这两年我用 Codex 和 Claude Code 处理科研里的杂活算是比较重的从最开始的“让它写一段正则帮我清洗数据”到后来发现真正值钱的不是单次对话而是把整个科研流程拆成一组可复用的 Skill。折腾了三个月我最终沉淀出 13 个 Skill 组成的学术技能包基本覆盖了从选题、文献调研、实验设计、数据统计、论文写作到审稿返修的全链路。这篇文章就把这套技能包的目录结构、每个 Skill 的定位、触发机制和配置细节完整放出来同时也记录我踩过的坑尤其是那些“看起来能用但实际触发不了”“上下文被 Skill 撑爆”的真实问题。1. 科研流程里的“隐形重复劳动”才是 Skill 最大的用武之地1.1 为什么常规 Prompt 不够用很多人第一次接触 Codex 或 Claude Code 时第一反应是“这不就是个更聪明的对话窗口吗”。我早期也这样遇到任务就现场写一大段 Prompt让模型去查资料、写代码、做分析。用了一两个月后我意识到一个尴尬的事实每一次高质量输出其实都在重复走一套没有写下来的流程。举个例子。我让 Claude Code 帮我找“跟金属有机框架吸附CO₂相关的最新论文”如果只是随手提问它通常会给一个泛泛的答案甚至参考文献里有不存在的条目。但如果我把流程说清楚——先去 Semantic Scholar API 检索、按影响因子和年份过滤、读取摘要后按“材料体系、吸附量、实验条件、机理”四个维度做结构化笔记、最后输出一张对比表——那么结果质量会稳定得多。问题的关键在于这些流程不是一次性的而是每两周就要用一次。如果每次都用 Prompt 临时拼不仅浪费上下文窗口而且不同次对话之间标准不一致输出格式经常变。Skill 的价值就在这里把流程固化下来让模型在正确时机自动加载并使用。1.2 Skill 解决的是“稳定的流程”不是“聪明的回答”Skill 本质上是一个带有特殊结构的 Markdown 文件里面写了某类任务的完整执行规范。它跟普通 Prompt 最大的区别在于两点一是可复用一份文件可以在所有项目里反复加载二是可匹配模型可以根据当前用户请求自动判断该调用哪个 Skill而不是靠你手动复制粘贴。这对我这种带多个课题的人来说特别重要。一个课题做材料吸附一个课题做模拟计算还有一个课题做统计分析。它们的底层任务其实是共通的整理文献、做方案、处理数据、写论文。把这层公共流程抽成 Skill放到一个统一的 skills 目录里哪个课题需要就去调用剩下的只有传入具体参数而已。1.3 我的技能包构成我最终确定的 13 个 Skill 分别是编号Skill 名称定位1topic-map课题地图与空白点识别2literature-sift文献粗筛与批量摘要3paper-deepread单篇论文精读与结构化笔记4experiment-design实验方案设计与对照逻辑检查5>