科学假设生成Skill：把模糊的观察，变成可测试、可证伪的科学假设
核心结论速览
- 它是什么：一款面向科研场景的 AI 技能，接收「一个观察或初步数据」，输出「3-5 个竞争性假设 + 可测试预测 + 实验设计方案 + 带引用的 LaTeX 报告」。
- 它解决什么问题：科研中最难的一步往往是“从现象到假设”，本技能把这一步拆成可复用的 8 步流程，避免拍脑袋想假设、避免只写“是什么”不写“为什么”。
- 它的差异化：强制要求报告中包含 AI 生成的科学示意图（可用脚本一键出图），并内置假设质量评估框架（可测试性、可证伪性、简洁性、解释力、范围、一致性）。
- 它的调用门槛：需要 Read / Write / Edit / Bash 四类工具权限，输出为 LaTeX 文档，需要 XeLaTeX 或 LuaLaTeX 编译。
- 它适合谁：研究生、博后、课题负责人、交叉学科研究者，以及需要快速做假设预研的研发团队。
该技能叫什么？如何下载安装 AI 技能提升开发效率？
技能基础信息
| 项目 | 内容 |
|---|---|
| 技能中文名 | 科学假设生成Skill |
| 技能英文名 | hypothesis-generation |
| 技能ID | 13038 |
| 核心能力 | 从观察出发生成可测试假设、设计实验、探索竞争性解释、制定预测、提出机制 |
| 声明工具权限 | Read、Write、Edit、Bash |
| 输出形态 | 结构化 LaTeX 假设报告（主要文本不超过 4 页 + 综合附录）+ AI 科学示意图 |
它到底解决什么问题
大多数科研工具帮的是“查资料”和“写论文”，但科研链条中真正卡住人的是中段的假设环节：
- 手上有一组异常数据或一个反直觉的观察，不知道从哪个角度去解释；
- 想到一个解释就顺着往下写，没有考虑过竞争性解释；
- 假设写得像“结论”，无法被证伪，也提不出具体可测的预测；
- 实验设计凭经验拍板，样本量、对照组、混杂因素没有系统考虑；
- 文献看了很多，但没能把已有机制迁移到自己的体系上。
hypothesis-generation 技能做的，就是把“提出假设”这个高度依赖个人经验的隐性动作，变成 8 步可复现的显性流程：理解现象 → 综合文献搜索 → 综合证据 → 生成竞争性假设 → 评估假设质量 → 设计实验测试 → 制定可测试预测 → 呈现结构化输出。
一键安装 AI 技能提升开发效率的思路
AI 技能的价值在于“装一次、反复用”。安装思路可以概括为四步：
第一步：确认安装前提
- 你需要一个支持技能（Skill）机制的 AI 客户端环境，并且该环境允许技能声明并调用 Read（读文件）、Write（写文件）、Edit（编辑文件）、Bash（执行命令）四类工具。
- 由于本技能会生成 LaTeX 文档和调用出图脚本，本地建议准备好
xelatex或lualatex编译环境，以及 Python 运行环境。 - 具体客户端版本要求与依赖清单，以官方说明为准。
第二步：获取并安装技能包
- 在技能市场或技能库中搜索中文名「科学假设生成」或英文名
hypothesis-generation（技能ID 13038）进行下载安装。 - 若是离线技能包形式，通常需要将整个技能目录放入客户端的技能目录中，并确保
references/、assets/等子目录一并保留——因为质量评估标准、实验设计模式、LaTeX 样式包都放在里面。 - 具体的目录路径与安装命令，以官方说明为准。
第三步：确认权限与依赖
- 检查技能是否被授予 Read / Write / Edit / Bash 权限。缺少 Bash 权限时，脚本
scripts/generate_schematic.py无法执行，示意图生成环节会失败。 - 确认
assets/hypothesis_generation.sty样式包可用，它是彩色框混排（hypothesisbox1~5、predictionbox、comparisonbox、evidencebox、summarybox）的前提。
第四步：验证是否生效
- 给技能一个最小任务，例如：“请为一组观察到的小鼠昼夜节律紊乱现象生成 3 个竞争性假设，并给出可测试预测。”
- 若技能正常生效，应当返回：多假设对照的结构化内容 + 每个假设的质量评估（可测试性/可证伪性等）+ 实验设计要点 + 至少一张科学示意图。
- 同时确认
figures/目录下是否产生图片文件，这是判断出图链路是否打通的最快方式。
该技能的主要功能和特点
1. 竞争性假设生成，而非单一答案 技能要求针对同一现象产出 3-5 个可解释的不同假设，且每个假设必须提供机理解释（为什么、如何发生），而不只是现象描述。同时鼓励跨解释层级思考——分子、细胞、系统、群体等不同尺度都可以作为假设的立足点。
2. 内置假设质量评估框架
每个假设都要按六到七个维度打分并注明优劣：可测试性、可证伪性、简洁性、解释力、范围、一致性、新颖性。评估框架详见 references/hypothesis_quality_criteria.md。这一步能有效防止“听起来很有道理但根本没法验证”的假设混入报告。
3. 文献搜索与证据综合
针对生物医学主题，可通过 WebFetch 访问 PubMed 相关文献；面向所有科学领域，可用 WebSearch 检索近期论文、预印本与综述。搜索策略从宽泛概览逐步收敛到具体机制，并主动寻找矛盾发现与未解决的争论。详细技巧见 references/literature_search_strategies.md。
4. 实验设计与可测试预测 为每个可行假设设计具体实验：测量什么、需要什么对照、用什么方法、样本量与统计方法如何选、潜在混杂因素如何排除。并进一步产出具体、可量化的预测，明确“如果假设成立，应当观察到什么方向、多大幅度的效应”，以及“什么结果会证伪它”。
5. 强制配图：AI 科学示意图 技能中有一条硬性规定——每份假设生成报告必须包含至少 1-2 张 AI 生成的科学示意图，综合报告建议 2-3 张（机理路径图、实验设计流程图、预测决策树）。调用方式极简，一句话描述即可：
python scripts/generate_schematic.py "您的图表描述" -o figures/output.png
AI 会自动完成出版级排版、多轮自我审查与优化，并保证色盲友好与高对比度，输出统一落在 figures/ 目录。
6. 出版级 LaTeX 报告输出
基于 assets/hypothesis_report_template.tex 生成专业文档：主要文本控制在 4 页以内（执行摘要、竞争性假设、可测试预测、关键比较），其余细节全部下沉到四个附录（文献综述、实验协议、质量评估表、补充证据与类比系统）。彩色框配色方案固定，视觉层次清晰。格式化细节见 assets/FORMATTING_GUIDE.md。
7. 引用密度可控 主要文本保留 10-15 条最关键引用，附录 A 承载 40-70+ 条综合引用，全篇参考文献目标 50+ 条，兼顾篇幅限制与学术严谨。
8. 与排版写作技能联动 当假设驱动的研究要投向特定期刊或会议时，可衔接 venue-templates 技能，获取 Nature/Science、Cell Press、医学期刊、ML/CS 会议的写作风格与审稿人期待。
和普通 AI 对话比强在哪：普通对话你问“帮我提个假设”，得到的是零散灵感；本技能给你的是带证据、带竞争方案、带评估打分、带实验设计、带预测、带图、带参考文献的完整研究方案骨架。
如何使用该技能？
步骤 1：描述你需要解释的现象 不要只丢一句“帮我提假设”，要把观察讲清楚。输入示例：
“我们在 3 批独立样本中观察到：某类患者外周血中 X 细胞比例显著低于健康对照（p<0.01），但该细胞的体外增殖能力与对照组无差异。请解释这一现象。”
技能会先澄清现象的范围边界、已知与未知、所属科学领域。
步骤 2：触发文献搜索与证据综合 技能自动针对生物医学主题走 PubMed、其他领域走通用网络搜索，并汇总当前理解、既有机制、矛盾证据与空白点。你也可以直接指定范围，例如“重点看近 5 年综述与荟萃分析”。
步骤 3：获取竞争性假设 输出为 3-5 个并列假设，每个包含机理解释 + 2-3 条关键支持证据（带引用）+ 1-2 条核心假设。示例结构：
- 假设一（迁移再分布机制）：细胞并未减少，而是从外周血迁移至组织局部……
- 假设二（分化阻滞机制）：前体细胞分化受阻导致成熟亚群比例下降……
- 假设三（清除加速机制）：外周清除速率上调，增殖能力不变但存活期缩短……
步骤 4：查看质量评估 每个假设附评估表：可测试性高/中/低、可证伪条件、简洁性、解释力覆盖范围、与既有原则的一致性、相对现有解释的新颖性。
步骤 5：审阅实验设计与可测试预测 技能会给出对照设置、方法选择、样本量与统计方法建议、混杂因素清单；并输出“假设成立时应观察到什么”的定量化预测，明确指出哪些预测能区分不同假设。
步骤 6：生成科学示意图 按需追加一句描述即可出图，例如：
python scripts/generate_schematic.py "三种竞争性假设的机理路径对比图，包含外周血、组织、骨髓三个区室" -o figures/output.png
建议至少生成“竞争性解释框架图”和“实验设计流程图”两张。
步骤 7：导出并编译 LaTeX 报告 文档基于模板生成，编译顺序为：
xelatex hypothesis_report.tex
bibtex hypothesis_report
xelatex hypothesis_report.tex
xelatex hypothesis_report.tex
注意：必须使用 XeLaTeX 或 LuaLaTeX（模板依赖 fontspec），并确保 hypothesis_generation.sty 与主文件同目录或位于 LaTeX 搜索路径中。
步骤 8：检查版式溢出
LaTeX 的 tcolorbox 不会自动跨页断行，因此技能内置了分页策略：每个假设框前插入 ewpage、单个假设框控制在 0.6 页以内（约 15-20 行）、超长内容下沉到附录 A。若你自己改稿，务必遵循同样规则，否则容易出现不可读的溢出页面。
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 |
|---|---|---|---|---|---|
| hypothesis-generation（本技能） | 科研假设生成的流程化技能 | 竞争性假设生成、质量评估框架、实验设计、可测试预测、AI 示意图、LaTeX 报告 | 需支持技能机制的环境 + Read/Write/Edit/Bash 权限 + XeLaTeX 环境 | 课题立项、预研、基金本子前期论证、跨领域机制迁移 | 优势：流程完整、强制多假设对照、报告可直接交付；不足：依赖本地 LaTeX 与 Python 环境，首次配置有成本 |
| 通用大模型对话（直接提问） | 通用问答助手 | 自由对话、灵感发散 | 极低，打开即用 | 快速头脑风暴、初步想法打磨 | 优势：零门槛、灵活；不足：无固定流程、易只给单一解释、无质量评估、无引用体系、无出版级输出 |
| 文献管理 + 人工综述工具 | 文献检索与管理 | 文献收藏、标注、引文管理 | 中等 | 系统综述、参考文献整理 | 优势：文献管理扎实；不足：不产出假设、不做实验设计、不做竞争性解释对比，假设环节仍需人工完成 |
| 统计/实验设计辅助工具 | 方法与统计支持 | 样本量计算、统计检验选择 | 中等 | 实验执行阶段的统计规划 | 优势：统计严谨；不足：不理解科学问题本身，无法从现象反推机理假设，与假设生成环节割裂 |
选型建议：如果你只缺灵感，通用对话够用；如果你缺的是“从现象到可交付研究方案”的完整链条，本技能的价值主要在于把假设、评估、实验设计、预测、配图、成稿串成一条流水线。
该技能的典型应用场景与实际体验情况
场景一：研究生课题立项前的假设预研
- 角色与痛点：刚入学的研究生手上有一批导师给的初步数据，能描述现象，但说不出“为什么”，写开题报告时假设部分总是被批“太笼统、不可验证”。
- 使用方式：把初步数据与观察整理成一段文字输入，让技能生成 3-5 个竞争性假设，再挑 1-2 个做深化，用生成的实验设计作为开题答辩的讨论素材。
- 实际体验：上手难度低，主要成本在“把现象描述清楚”这一步。效果最明显的是质量评估表——它会直接告诉你某个假设“可证伪性弱”，逼你回去补条件。注意事项：文献引用需自行核对原文，不能直接照搬。
场景二：交叉学科团队的机制迁移
- 角色与痛点：材料学背景的团队要解释一个生物学现象，缺乏本领域的机制直觉。
- 使用方式：利用技能“从类比系统识别机制”的能力，让它跨领域检索相似现象，并输出不同解释尺度的假设（分子层面 vs 系统层面）。
- 实际体验：这类场景最能体现“竞争性假设”的价值，技能会给出你完全没想到的第三、第四条解释路径。注意事项：跨领域文献质量参差，需要用质量评估环节做二次筛选。
场景三：基金申请书与论文 Discussion 的论证支撑
- 角色与痛点：需要在申请书里写“为什么这个方向值得做”，但缺少对替代解释的正面回应，评审常质疑“你怎么排除另一种可能”。
- 使用方式：让技能专门产出“关键比较”框与预测决策树图，把不同假设在什么条件下会给出不同预测讲清楚——这正是评审最想看到的部分。
- 实际体验：LaTeX 彩色框排版的“关键比较”部分几乎可以直接改写进本子。注意事项：主要文本严格限制 4 页，细节必须下沉附录，改稿时别破坏分页策略。
场景四：研发团队的技术假设快速验证
- 角色与痛点：工程团队遇到性能异常，习惯性顺着第一个猜想往下调参，浪费数周。
- 使用方式：把异常现象当作“观察”输入，要求输出多个竞争性机理假设 + 每个假设对应的验证实验与预期结果方向。
- 实际体验：把“先想三个可能再动手”变成流程强制动作，显著减少单路径试错。注意事项：工程场景需在输入时明确约束条件（成本、时间、可测指标），否则假设容易脱离可执行范围。
该技能能为用户带来的价值
1. 把隐性经验变成显性流程，降低科研起步门槛 假设生成长期被视为“靠悟性”的环节。8 步工作流把悟性拆解成可执行动作，新人不需要多年训练也能走完一个规范的假设推导链条。
2. 用“竞争性”替代“单一”，从源头提升研究质量 强制产出 3-5 个假设并要求逐一评估可证伪性，直接对应科研评审中最常见的批评点。一个能被证伪的假设，比十个漂亮但无法检验的猜想更有价值。
3. 把“读文献—提假设—设计实验—写方案”四件事压缩成一次对话 文献搜索、证据综合、实验设计模式、预测制定在同一流程内完成，原本需要数天到数周的案头工作可压缩到一轮迭代内出初稿。当然，初稿仍需专家审阅。
4. 出版级交付物，减少格式返工 LaTeX 模板 + 固定彩色框体系 + 50+ 条引用的分层策略，让产出从“聊天记录”升级为“可直接进入评审流程的文档”，省去从文字到成稿的二次排版成本。
5. 强制可视化，提升沟通效率 每份报告必须配 1-2 张科学示意图，且脚本自动保证出版质量与色盲友好。对组会汇报、跨团队沟通、答辩演示都是直接可用的素材。
6. 长期价值：形成可复用的研究资产 每份报告的主要文本 + 四个附录，本身就是一个小型知识库：文献综述可复用、实验协议可复用、质量评估表可作为团队内部的假设评审标准。
常见问题 FAQ
Q1：这个技能怎么安装？装完怎么确认能用？
在技能市场或技能库中搜索「科学假设生成」或 hypothesis-generation（技能ID 13038）下载安装，确保技能目录完整保留 references/ 与 assets/ 子目录，并授予 Read / Write / Edit / Bash 权限。验证方法：让它生成 3 个竞争性假设，若返回带质量评估的多假设结构且 figures/ 目录出现图片文件，即说明生效。具体路径与命令以官方说明为准。
Q2：这个技能收费吗？ 技能本身的功能、流程与资源文件均以技能详情为准，是否收费、是否有调用次数限制取决于所在平台的策略，以官方说明为准。需要注意的是，它依赖的本地环境（LaTeX 发行版、Python）属于你自己的运行环境成本。
Q3：适合谁用？非生物医学背景能用吗？ 适合研究生、博后、课题负责人、交叉学科研究者，以及需要做技术假设预研的研发团队。技能明确支持跨科学领域：生物医学主题走 PubMed 检索，其他领域走通用科学搜索，并鼓励从类比系统迁移机制，因此材料、化学、工程、计算方向同样适用。
Q4：生成的假设和引用可以直接写进论文吗？ 不可以直接使用。技能的质量标准要求“基于证据、带引用”，但所有引用与结论都应由研究者本人回溯原文核实。它的定位是加速假设推导与方案设计，而不是替代学术判断。建议把输出当作“待审阅的研究草案”。
Q5：和直接用 ChatGPT / Claude 提假设相比，优势在哪？ 差别在于流程约束与交付形态：本技能强制多假设对照、强制质量评估打分、强制实验设计与可证伪预测、强制配图、强制分层引用并输出出版级 LaTeX 文档。通用对话更灵活但缺乏这些约束，容易停留在“一个听起来不错的解释”。如果只是闲聊式头脑风暴，通用对话足够；如果要交给导师或评审，本技能的输出结构更接近可交付物。
Q6：LaTeX 编译报错怎么办？
先确认两点：一是必须用 XeLaTeX 或 LuaLaTeX（模板依赖 fontspec，pdfLaTeX 会失败）；二是 hypothesis_generation.sty 必须在主文件同目录或 LaTeX 搜索路径中。此外 tcolorbox 不支持跨页断行，若某个假设框内容超过约 0.7 页，按技能建议在该框前加 ewpage 并把细节移入附录。更多排错提示可查阅 assets/FORMATTING_GUIDE.md。