同行评审工具包Skill：让每一次审稿都严谨、系统、有据可循
- 系统化评审框架：把同行评审拆解为初步评估、分节评审、方法学与统计核查、可重复性、图表质量、伦理审查、写作质量七个阶段，避免漏检关键问题。
- 跨学科通用：适用于原创研究、综述与荟萃分析、方法论文、短报告、预印本，以及演示文稿和幻灯片评审。
- 建设性输出：不止指出问题，还输出摘要声明、主要评论、次要评论、逐行评论、给作者的问题等分层评审报告。
- 合规与透明度支持：内置对 CONSORT、PRISMA、ARRIVE、STROBE 等报告标准的检查思路，并评估数据可用性与代码可获取性。
- 一键安装、按需调用：通过 AI 技能市场或技能目录安装后，即可在对话中发起评审任务，适合期刊审稿人、基金评审专家、课题组内部预审等场景。
1. 该技能叫什么？如何一键安装 AI 技能提升开发效率？
技能中文名：同行评审工具包Skill 技能英文名：peer-review 技能ID：13030
这个技能要解决的问题很明确：同行评审是一项高度专业但又容易"凭经验、靠感觉"的工作。不同审稿人对方法学、统计、伦理、图表规范的关注点差异很大，新手审稿人容易漏掉关键缺陷，资深审稿人也可能因为时间紧张而忽略可重复性、报告标准等细节。同行评审工具包Skill 把评审过程结构化为可复用的检查框架，让评审从"个人经验驱动"变成"清单+判断驱动"。
一键安装的思路与步骤：
- 确认安装前提：需要一个支持 AI 技能（Skill）机制的代理平台或客户端环境，并具备文件读写与命令执行能力。该技能声明允许使用的工具为 Read、Write、Edit、Bash，因此运行环境需支持这些基础能力。
- 通过技能入口安装：在平台的技能市场、技能目录或技能管理面板中，使用技能ID 13030 或英文名 peer-review 检索并添加该技能。具体命令、入口路径与安装方式因平台而异，以官方说明为准。
- 验证是否生效：安装完成后，在对话中提出一个评审类请求，例如"请按同行评审流程评估这份手稿的方法部分"，若技能被正确加载，回复会呈现分阶段评审结构（初步评估、分节评审等），而不是泛泛而谈的建议。
- 配合相关资源使用：技能文档提到可结合 venue-templates 技能中的
reviewer_expectations.md来校准不同期刊/会议的评审标准，也可配合 scientific-schematics 技能生成评审流程图等示意图（生成命令示例为python scripts/generate_schematic.py "您的图表描述" -o figures/output.png，具体可用性以实际环境为准）。
对于经常审稿的科研人员来说，这个安装动作只需一次，之后每次评审都能复用同一套严谨的检查框架，长期收益明显。
2. 该技能的主要功能和特点
- 七阶段评审工作流：从初步评估到写作质量评估，逐阶段给出关键问题清单。例如初步评估阶段要求回答"核心研究问题是什么"“是否存在妨碍发表的重大缺陷”；方法阶段要求核查样本量与功效计算、随机化与盲法、纳入排除标准、统计检验与多重比较校正等。
- 分节深度评审：针对摘要与标题、引言、方法、结果、讨论、参考文献分别给出评估维度。比如结果部分专门提示识别选择性报告、不适当统计检验、缺失误差条、过拟合或循环分析、批次效应等常见问题。
- 方法学与统计严谨性专查：单独设置阶段核查统计假设是否满足、是否报告效应量与置信区间、缺失数据处理是否得当、探索性与验证性分析是否区分，以及实验设计中对照、重复、随机化、盲法是否充分。
- 可重复性与开放科学评估：检查原始数据是否沉积在合适存储库、是否提供访问号、分析代码是否公开（如 GitHub、Zenodo 等）、协议描述是否足够详细。
- 报告标准符合性检查：覆盖 CONSORT、PRISMA、ARRIVE、MIAME、MINSEQE、STROBE 等常见指南，并可参考技能内的
references/reporting_standards.md。 - 图表与图像完整性审查：检查分辨率、坐标轴单位、误差条定义、配色是否色盲友好、比例尺是否齐全，并提示排查图像重复、拼接等操纵迹象，以及 Western 印迹与凝胶呈现是否规范。
- 伦理审查清单：覆盖人类受试者的 IRB/伦理批准与知情同意、动物研究的 IACUC 批准与 3Rs 原则、数据伪造与篡改、作者身份、利益冲突、基金披露、剽窃与重复发表等。
- 分层评审报告结构：输出摘要声明（含接受/小修/大修/拒绝建议）、编号的主要评论、编号的次要评论、可选逐行评论、给作者的具体问题，每条主要评论都要求"陈述问题—解释原因—建议方案—说明是否影响发表"。
- 建设性语气约束：明确要求避免人身攻击、讽刺、模糊批评，避免要求超出研究范围的额外实验，避免以个人偏好替代最佳实践。
- 演示文稿专项评审：针对 PPT/Beamer/幻灯片，强制走"PDF 转图像"的视觉评审流程，并给出字号、对比度、文本溢出、元素重叠、每页信息量、幻灯片数量与时长匹配等具体检查项。
与普通写作助手相比，它的差异在于：普通工具倾向于给"看起来合理"的泛化建议，而这个技能强制你按清单逐项核对，把"我觉得有问题"变成"第 3 页图 2 缺少误差条定义，属主要问题，建议补充 SD/SEM/CI 说明"。
3. 如何使用该技能？
步骤 1：明确评审对象与目标场所 先告知技能你要评审的是什么：期刊手稿、基金申请、预印本，还是学术演示文稿；同时说明目标期刊/会议类型（如 Nature/Science、Cell Press、医学期刊、ML 会议），以便校准评审尺度。
步骤 2：发起评审请求 在对话中直接描述任务，例如：
“请对这份手稿进行同行评审，重点评估方法学的可重复性和统计分析是否恰当，并检查是否符合 CONSORT 报告规范。”
步骤 3：按阶段推进，逐段投喂材料 可以一次性提供全文，也可以分节提供。分节提供时效果更稳，例如先给摘要与引言，再给方法与结果。技能会按阶段 1（初步评估）到阶段 7（写作质量）逐层展开。
步骤 4：要求输出结构化评审报告 明确要求输出格式，例如：
“请按摘要声明、主要评论、次要评论、给作者的问题四部分组织，主要评论按影响程度排序并编号。”
步骤 5：针对疑点追问 对不确定的地方继续追问，例如"这篇的样本量是否经过功效分析？如果没有，应如何向作者提出？"技能会给出具体的提问措辞建议。
步骤 6：演示文稿走图像评审流程
若评审幻灯片，需先将 PDF 转为图像再逐页检查（技能给出的参考命令为 python skills/scientific-slides/scripts/pdf_to_images.py presentation.pdf review/slide --dpi 150，实际路径以环境为准），并按幻灯片编号记录布局问题，如"幻灯片 3：文本溢出，项目符号 4 延伸出右边缘"。
步骤 7：终稿前过一遍检查清单 使用技能末尾的最终检查清单逐项确认：摘要声明是否清晰、主要担忧是否合理、建议是否可操作、统计与可重复性是否评估、伦理是否核查、语气是否专业、推荐意见是否与问题一致。
输入输出示例： 输入——“请评估这段方法描述：‘样本随机分组，使用 t 检验比较两组差异。’” 输出——指出缺少随机化具体方式、未说明样本量与功效分析、未说明 t 检验前提（正态性、方差齐性）是否检验、未报告效应量与置信区间，并给出对应的主要/次要评论建议措辞。
4. 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 |
|---|---|---|---|---|---|
| 同行评审工具包Skill（peer-review，ID 13030） | 结构化同行评审框架 | 七阶段评审流程、统计与方法学核查、报告标准检查、伦理清单、分层评审报告、演示文稿图像评审 | 需支持 Skill 机制的 AI 环境，安装后对话调用；门槛低 | 期刊审稿、基金评审、课题组内部预审、幻灯片评审 | 优势：清单化、跨学科、输出结构统一；不足：依赖使用者提供完整材料，最终判断仍需专业能力 |
| 通用 AI 对话助手（无专用技能） | 通用写作与问答 | 文本理解、总结、润色、泛化建议 | 极低，打开即用 | 快速通读、语言润色 | 优势：上手最快；不足：评审维度不固定，容易漏检统计、伦理、报告规范等专业项 |
| 期刊/出版商自带审稿表单 | 平台内嵌评审模板 | 固定评分项与推荐意见选项 | 随投稿系统提供 | 特定期刊的正式审稿 | 优势：与期刊流程贴合；不足：颗粒度粗，缺少方法学细节指引，跨期刊不可复用 |
| 人工同行评审（同事互审） | 传统专家评审 | 专业判断、领域经验 | 依赖人脉与时间 | 各类学术评审 | 优势：领域判断深；不足：周期长、标准不一、易受个人偏好影响 |
从上表可以看出，同行评审工具包Skill 的生态位是"评审流程的结构化助手"——它不替代审稿人的专业判断，而是把容易遗漏的检查项固化成流程，尤其适合经验尚浅的审稿人和需要跨领域评审的场景。
5. 该技能的典型应用场景与实际体验情况
场景一：青年科研人员首次受邀审稿 角色：刚拿到博士学位、第一次收到期刊审稿邀请的研究者。痛点是不知道怎么组织意见，怕说得太笼统或漏掉关键问题。使用方式是先让技能按七阶段过一遍手稿，再基于输出的主要/次要评论清单撰写正式意见。实际体验：上手难度低，评审结构立刻清晰；注意事项是不要直接照搬技能输出，需结合自身领域判断筛选真正重要的问题。
场景二：基金申请书评审 角色：基金评审专家，需要在有限时间内评估多项申请。痛点是申请书的创新性与可行性判断需要框架支撑。使用方式是要求技能重点核查方法学严谨性、样本量与功效、伦理审批、数据管理计划。实际体验：能快速定位"目标陈述不清""缺少预实验支撑"等常见缺陷；注意事项是基金评审还涉及预算合理性等技能未覆盖维度，需自行补充。
场景三：课题组内部投稿前预审 角色：课题组 PI 或高年级学生，在正式投稿前做一轮内部质控。使用方式是把手稿按节投喂，要求输出"主要评论+次要评论"两栏清单，逐条修改后再投。实际体验：相当于多了一位不知疲倦的"方法学审稿人"，对提升可重复性描述帮助明显；注意事项是内部预审应侧重可修复问题，避免陷入过度打磨。
场景四：学术会议演示文稿评审 角色：会议程序委员会成员或导师，需要评审学生幻灯片。使用方式是先按技能要求将 PDF 转为图像，再逐页检查字号、对比度、文本溢出、元素重叠、每页信息量与时长匹配。实际体验：视觉问题定位非常具体，如"幻灯片 7：图表与标题重叠"；注意事项是必须走图像流程，直接读 PDF 会遗漏全部版式问题。
总体来看，该技能上手门槛不高，但效果高度依赖输入材料的完整度——材料越全，评审越有据可依。
6. 该技能能为用户带来的价值
效率提升：把"从头想评审维度"变成"按清单逐项确认"，单篇手稿的评审组织时间可显著压缩，尤其适合一次评审多篇的场景。
质量下限保障：统计假设、效应量、置信区间、多重比较校正、数据可用性、伦理审批这些高频遗漏项被固化为必查项，减少"审完才想起忘了看"的情况。
门槛降低：对首次审稿的研究者，技能相当于一份可交互的评审方法论教程，边用边学评审的标准动作。
输出规范化：摘要声明、编号主要评论、编号次要评论、给作者的问题这一结构，让评审意见更易被编辑和作者理解，也减少因表述模糊引发的沟通成本。
长期价值：持续使用会内化一套评审思维框架，反哺自身的论文写作与实验设计——知道审稿人会查什么，投稿前就会主动补齐什么。
7. 常见问题 FAQ
Q1：这个技能怎么安装？ A：在支持 AI 技能机制的平台中，通过技能市场或技能管理面板检索技能ID 13030 或英文名 peer-review 添加即可。具体入口与命令因平台而异，以官方说明为准。安装后发一个评审类请求即可验证是否生效。
Q2：使用这个技能收费吗？ A：技能本身的费用取决于所在平台的计费规则，技能详情中未提供价格信息，请以官方说明为准。
Q3：它适合谁用？ A：适合需要做科学评审的人群：期刊审稿人、基金评审专家、会议程序委员会成员、课题组内部预审的 PI 与学生，以及希望学习评审方法论的青年研究者。
Q4：它能代替人工审稿吗？ A：不能。它提供的是结构化检查框架和问题定位，领域判断、创新性评估和最终推荐意见仍需审稿人自身专业能力负责。建议把它当作"评审副驾驶"而非"评审替代者"。
Q5：和通用 AI 助手比，优势在哪？ A：通用助手给的是泛化建议，而该技能强制覆盖方法学、统计、可重复性、伦理、图表完整性、报告标准等专业维度，并输出统一的分层评审报告结构，漏检率更低、意见更可操作。若只是快速通读或语言润色，通用助手足够；若要正式出具评审意见，建议使用本技能。