-research 完成证据综合，再进入正式写作阶段。

12. 论文降低 AI 率

首选 skill： ai-check
建议搭配： aigc-down-skill、humanize

降低论文 AI 痕迹时，切勿急于直接改写。更为稳妥的方法是“两步走”：第一步，使用 ai-check 进行 AI 痕迹诊断，精确定位存在高风险模式的段落；第二步，借助 aigc-down-skill 对中文学术文本进行保真、保量且术语一致的改写。humanize 适用于一般文本的自然化处理，但中文学术论文应优先选用 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

投稿格式调整不限于修改字体与参考文献。它通常涉及：标题页格式、摘要结构、参考文献样式、图表与补充材料编排、数据可用性声明、利益冲突声明、LaTeX / Word / PDF 输出等方面。academic-paper 适用于整体格式转换；nature-polishing 擅长处理 LaTeX 排版、浮动体以及 Supplementary Information 版式问题；nature-citation 与 nature-data 则分别负责引用格式调整和数据可用性声明撰写。

七、返修回复：遵循审稿逻辑，而非受情绪主导

14. 论文返修意见分析

首选 skill： nature-response
建议搭配： academic-paper-reviewer、nature-reviewer

收到审稿人意见后，首要任务不是立即回复，而是进行分类整理。建议将每条意见划分为四类：必须补充实验；可通过重新分析解决；通过文字解释即可回应；可以进行有据反驳。nature-response 专为逐条回复、审稿意见分类以及修回信设计。如需判断意见的严重程度及稿件的潜在风险，可搭配 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

返修实验不能仅仅追求“多做实验”，而应直接针对审稿人可接受的标准。推荐做法是：利用 nature-response 提炼每条意见背后的证据缺口；借助 deep-research 设计最小充分的补充实验；通过 nature-academic-search 查询同领域内可被接受的实验惯例；运用 nature-reviewer 预判补充实验后是否仍会面临质疑。

16. 返修回复审稿人

首选 skill： nature-response
建议搭配： nature-polishing、manuscript-writing

nature-response 是处理返修回复的唯一首选。它适用于生成逐点回复、编辑信函以及修改说明。一条成熟的回复通常包含：致谢；对问题的正面回应；新增实验或分析的说明；具体修改位置；修改后的结果呈现；若仍存在局限性，需诚实解释原因。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内容保持一致。

八、16 类科研任务速查表

九、最值得补强的缺口：组学分析 skill

目前这套科研 skills 已广泛覆盖文献检索、文献阅读、PPT 制作、论文写作、数据作图和返修回复等环节，唯一明显的缺口是缺少专门的组学数据分析 skill，这也是未来最值得补充完善的部分。若能建立一个 omics-analysis skill，将 RNA-seq、单细胞、蛋白组、代谢组及多组学整合的常用分析流程固化其中，Claude Code 将能更自然地完成数据分析任务，比临时让 AI 编写一段 R 代码要稳定可靠得多。

结语

Claude Code 真正适合科研场景的价值，不仅在于“协助撰写内容”。更重要的是，它能将一整套科研任务拆解为可复用的工作流。通过在不同科研应用场景中合理运用不同 Skills，Claude Code 将从通用型助手，逐步进化为更贴近“科研 agent”的智能工具。

关于安装 Skills 的方法：在启用 Claude Code 时，通过自然语言指令（例如“请帮我安装最新版的 academic-research-skills 这个 skill”）即可完成安装。