科学写作Skill：用完整段落和IMRAD结构，把研究想法写成可投稿的手稿
- 定位明确：scientific-writing 是「深度研究和写作工具」的核心技能，专注科学手稿撰写与修订，而不是通用写作助手。
- 一条硬规则：最终手稿必须使用完整段落和流畅散文，绝不提交项目符号；项目符号只允许出现在「大纲规划」阶段。
- 两阶段写作法：先用研究查找技能产出带要点的章节大纲，再把大纲逐条转换为连贯散文。
- 规范齐全：内置 IMRAD 结构、APA/AMA/Vancouver/Chicago/IEEE 引用风格，以及 CONSORT、STROBE、PRISMA 等报告指南。
- 视觉配套：技能自带示意图与图像生成脚本，并要求论文配有图形摘要，让「文字 + 图表」一次成型。
该技能叫什么？如何下载安装 AI 技能提升开发效率？
技能中文名：科学写作Skill 技能英文名：scientific-writing 技能ID：13022
它解决的问题非常具体：科研人员不缺想法，缺的是把想法落成一篇结构规范、引用正确、图表齐全、能通过期刊初审的手稿。通用大模型写出来的内容往往是「要点罗列 + 泛泛而谈」，而 scientific-writing 把学术写作中那些「看不见但必须遵守」的规则——IMRAD 结构、引用格式、报告指南清单、图表规范、术语一致性——固化成一套可执行的写作流程。
关于「一键安装 AI 技能提升开发效率」的思路，可以按下面四步理解（具体命令、下载入口与版本要求以官方说明为准）：
- 确认安装前提。该技能声明可用工具为
Read、Write、Edit、Bash，说明它需要一个支持技能（Skill）机制、并且能执行本地脚本的 AI 客户端或工作环境；同时需要具备 Python 运行环境，因为图形摘要与示意图依赖技能内的scripts/generate_schematic.py与scripts/generate_image.py。若你的环境仅有对话能力而无文件读写与命令执行权限，技能的核心工作流（生成大纲 → 写入手稿文件 → 生成图形）将无法完整跑通。 - 获取并导入技能包。在支持技能的平台上，通常通过技能市场搜索技能英文名
scientific-writing或技能ID13022安装，或以技能包（含SKILL.md、references/、scripts/目录）形式导入工作区。具体入口与安装方式请以官方说明为准。 - 放置目录与依赖。技能依赖
references/下的参考文件（如imrad_structure.md、citation_styles.md、figures_tables.md、reporting_guidelines.md、writing_principles.md），并会向figures/目录输出图片。安装后建议确认这两类目录可正常读写，避免图形生成时报错。 - 验证是否生效。最直接的验证方式是给一条真实任务，观察三件事：一，它是否先给大纲、再给散文；二，它产出的摘要是否为完整段落，而不是「背景：/方法：/结果：/结论：」的标签式结构（这是技能的硬性规则）；三，它是否会主动调用图形生成脚本输出到
figures/目录。若三条都满足，说明技能已正常加载。
该技能的主要功能和特点
- 两阶段写作流程（核心差异化）：阶段一是用研究查找技能收集文献与数据，产出带项目符号的章节大纲，作为「脚手架」；阶段二是把每条要点扩展成含主语、谓语、宾语的完整句子，补充过渡词（然而、此外、相比之下、随后），把引用自然嵌入句中，形成连贯散文。这套流程解决了「AI 一写就写成列表」的通病。
- IMRAD 结构指导：对引言（背景—缺口—目标）、方法（设计、人群、程序、分析）、结果（客观呈现、不带解释）、讨论（解释、局限、未来方向）分别给出写作要点；同时支持综述、病例报告、荟萃分析、理论/建模论文、方法学论文等替代结构。
- 多种引用风格：覆盖 AMA（上标编号）、Vancouver（方括号编号）、APA（作者—日期）、Chicago、IEEE，并配套「引用元数据检查」机制——写完后扫描
references.bib中缺失volume、pages、doi的条目，通过网络检索补齐，再进行最终编译。 - 报告指南对照：内置 CONSORT（随机对照试验）、STROBE（观察性研究）、PRISMA（系统综述与荟萃分析）、STARD（诊断准确性）、TRIPOD（预测模型）、ARRIVE（动物研究）、CARE（病例报告）、SQUIRE（质量改进）、SPIRIT（试验方案）、CHEERS（经济学评价）等清单，帮助作者避免「漏报关键方法学要素」这一类高频拒稿原因。
- 图表与可视化：内置「何时用表格、何时用图形」的判断规则（精确数值用表、趋势关系用图），以及自解释标题、单位标注、样本量 n、统计注释等设计原则，并按「每 1000 字一个图表」的密度给出参考。
- 图形摘要强制要求：技能明确要求每篇科学论文首先要生成一个图形摘要（横向，通常 1200×600 像素），呈现「输入 → 方法 → 关键发现 → 结论」的工作流，并建议研究论文总计 5 个以上图形。
- 领域术语适配：针对生物医学、分子生物学与遗传学（如基因符号斜体 TP53、蛋白正体 p53）、化学与药学（IUPAC 命名、IC50 等单位）、生态学（双名法斜体、香农多样性指数）、物理与工程（SI 单位）、神经科学、社会与行为科学（人本语言、用「参与者」而非「受试者」）分别给出术语约定。
- 期刊适配与返修支持：可按目标期刊作者指南调整结构、字数、引用风格、图表规格与必需声明（资金、利益冲突、数据可用性、伦理批准），并支持处理审稿意见、修订稿件。
- 常见陷阱清单：把「统计描述不足、过度解释结果、方法不可复现、样本偏小、图表设计差、未遵循报告指南」等顶刊拒稿原因列为检查项，并提醒时态混用（方法与结果用过去时、已确立事实用现在时）、缩写未定义、段落间缺过渡等问题。
和普通写作工具相比，它强在流程约束与规范内建：普通工具给你一段看起来像论文的文字，scientific-writing 给你一套「大纲—散文—引用核查—图表—指南对照—期刊格式化」的作业流水线。
如何使用该技能？
以下为推荐使用步骤，可直接参考。
第 1 步：明确目标期刊与报告指南。 在提示中说明研究类型和目标期刊，例如：「我要投一篇观察性队列研究，目标期刊要求 STROBE 清单和 Vancouver 引用格式」。技能会据此选择结构模板与引用风格。
第 2 步：先要大纲，不要正文。 提示示例：「请用 scientific-writing 技能，为我这篇『ICU 早期活动与谵妄发生率』的研究生成引言部分的要点大纲，标注需要引用的关键文献类型和数据点。」 输出应是一份带层级要点的脚手架，包含背景、知识缺口、本研究方法、研究目标四条主线。
第 3 步：把大纲转成散文。 追加提示：「把上面的大纲转换为完整段落，引用整合进句子中，不要使用任何项目符号，不要出现标签式小标题。」 此时输出应是连续段落，句子之间带有「然而」「相比之下」等过渡，引用以括号形式嵌入句内。
第 4 步：逐节推进。 技能建议的起草顺序是：先做图表（数据故事的核心）→ 方法 → 结果 → 讨论 → 引言 → 摘要 → 标题。摘要需以流畅段落综合全文，仅在期刊明确要求时才使用结构化标签。
第 5 步：生成图形摘要与配图。 按技能给出的命令执行，例如：
python scripts/generate_schematic.py "[论文标题]的图形摘要：展示从数据采集→筛选流程→主要结局→临床结论的工作流" -o figures/graphical_abstract.png
再按需生成方法流程图或结果可视化：
python scripts/generate_schematic.py "CONSORT 流程图：受试者筛选、随机化、随访与失访" -o figures/consort_flow.png
python scripts/generate_image.py "实验室细胞培养与药物处理流程的逼真插图" -o figures/lab_setup.png
脚本会把结果写入 figures/ 目录，并自动检查色彩可访问性（色盲友好、高对比度）。
第 6 步：引用元数据核查。 每写完一节，扫描 references.bib 中缺失卷号、页码或 DOI 的条目并补齐，日志形如「元数据丰富：[CitationKey] - 添加了 [字段]」。这一步必须在最终 PDF 编译之前完成。
第 7 步：修订与格式化。 让技能按检查清单过一遍：逻辑主线是否连贯、术语符号是否一致、图表是否自解释、报告指南是否齐备、各节字数是否合规、引用格式是否统一，最后按期刊模板输出。
输入与输出示例对照：
| 你的输入 | 期望的输出形态 |
|---|---|
| 「写一段背景，说明 AI 在罕见病药物发现中的研究缺口」 | 2–3 个完整段落，引用以（Smith, 2023; Jones, 2024）形式嵌入句中 |
| 「给我方法部分的纳入排除标准」 | 此处允许使用列表（技能明确：方法学中的纳入/排除标准、材料清单可例外） |
| 「把讨论部分整理成要点」 | 技能会提示：讨论部分不使用项目符号，应输出连贯散文 |
同类型竞品对比分析
| 方案名称 | 定位 | 核心功能 | 安装/使用门槛 | 适用场景 | 优势与不足 |
|---|---|---|---|---|---|
| scientific-writing（科学写作Skill） | 深度研究 + 学术写作一体化技能 | 两阶段大纲转散文、IMRAD、五种引用风格、十类报告指南、图形摘要生成、期刊格式化 | 需支持技能的 AI 环境、文件读写与命令执行权限、Python 环境 | 研究论文、期刊投稿、综述、基金申请、返修 | 优势：流程规范内建、强制散文与图表配套、可核查引用；不足：依赖运行环境，需人工确认领域术语与统计准确性 |
| 通用大模型对话 | 通用文本生成 | 生成段落、润色、翻译、提纲 | 最低，打开即用 | 快速起稿、思路梳理 | 优势：零门槛；不足：易输出列表式内容、引用常为虚构、无报告指南与图表流水线 |
| LaTeX 模板 + 人工撰写 | 排版与结构化写作工具链 | 排版控制、参考文献自动化（BibTeX）、期刊模板 | 较高，需掌握 LaTeX 语法 | 数学/工程/物理类投稿 | 优势：排版精确、模板成熟；不足：不产出内容，写作与规范对照仍需人工完成 |
| 文献管理工具（Zotero / Mendeley / EndNote） | 参考文献管理 | 文献收集、去重、按样式插入引用、书目导出 | 中等，需安装客户端与插件 | 引用管理与参考文献格式化 | 优势：引用数据可靠、支持多风格；不足：不负责正文写作与结构规范，无法生成图表摘要 |
从对比看，scientific-writing 的差异化在于把写作流程、学术规范与可视化产出打包在一个技能里，而竞品大多只覆盖其中一环。
该技能的典型应用场景与实际体验情况
场景一：临床研究者冲刺投稿。 一位做随机对照试验的临床医生，手里有完整数据和统计结果，却卡在「方法学该怎么写才不漏项」。使用方式是：先让技能按 CONSORT 清单列出必须报告的元素，生成方法部分大纲，再转成散文，最后生成 CONSORT 流程图。体验上，清单式检查确实能把「随机化方法、分配隐藏、盲法」这些容易被忽略的点揪出来；注意事项是，具体统计量与效应值必须由作者提供并核对，不能依赖模型推测。
场景二：研究生写系统综述。 痛点是筛选流程描述零散、PRISMA 流程图不会画。使用方式是：按 PRISMA 指南组织检索策略、纳入排除标准与筛选流程，用示意图脚本生成 PRISMA 流程图，再用 Vancouver 格式统一参考文献。体验上，流程图的生成明显节省时间，引用元数据补齐功能也能减少「卷号页码缺失」这类低级错误；注意事项是检索式与数据库名称必须如实填写，不能交给模型自动补全。
场景三：跨学科团队改稿返修。 论文被质疑「讨论部分过度解读、术语前后不一致」。使用方式是：让技能按写作原则逐段检查——是否区分观察与解释、术语是否统一、句子平均长度是否过长、缩写是否首次出现即定义。体验上，这类结构性检查比单纯润色更有价值；注意事项是修改幅度较大时，建议逐节确认而非一次性重写，以免丢失作者原意。
场景四：基金申请与海报。 技能对基金申请、海报、演示文稿给出了不同的最小图形数量参考（如基金申请建议 4 个、海报 6 个）。使用方式是先用大纲搭骨架，再批量生成示意图填充视觉部分。体验上，一次性产出多张风格统一的示意图很有帮助；注意事项是图形数量只是参考，宁可少而准确，也不要为凑数生成与研究无关的插画。
整体上手难度：中等偏低。只要会写提示词，就能跑通「大纲 → 散文」的主流程；真正的门槛在于准备目录结构、Python 环境与 references.bib 文件。效果取决于输入质量——文献收集越扎实、数据越具体，产出越接近可投状态。最需要注意的一点：技能的所有规范是「帮助你不漏项」的脚手架，最终的科学判断、数据真实性和伦理声明责任，仍然在作者身上。
该技能能为用户带来的价值
第一，把隐性的学术规范变成显性的检查清单。 大多数人不是不会写，而是不知道「该写什么、不该漏什么」。IMRAD 四段式拆解、十类报告指南、八条高频拒稿原因，让写作从「凭感觉」变成「对着清单打勾」，显著降低因方法描述不完整而被退稿的概率。
第二，解决 AI 写作最大的可信度问题。 通用模型写论文最被诟病的是虚构引用和列表式堆砌。scientific-writing 用「两阶段大纲转散文」解决后者，用「引用元数据核查 + 优先引用原始文献」缓解前者，让 AI 产出从「像论文」向「可用稿」靠近。
第三，把图表制作从瓶颈变成顺带产出。 图形摘要、方法流程图、概念框架图都可以通过脚本命令生成并统一输出到 figures/ 目录，避免了「写作完成后还要另找工具画图、再统一风格」的反复折腾。
第四，降低非英语母语研究者的表达门槛。 清晰的写作原则（精确用词、平均 15–20 词短句、去除冗余限定词、区分观察与解释）配合领域术语对照，能明显改善语言的准确性与一致性。
长期价值在于可复用性：一旦把目标期刊、引用风格、报告指南和 references.bib 结构固定下来，后续每一篇论文都可以沿用同一套流程，形成个人或课题组的「写作生产线」。
常见问题 FAQ
Q1：这个技能怎么安装？需要什么环境？
A：它属于技能（Skill）机制下的一份技能包，通常通过技能市场或技能包导入的方式安装，技能英文名为 scientific-writing、技能ID 为 13022，具体下载入口与安装命令请以官方说明为准。运行前提是：所在 AI 环境支持技能加载，并具备 Read、Write、Edit、Bash 权限；同时需要 Python 环境来执行 scripts/generate_schematic.py 和 scripts/generate_image.py；references/ 与 figures/ 目录需可读写。
Q2：它真的完全不用项目符号吗？那方法部分的纳入排除标准怎么办？ A：技能的硬性规则是：最终手稿绝不提交项目符号，摘要、引言、结果、讨论、结论尤其禁止。但保留了有限例外——方法部分中的纳入/排除标准、材料与试剂清单、参与者特征，以及补充材料中的扩展协议与设备列表，可以使用列表。另外，项目符号在规划阶段是必需的，它是两阶段写作法中「脚手架」的载体，只是不能出现在终稿里。
Q3：它生成的引用可靠吗？会不会编造文献？
A：技能的设计思路是「引用必须基于研究查找技能验证过的来源」，并提供了引用元数据核查机制：写完后扫描 references.bib 中缺失卷号、页码、DOI 的条目，通过检索补齐。但这套机制的可靠性取决于你的文献库是否真实。建议做法：自己先用文献管理工具（Zotero、Mendeley、EndNote）整理 references.bib，让技能在此基础上写作与核查；对任何自动补全的元数据，投稿前仍需逐条比对原文。
Q4：它收费吗？适合谁用？ A：技能本身是否收费、以及调用背后模型的成本，取决于你使用的平台，以官方说明为准。适用人群相当明确：需要撰写或修订科学手稿的研究生与科研人员、要按报告指南投稿的临床与公共卫生研究者、准备基金申请与海报的课题组、以及需要统一团队写作规范的实验室。如果你只是偶尔写写科普短文，用通用对话工具会更轻便。
Q5：它和「直接让大模型写论文」到底差在哪？我该怎么选？ A：差别在流程与规范。直接让大模型写，你得到的是一次性文本，格式、引用、图表、报告指南都要自己二次把关；scientific-writing 提供的是「大纲 → 散文 → 引用核查 → 图形摘要 → 指南对照 → 期刊格式化」的完整流水线。判断标准很简单：如果产出的终点是「要投出去的稿件」，选这个技能；如果终点只是「先有个草稿看看思路」，通用对话足够。