RW Research Skill:24小时启动科研项目的全流程工具 ✍ Roland.W🕐 2026-07-19📦 9.0 KB 🟢 已读 𝕏 文章列表 RW Research Skill 是一套包含18个独立AI技能的科研工具,通过路由器智能判断科研阶段,协助完成从研究问题界定、文献检索、数据分析到论文投稿的全流程。它能帮助研究者在24小时内启动并跑通第一个科研项目,解决科研流程中的顺序与效率问题。 科研工具AgentLLM工作流效率文献综述数据分析 # 科研人必装的 skill,帮你搞定科研全流程! **作者**: Roland.W **日期**: 2026-07-18T14:20:45.000Z **来源**: [https://x.com/rwayne/status/2078485129836757273](https://x.com/rwayne/status/2078485129836757273) ---  24小时开始你的第一个科研项目并且跑通。 研究问题、材料、记录和下一步,会在第一轮工作里逐项落下来。 我自己已经用它跑过一个综述。 25 分钟后,研究问题、检索式、纳排标准、文献表框架和证据图框架已经有了。接下来,人继续做实际检索和交叉筛选。  这个工具叫 RW Research Skill。 它把科研工作拆成 18 个独立 Skills。你把研究想法、论文、数据、研究方案、章节草稿或审稿意见交给它,rw-research-router 会判断当前阶段,再选择一个主 Skill 处理这一步。 当前步骤完成后,再调用一次路由器。它会根据新产物选择下一步。 科研项目就这样往前走。 ## 科研人需要的,是知道下一步做什么 科研工具已经很多了。 检索工具可以找论文,AI 可以总结论文,写作工具可以生成文字,统计软件可以处理数据。 真正让项目停下来的问题,往往是顺序。 一个研究想法刚出现,应该先界定研究问题,还是先查文献? 已经找到一批论文,应该提取字段,整理证据关系,还是开始找创新点? 研究设计已经写好,应该检查样本、测量和分析计划,还是先看偏倚和替代解释? 论文已经有初稿,应该处理学术语气、核验来源,还是检查统计结果? RW Research Skill 负责判断当前阶段。 它每次选择一个主 Skill。研究问题形成后,可以进入文献发现。论文完成字段提取后,可以进入证据整理。证据关系清楚后,可以继续找研究空白、设计研究或开始写作。 每一步都有输入,也有可以保存的产物。 你可以把什么交给它 你可以直接提交手上的材料。 只有一个研究兴趣,它可以帮你界定研究对象、构念、边界和证伪条件,形成研究问题。 有一组文献,它可以设计检索、核验来源、提取字段,并整理文献之间的证据关系。 发现论文结果互相冲突,它可以区分证据不足、研究设计差异和真正的结果冲突,再生成候选研究方向。 准备做系统综述或范围综述,它可以整理研究问题、检索式、纳排标准、提取表和证据综合流程。 已经有研究问题,它可以继续形成研究设计、样本、测量和分析计划。 拿到数据、代码、协议或补充材料链接,它可以检查研究对象、版本、标识符、访问路径、限制和数据声明。 拿到一篇带统计结果的文稿,它可以核对分析单位、重复层级、统计方法、样本量、效应估计、p 值和图表数字。 已经有论文草稿,它可以组织证据、解释和研究问题之间的连接,检查每个事实主张是否得到来源支持。 收到审稿意见,它可以拆分修改任务,记录每条意见的状态、修改位置和回复内容。 准备投稿,它可以核验期刊要求,整理投稿文件和审稿回复。 项目需要跨对话继续,它可以保存材料、当前判断、未知事项、阶段和下一步。 当前公开包包含: 18 个科研 Skills。 440 条结构化知识原子。 140 条运行公理。 103 个案例和反例。 107 个行为测试。 18 个独立运行自检脚本。 每个 Skill 都带有适用方法、来源入口、停止条件、案例、反例、工作表和自检。 v0.7.0 新增了两个科研环节。 rw-research-data 用来检查研究数据、代码、协议和补充材料。它会整理对象、版本、访问路径、限制和数据声明。 rw-statistics-audit 用来检查分析单位、技术重复、生物重复、统计方法和报告数字。正文、表格、图注和补充材料可以放在一起核对。 文献发现也增加了文献可取得层级、版本关系和失败来源记录。 投稿流程增加了审稿意见编号、状态和修改位置记录。 18 个科研 Skills,可以做什么 1. rw-research-router 判断研究项目现在处于哪个阶段,选择下一步使用的主 Skill。 2. rw-research-question 把研究兴趣变成边界清楚、可以检索、可以证伪的研究问题。 3. rw-literature-discovery 围绕一个研究问题或判断设计检索,发现文献并核验来源。 4. rw-paper-extractor 从论文和补充材料中提取研究设计、样本、测量、分析和结果。 5. rw-evidence-map 整理研究之间的支持、冲突、偏倚和证据空白。 6. rw-research-novelty 从证据冲突和空白中生成候选创新点,再检查贡献、可行性和证伪条件。 7. rw-review-methods 设计系统综述、范围综述和证据综合流程。 8. rw-research-design 把研究问题转成研究设计、样本、测量和分析计划。 9. rw-research-data 审查数据、代码、协议和补充材料的版本、访问路径与声明。 10. rw-statistics-audit 审查分析单位、重复层级、统计方法、样本量和报告数字。 11. rw-research-referee 在研究执行或投稿前检查偏倚、替代解释和结论边界。 12. rw-research-passport 保存单个研究项目的材料、判断、未知事项、阶段和交接记录。 13. rw-claim-audit 逐条检查论文中的事实主张与指定来源原文之间的关系。 14. rw-revision-patch 修改已经确认的 Markdown 段落,并记录修改位置和保留内容。 15. rw-phd-write 判断当前科研文本承担什么写作功能,组织证据、解释和研究问题之间的连接。 16. rw-phd-tone 提取作者原有的学术语气,让后续修改保持同一套表达习惯。 17. rw-journal-submission 核验目标期刊要求,准备投稿文件、审稿回复和修改记录。 18. rw-research-lab-router 根据任务、数据和运行环境选择科研工具。  ## 24 小时怎样开始第一个科研项目 安装后,在 Codex 中输入: ``` $rw-research-router 新手入门 ``` 路由器会先确认两件事: - 你现在手里有什么。 - 这次想得到什么结果。 你可以从一句研究兴趣开始:我想研究……,请帮我开始第一个科研项目。 也可以直接提交材料: 我有一批论文,需要判断应该先提取什么。 这些论文的结果互相冲突,我想找可以继续验证的方向。 这是我的研究设计,请帮我检查样本、测量、分析和替代解释。 这是我的数据、代码和补充材料链接,请帮我检查版本、访问路径和数据声明。 这是论文中的统计结果,请帮我核对分析单位、重复层级、统计方法和报告数字。 这是论文草稿和对应来源,请帮我检查每个主张是否得到原文支持。 第一步完成后,再调用 rw-research-router。 它会读取刚得到的结果,选择下一步使用的 Skill。项目中的研究问题、材料状态、当前判断、未知事项和下一步,可以继续写入 rw-research-passport。  一天结束时,你手里会有一个已经启动的研究项目,以及一组可以继续处理的文件。 ## 怎么安装 Codex、Claude Code 和其他支持 Agent Skills 的 Agent,可以安装全部 18 个 Skills: ``` npx -y skills add rolandwonglonam/rw-research-skill -g --all ``` 如果想先从研究入口开始: ``` npx -y skills add rolandwonglonam/rw-research-skill -g --skill rw-research-router ``` 想先查看仓库中可以安装的 Skills: ``` npx -y skills add rolandwonglonam/rw-research-skill --list ``` 检查已安装 Skills 是否有新版本: ``` npx -y skills check ``` 更新已经安装的 Skills: ``` npx -y skills update ``` 安装后新建一个对话,输入: ``` $rw-research-router 新手入门 ``` 在其他支持 Agent Skills 的 Agent 中,可以直接说: ``` 请用 rw-research-router 带我新手入门。 ``` 如果你手上已经有研究想法、论文、数据、研究方案、章节草稿或审稿意见,可以直接把材料交给它。 从当前这一步开始。 24小时开始你的第一个科研项目并且跑通。 ## 相关链接 - [Roland.W](https://x.com/rwayne) - [@rwayne](https://x.com/rwayne) - [33K](https://x.com/rwayne/status/2078485129836757273/analytics) - [RW Research Skill](https://github.com/rolandwonglonam/rw-research-skill) - [Upgrade to Premium](https://x.com/i/premium_sign_up) - [10:20 PM · Jul 18, 2026](https://x.com/rwayne/status/2078485129836757273) - [33.7K Views](https://x.com/rwayne/status/2078485129836757273/analytics) - [View quotes](https://x.com/rwayne/status/2078485129836757273/quotes) --- *导出时间: 2026/7/19 16:00:44*
使 使用 Hermes 一个月后的反思:它是 Operator 而非 Builder 作者分享了使用 Hermes 一个月的经验,纠正了对其用途的误解。Hermes 擅长作为 Operator 进行周期性的数据分析和报告,但在构建 UI 界面方面不如 Claude。最佳实践是利用 Claude 构建 Dashboard,由 Hermes 负责持续的数据监控与分析,作者通过 PolyBond 和 Bangkok This Weekend 两个项目验证了这一工作流。 技术 › Hermes ✍ 0xJeff🕐 2026-04-27 HermesClaudeAI工作流AgentDashboard自动化数据分析LLMOpencode实战经验
C ChatGPT Agent Loop 优化技术解析 本文深入解析了 ChatGPT 如何通过 Harness、API 和 Inference 三层架构优化 Agent 循环,重点介绍了持久化 WebSocket、增量 Token 化、KV 缓存管理和推测解码等技术,以降低成本并提升效率。 技术 › Harness Engineering ✍ Bytebytego🕐 2026-07-30 Agent优化LLM架构ChatGPTOpenAI性能成本控制WebSocketTokenization
B BestBlogs 早报|实现周期骤缩后,创业者如何重选问题 本期早报探讨了 AI 智能体缩短实现周期后,创业者的机遇与挑战。文章涵盖 Sam Altman 对创业窗口的判断、GPT-5.6 的效率工程实践,以及如何通过 Skill Harness 将模型能力封装为可维护的产品功能。 技术 › Skill ✍ ginobefun🕐 2026-07-30 GPT-5.6Agent创业效率工程ProductHarnessSkillLLMOpenAI
C Claude Opus 5 提示工程大师课 文章详细解读了 Anthropic 发布的 Claude Opus 5 模型及其官方提示指南。核心内容包括“Effort(努力)”设置的使用、从“怎么做”转向“为什么”的提示策略、删除验证指令以降低成本、以及如何控制响应长度和 Agent 叙述行为,旨在帮助用户最大化发挥模型效能。 技术 › LLM ✍ Rahul🕐 2026-07-28 Claude Opus 5提示工程AI技巧AgentLLMAnthropic最佳实践
R Run Your Harness Outside of the Sandbox (Why and How) 本文探讨了2026年以来关于Agent运行位置的争论,指出行业趋势是将Agent运行在沙箱之外。作者详细解释了沙箱内运行的三个主要问题:爆炸半径、信任边界和沙箱的间歇性运行,并提出了将沙箱作为工具暴露的正确架构,最后提供了基于Vercel AI SDK的实现示例和生产环境中的挑战。 技术 › Agent ✍ Nathan Flurry🕐 2026-07-28 Agent沙箱架构设计DevOps后端LLM安全性生产环境Vercel AI SDK状态管理
实 实战踩坑:便宜模型执行、贵模型编排?没这么简单! 文章通过三个真实案例,验证了“贵模型编排、便宜模型执行”这一省钱策略。作者发现,虽然便宜模型在文本判定等任务上能打平顶尖模型,但在高复杂度代码和开放式视觉任务上存在局限。关键在于控制模型能力代差和任务可验证性,否则返工成本将抵消节省的 token 费用。 技术 › Agent ✍ WquGuru🕐 2026-07-28 LLMAgent模型编排成本优化Claude Code多模型协作工程实践
本 本周顶级 AI 论文精选 文章精选了本周 6 篇顶级 AI 论文,涵盖 Harness Handbook、MSCE 记忆技能框架、PRO-LONG 长程记忆机制、Anthropic 全局工作空间解释性研究、Meta 的 GAMUT 完整性基准测试以及渐进式披露模式。 技术 › LLM ✍ DAIR.AI🕐 2026-07-27 AI论文AgentMemoryInterpretabilityAnthropicMetaLLMResearch
浪 浪费20亿Token之后,我做了一个帮自己定义目标的Skill 作者分享了一个名为Leader.skill的开源工具,旨在解决Agent交互中目标定义模糊的问题。该工具基于“目标七问”方法论,将模糊需求转化为清晰的目标任务书,支持多模型组合(如Claude规划、GPT执行),显著提升长程任务的完成率与Token利用率。 技术 › Skill ✍ 数字生命卡兹克🕐 2026-07-27 AgentGoal Engineering目标定义自动化开源LLM效率工具方法论ClaudeGPT
G Graph Engineering:从 0 到 1 小白完整教程 文章介绍了 Graph Engineering,一种通过流程图协调多个 AI 协作完成复杂任务的方法。它将复杂任务拆解为节点、边和状态,解决了单 Loop 应对复杂任务时的局限性。文章详细解析了 Graph 的核心概念、与 Loop 的关系、四个核心模块及具体实践模板,并提供了新手学习路径。 技术 › Agent ✍ Adrian Punk🕐 2026-07-27 Graph EngineeringAgentLLMAI 协作工作流Loop Engineering教程节点设计状态管理AI 架构
如 如何利用AI构建和扩展单人企业 文章介绍了利用AI构建和扩展单人企业的完整蓝图。通过使用AI员工(如Viktor)在内容、项目、拓展、财务和广告五个领域实现自动化,只需保留决策环节。文章探讨了两种构建方式:快速路径和自定义构建,强调业务知识库和操作规则的重要性。 技术 › Agent ✍ Machina🕐 2026-07-26 AI单人企业自动化Agent生产力Viktor商业模式知识库LLM效率
管 管理 AI 员工团队:Ryan Carson 的高效工作系统 Ryan Carson 分享了如何作为唯一员工,通过管理云端 AI Agent 团队日处理 40 个 Pull Request 的经验。文章详细介绍了将工作迁移至云端、建立工作节奏、将重复检查自动化以及控制 Token 成本四个关键步骤,强调在 AI 时代,优秀的工程管理能力比以往任何时候都重要。 技术 › Agent ✍ The Startup Ideas Podcast (SIP)🕐 2026-07-25 AIAgentDevin工程管理自动化云端开发成本控制DevOpsLLM
我 我用 WorkBuddy 跑了 3 个活儿,发现它不是助手,是数字员工 文章通过三个真实任务评测了 WorkBuddy 的实际应用:视频 Skill 管理工具开发、电商数据清洗分析及竞品监控自动化流程。作者指出 WorkBuddy 不仅是聊天工具,更是集专家判断、专业 Skill 和自动化执行于一体的 AI 工作台,能有效提升处理固定流程任务的效率。 技术 › 工具与效率 ✍ 行者AI视频🕐 2026-07-24 WorkBuddyAI自动化数据分析实战评测效率提升Agent专家模式技能管理竞品监控