很多人在用 Claude Code 或 Codex 时，都有一个共同的问题：
它们很聪明，但不够"专业"。
写论文时容易出现学术表达不规范；做 PPT 时排版像普通演示文稿；写 MATLAB、Python 又缺少科研场景的经验；更麻烦的是，同一个项目往往需要来回切换多个提示词。
最近发现一个比较有意思的开源项目——codex-claude-academic-skills。
它没有重新做一个 AI，而是把科研过程中最常见的三个任务，分别封装成三个 Skill，让 Claude Code 和 Codex 都能直接调用。
如果说以前需要自己不断写 Prompt，现在更像是给 AI 配了一位"科研导师"。
整个仓库只有三个 Skill，但基本覆盖了一篇论文从开始到结束的大部分流程。
分别是：
research-writing-skill：论文写作
office-academic-skill：Word、PPT 等学术文档
scientific-toolkit-skill：科研计算与数据分析
作者并没有把它们设计成三个独立工具，而是可以串联使用。
例如一个比较典型的论文流程：
数据分析 → 绘图 → 写论文 → 制作答辩 PPT对应就是：
scientific-toolkit-skill ↓ research-writing-skill ↓ office-academic-skill整个工作流能够保持上下文连续，不需要每一步重新解释研究内容。
对于经常写论文的人来说，这一点反而比单独某个功能更实用。
现在很多 AI 都能写论文。
真正麻烦的是，它们往往写得"像论文"，却不符合论文。
例如：
逻辑层级混乱
引言没有铺垫
方法写得像说明书
Discussion 变成总结
喜欢堆"显著、先进、高效"这些空话
research-writing-skill 比较特别的一点，是它内置了不少论文写作规范。
例如：
更重要的是，它有几个原则值得点赞。
例如不会默认编造：
同时，它会主动区分：
哪些内容来自原始数据
哪些已经得到用户确认
哪些只是推断
哪些属于建议
这一点对于科研写作非常重要。
毕竟论文不是营销文案，真实性比流畅更重要。
另外，它还支持：
摘要
引言
方法
实验
Discussion
Conclusion
学位论文
Overleaf/LaTeX
Rebuttal（回复审稿意见）
基本覆盖了论文写作的大部分需求。
这是我觉得最容易被忽略、但实际上非常有价值的一部分。
很多 AI 都能生成 PPT。
但科研 PPT 和普通商业 PPT 完全不是一回事。
比如：组会汇报、文献阅读、开题、中期、毕业答辩……这些都有各自的表达方式。
office-academic-skill 并不是简单生成几页幻灯片，而是把很多学术演示规范固化进去了。
例如：
这些细节，其实比动画和配色更重要。
除此之外，它还能：
PDF 转 Word 阅读报告
自动生成文献阅读笔记
输出可编辑 DOCX
生成组会 PPT
开题答辩 PPT
中期答辩 PPT
毕业答辩 PPT
仓库里甚至包含了 PPT 模板克隆、文字溢出检查、幻灯片导出等脚本。
可以看出作者确实长期在做学术汇报。
Skill ③：科研计算工具箱，比普通代码助手更懂科研第三个 Skill 更偏科研计算。
它并不是一个代码生成器，而是一套科研计算工作流。
MATLAB 部分支持：
作者特别强调：保留原始代码结构，只整理参数和增加物理意义注释。
这一点很符合科研代码维护习惯。
Python 部分集成的库也比较全面。
包括：
NumPy
SciPy
pandas
matplotlib
scikit-learn
statsmodels
SymPy
NetworkX
pymoo
QuTiP
Astropy
pymatgen
TimesFM
覆盖数据分析、统计建模、机器学习、多目标优化、量子计算、材料科学、时间序列等多个方向。
另外，它还整合了不少文献工具。
例如：
CrossRef
Semantic Scholar
OpenAlex
PubMed
arXiv
可以完成：
DOI 查询
BibTeX 获取
文献元数据提取
引用验证
对于论文写作来说，这些功能非常实用。
相比很多"万能 Prompt"，我更喜欢这个项目的一点，是它考虑的是科研流程，而不是单个任务。
例如阅读一篇论文：
PDF ↓ 生成阅读报告 ↓ 自动整理 Word ↓ 制作组会 PPT再比如完成一项实验：
MATLAB/Python 仿真 ↓ 生成论文级图片 ↓ 写实验章节 ↓ 完成论文正文 ↓ 制作答辩 PPT整个流程都能保持同一套上下文。
不用每一步重新解释自己的研究背景。
作者还有一个设计比较值得注意。
整个项目默认采用中文。
但下面这些内容保持英文：
这种处理方式比全部翻译或者全部英文更符合国内科研写作习惯。
另外还有几条规范我觉得值得很多 AI 项目学习：
不编造数据
不虚构实验结果
不虚构 DOI
不虚构作者
所有定量信息尽量标注来源
这些看起来不起眼，但实际上直接决定了一篇论文能不能放心使用 AI 辅助。
三个 Skill 的目录结构保持一致。
无论使用 Claude Code 还是 Codex，都可以直接安装到对应的 Skills 目录中。
也支持项目级加载，不会影响其他项目。
对于已经在使用 Claude Code 或 Codex 的用户来说，几乎没有额外学习成本。
AI 能不能真正帮助科研，从来不取决于模型本身，而取决于有没有把科研经验沉淀进去。
这个项目没有追求"功能越多越好"，而是围绕科研人员最常见的三项工作——论文写作、学术文档、科研计算——做了针对性的设计，并且能够串联成完整工作流。
如果你平时已经在用 Claude Code 或 Codex 做科研，不妨试试这套 Skills。相比一次次重写 Prompt，它更像是给 AI 配上了一套符合科研规范的工作方法，能让整个研究流程更加顺畅，也更少踩坑。
codex-claude-academic-skills · 给AI配一位科研导师
