Supervisor-Skills：把科研导师经验做成 AI Skills

项目地址：HKUSTDial/Supervisor-Skills

Supervisor-Skills 是一套面向科研写作和论文投稿的 AI Skills。它把“导师怎么判断一个 idea 值不值得做”“论文故事线怎么搭”“Introduction 怎么展开”“投稿前怎么自查”这些经验，整理成可以被 Codex、Claude Code、Cursor 等 AI Agent 调用的结构化技能。

作者是谁

这个项目来自 HKUSTDial，也就是香港科技大学（广州）Data Intelligence and Analytics Lab。

仓库 README 里介绍，项目发起人是 骆昱宇 Yuyu Luo，香港科技大学（广州）助理教授。项目把团队在数据科学和人工智能顶级会议中的发表、审稿和指导经验，整理成“科研副导师”式的 AI 技能。

仓库也感谢了吴垠、李伯岩、谢宇鹏等贡献者协助整理内容和提供建议。我的理解是：这不是一个单纯的 prompt 合集，而是一套“科研方法论 + 可执行技能”的开放知识库。

这个 skill 是做什么的

Supervisor-Skills 的结构是双轨制：

1. handbook/：科研与写作方法论，适合系统阅读。
2. plugins/phd-research/skills/：可被 AI Agent 调用的 Skills，适合直接执行。

核心技能覆盖一篇科研论文从 idea 到投稿前检查的多个环节：

Skill	适合解决的问题
idea-evaluator	在投入大量时间前，评估一个 research idea 是否值得做。
tech-paper-template	把技术类论文的背景、局限、方法模块、贡献和实验逻辑串起来。
intro-drafter	根据六段式思路生成 Introduction 大纲。
benchmark-paper-template	为 Benchmark / Evaluation 类论文梳理 gap、构建流程、评估维度和实验结构。
figure-designer	设计论文里的动机图、方法总览图和实验结果图。
drawio-reconstruction	把参考图、论文图、架构图或截图重建成可编辑的 Draw.io 文件。
pre-submission-reviewer	投稿前从审稿人视角做最终检查，指出逻辑、写作、图表和 LaTeX 问题。
vibe-research-workflow	给 AI 辅助科研过程提供工具选择和人机分工建议。

一句话概括：

想 idea 时用 idea-evaluator。
搭论文骨架时用 tech-paper-template 或 benchmark-paper-template。
写 Introduction 时用 intro-drafter。
画图时用 figure-designer 或 drawio-reconstruction。
投稿前用 pre-submission-reviewer。
不确定怎么让 AI 参与科研流程时，用 vibe-research-workflow。

适合谁用

我觉得它最适合这几类人：

1. 研究生刚开始做课题，不确定 idea 是否有发表潜力。
2. 已经有一个方法，但论文故事线还没讲顺。
3. 写 Introduction 时总觉得背景、gap、挑战和贡献接不上。
4. 需要在投稿前做一次“冷眼审稿人”式自查。
5. 想把 AI 用在科研流程里，但不想让 AI 代替自己的学术判断。

不太适合的场景也要说清楚：如果你只是想要一个通用聊天助手，或者只做一次性问答，这套技能会显得偏重。它真正有价值的地方，是把科研任务拆成可复查的步骤，让 AI 按检查单协助你思考。

安装方式

用 Codex 等 AI 工具自动化安装

最简单的方式，是直接把仓库 README 给出的 Quick Start 发给 Codex、Claude Code、Cursor 这类支持本地文件操作的 Agent：

Help me install Supervisor-Skills from https://github.com/HKUSTDial/Supervisor-Skills with Skills.

我更建议稍微加一点安全要求，让 Agent 先读再装：

请帮我安全安装 Supervisor-Skills：

Repo: https://github.com/HKUSTDial/Supervisor-Skills

要求：
1. 先读取 README、LICENSE、plugins/phd-research/skills/README.md 和每个 skill 的 SKILL.md。
2. 说明这个项目会安装哪些 skills，以及每个 skill 的用途。
3. 确认安装目标目录；优先安装到当前用户的 Codex skills 目录。
4. 只复制 plugins/phd-research/skills/ 下真正的 skill 目录，不复制 .git、缓存、临时文件或无关资料。
5. 安装后告诉我如何用 /skills 检查，以及如何用 $skill-name 调用。

这种方式适合不想手动找目录的人。Codex 官方手册里说，Codex 可以从用户目录、仓库目录、系统目录等位置发现 skills；让 Agent 自动判断路径，通常比自己猜更省事。

自己手动安装

如果你想手动安装，在 Codex 里常用的用户级 skills 目录是：

$HOME/.agents/skills

在 Windows PowerShell 里，可以这样做：

git clone https://github.com/HKUSTDial/Supervisor-Skills.git
New-Item -ItemType Directory -Force "$HOME\.agents\skills"
Copy-Item -Recurse ".\Supervisor-Skills\plugins\phd-research\skills\idea-evaluator" "$HOME\.agents\skills\"
Copy-Item -Recurse ".\Supervisor-Skills\plugins\phd-research\skills\tech-paper-template" "$HOME\.agents\skills\"
Copy-Item -Recurse ".\Supervisor-Skills\plugins\phd-research\skills\intro-drafter" "$HOME\.agents\skills\"
Copy-Item -Recurse ".\Supervisor-Skills\plugins\phd-research\skills\benchmark-paper-template" "$HOME\.agents\skills\"
Copy-Item -Recurse ".\Supervisor-Skills\plugins\phd-research\skills\figure-designer" "$HOME\.agents\skills\"
Copy-Item -Recurse ".\Supervisor-Skills\plugins\phd-research\skills\drawio-reconstruction" "$HOME\.agents\skills\"
Copy-Item -Recurse ".\Supervisor-Skills\plugins\phd-research\skills\pre-submission-reviewer" "$HOME\.agents\skills\"
Copy-Item -Recurse ".\Supervisor-Skills\plugins\phd-research\skills\vibe-research-workflow" "$HOME\.agents\skills\"

安装后重启 Codex，或者开一个新会话。然后输入：

/skills

如果安装成功，应该能看到这些技能名。Codex 的技能本质上是一个包含 SKILL.md 的文件夹，SKILL.md 里必须有 name 和 description，Codex 会先根据这些描述判断是否需要加载完整说明。

调用方式

Codex 使用 Skills 有两种方式：

1. 显式调用：在提示词里写 $skill-name，例如 $idea-evaluator。
2. 隐式调用：直接描述任务，让 Codex 根据 skill 的 description 自动判断。

我更推荐显式调用，因为科研任务通常比较复杂，明确点名不容易选错。

查看已安装技能

/skills

评估一个科研 idea

$idea-evaluator

我的研究方向：可信可解释的胸部 X 光医学报告生成。

我的 idea：用最优传输对齐历史胸片和当前胸片的图像区域，得到病灶变化证据，再用这些证据约束报告生成模型，减少幻觉并增强纵向变化解释。

我的资源：普通研究生，算力有限，希望先做可复现的小规模实验。

请帮我判断：
1. 这个 idea 值不值得做；
2. 创新点在哪里；
3. 可能被审稿人攻击的地方；
4. 最小可行实验怎么设计；
5. 是否适合硕士阶段完成。

把 idea 整理成论文骨架

$tech-paper-template

请帮我把下面这个 idea 整理成一篇技术类论文的完整逻辑框架：

研究方向：纵向胸片报告生成。
核心问题：现有模型容易忽略历史影像和当前影像之间的变化，导致报告中的变化描述不准确。
核心方法：用最优传输建立历史图像区域和当前图像区域的软对齐，再把对齐结果作为变化证据输入报告生成模型。
目标贡献：可解释性、纵向变化建模、减少幻觉。

请输出：
Background、Limitations、Key Idea、Challenges、Method Modules、Contributions、Experiments。

写 Introduction 大纲

$intro-drafter

请根据下面信息设计一篇论文 Introduction 的六段式大纲：

研究背景：胸部 X 光报告生成正在从单图报告生成走向纵向变化建模。
现有问题：很多方法只生成当前报告，缺少历史-当前病灶变化证据。
核心想法：用最优传输对齐历史图像区域和当前图像区域，再把变化证据注入报告生成。
方法模块：区域表征、跨时相软对齐、变化证据建模、报告生成约束。
实验目标：减少 hallucination，提高变化描述准确率，并提供可视化解释。

请输出每一段的功能、关键论点、需要补充的证据和潜在风险。

设计论文图

$figure-designer

我想为一篇纵向医学报告生成论文设计 Figure 1 motivated example。

图需要表达：
1. 只看当前胸片容易漏掉历史变化；
2. 历史-当前区域对齐可以提供变化证据；
3. 这些证据能帮助生成更准确的报告。

请给出图的版式、每个 panel 的内容、配色建议、标题文字和常见错误。

把参考图重建成 Draw.io

$drawio-reconstruction

请把我提供的架构图截图重建成可编辑的 .drawio 文件，并导出 PNG 预览。

要求：
1. 文字和主要结构尽量用 Draw.io 原生元素；
2. 复杂图标可以用裁剪图片保真；
3. 最后给出视觉差异审计，说明哪些地方和原图不完全一致。

投稿前审稿式检查

$pre-submission-reviewer

请从顶会审稿人视角检查这篇论文草稿。

重点关注：
1. Introduction 的逻辑链是否完整；
2. 方法模块是否真正回应挑战；
3. 实验是否支撑贡献；
4. 图表是否清楚；
5. 哪些问题必须在 72 小时内优先修。

请按 CRITICAL / MAJOR / MINOR 分级输出。

做 Benchmark 论文

$benchmark-paper-template

我想做一个 Benchmark / Evaluation 类论文。

主题：评估多模态医学报告生成模型在纵向变化描述上的可靠性。
当前阶段：还在定义 evaluation dimensions。

请帮我梳理：
Research Gap、Construction Pipeline、Evaluation Framework、Empirical Findings、可能的 Companion Method，以及接下来最小可行的数据构建计划。

不确定怎么让 AI 参与科研

$vibe-research-workflow

我正在做一个科研项目，想用 AI 辅助代码、画图和写作，但不希望 AI 代替我的学术判断。

请帮我制定一个人机分工方案：
1. 哪些任务适合交给 AI；
2. 哪些判断必须由我自己做；
3. 每一步需要怎样验证 AI 的输出；
4. 推荐使用哪些工具。

输出太专业时怎么追问

Supervisor-Skills 的输出有时会很像导师批注、审稿意见或论文方法论表格。这个优点是专业，缺点是刚入门的研究生可能看不懂：比如 idea-evaluator 可能直接给出 fatal flaw、paradigm shift、capability matching、reviewer attack 之类的判断，但你真正需要的是“我下一步到底该干什么”。

我的建议是：第一轮先让 skill 给专业判断，第二轮再让 AI 把这份判断翻译成研究生能执行的版本。

通用追问模板可以这样写：

请把上面这份结果解释给刚入门的研究生听。

要求：
1. 不要默认我懂专业术语；
2. 先用一句话总结整体结论；
3. 再逐段解释每一部分在说什么；
4. 每个专业词都用通俗例子解释；
5. 最后给出我下一步最应该做的 3 件事。

下面是每个 skill 更具体的追问方式。

idea-evaluator：把审稿式评价翻译成能不能做

请把上面这份科研 idea 评估结果解释给研究生听。

要求：
1. 先用一句话说结论：这个 idea 值不值得继续做；
2. 把每个评估维度翻译成大白话；
3. 解释 fatal flaw、reviewer attack、novelty、feasibility 这些词是什么意思；
4. 每个问题都举一个具体例子，说明审稿人可能会怎么质疑；
5. 最后告诉我：这个 idea 到底能不能做、最该改什么、下一步最小实验怎么开始。

这个追问适合在 idea-evaluator 输出太像审稿意见时使用。重点不是让它再评一次，而是把“专业判断”翻译成“行动建议”。

tech-paper-template：把论文骨架翻译成故事线

请把上面这份技术论文框架解释给研究生听。

要求：
1. 先用一句话说明这篇论文想讲的故事；
2. 逐项解释 Background、Limitation、Key Idea、Challenge、Method Module、Contribution、Experiment 分别是什么意思；
3. 用“为什么要做、别人哪里不够、我怎么解决、怎么证明有用”这条线重新讲一遍；
4. 指出哪些地方现在还空、还虚、还不像一篇能投稿的论文；
5. 最后给我一个写作顺序：我应该先补哪三块内容。

这个追问适合把表格化的论文骨架，变成你能讲给同门听的故事线。

intro-drafter：把六段式 Intro 变成写作说明

请把上面这份 Introduction 大纲解释给研究生听。

要求：
1. 先用一句话说这篇 Introduction 应该让读者相信什么；
2. 按段解释六段分别承担什么任务；
3. 每段都说明：这一段要回答读者心里的哪个问题；
4. 把 gap、motivation、challenge、contribution、running example 这些词用通俗例子解释；
5. 最后给我一个可直接开写的段落草稿框架，每段 2 到 3 个要点。

这个追问适合在你拿到 Intro 大纲后，仍然不知道每一段该怎么下笔时使用。

benchmark-paper-template：把 Benchmark 设计翻译成数据和实验计划

请把上面这份 Benchmark 论文规划解释给研究生听。

要求：
1. 先用一句话说这个 Benchmark 到底要评测什么；
2. 解释 Research Gap、Construction Pipeline、Evaluation Framework、Empirical Findings、Companion Method 分别是什么意思；
3. 用一个普通实验项目的例子解释“数据怎么收、指标怎么定、实验怎么跑”；
4. 指出当前方案里最容易被审稿人质疑的 3 个地方；
5. 最后给我一个最小可行版本：先收什么数据、先做哪些指标、先跑哪几个 baseline。

这个追问适合把抽象的 Benchmark 设计，落到真正要收集的数据、要定义的指标和要跑的实验上。

figure-designer：把作图建议翻译成画图步骤

请把上面这份论文图设计建议解释给研究生听。

要求：
1. 先用一句话说这张图要表达什么；
2. 逐个 panel 解释每一块画什么、为什么要画；
3. 把 motivated example、solution overview、ablation、visual encoding、legend 这些词用通俗例子解释；
4. 告诉我用 PowerPoint、Draw.io、Figma 或 LaTeX 画时分别怎么开始；
5. 最后给我一个实际画图清单：先画什么、再补什么、最后检查什么。

这个追问适合在 figure-designer 给出高级设计原则后，把它变成一步步的画图任务。

drawio-reconstruction：把重建结果翻译成怎么改图

请把上面这份 Draw.io 重建结果和视觉审计解释给研究生听。

要求：
1. 先说明现在生成了哪些文件，每个文件是干什么的；
2. 解释 .drawio、PNG preview、visual audit、native element、crop 这些词是什么意思；
3. 告诉我应该怎么打开 .drawio 文件继续编辑；
4. 把视觉差异按“必须修、可以修、不影响使用”分级；
5. 最后给我一个改图顺序：先改结构、再改文字、再改颜色和对齐。

这个追问适合在它生成了文件和审计记录后，帮助你判断下一步该怎么手动微调。

pre-submission-reviewer：把投稿前审查变成修稿计划

请把上面这份投稿前审查结果解释给研究生听。

要求：
1. 先用一句话说明这篇论文现在最大的风险；
2. 解释 CRITICAL、MAJOR、MINOR 分别代表什么，哪些必须先修；
3. 对每条批评都说明：审稿人为什么会在意、如果不改会有什么后果；
4. 把逻辑问题、实验问题、写作问题、图表问题分开整理；
5. 最后给我一个 72 小时修稿计划：今天改什么、明天改什么、最后检查什么。

这个追问适合把密集的审稿式意见，转成有限时间内能执行的修稿计划。

vibe-research-workflow：把 AI 协作建议变成日常流程

请把上面这份 AI 辅助科研工作流解释给研究生听。

要求：
1. 先用一句话说 AI 在这个项目里应该扮演什么角色；
2. 把 Vibe Coding、Vibe Figure、Vibe Writing、人机分工、verification 这些词解释清楚；
3. 明确哪些事情可以交给 AI，哪些学术判断必须由我自己做；
4. 给出一天内可以照着做的工作流程；
5. 最后列出 5 条安全规则，避免 AI 帮我编造实验、误改代码或写出不可靠结论。

这个追问适合把“AI 该怎么参与科研”从原则，变成你每天打开 Codex 后可以照着走的流程。

组合用法：先专业，再翻译，再行动

最实用的方式不是一次提示词写到很长，而是分三轮：

1. 第一轮：用 $skill-name 让它给专业判断。
2. 第二轮：用上面的追问模板，让它解释给研究生听。
3. 第三轮：让它把解释变成 checklist、实验计划、写作任务或改图任务。

例如：

上面的解释我理解了。请继续把它变成一个 7 天执行计划。

要求：
1. 每天只安排 2 到 4 个任务；
2. 每个任务都要有可检查的产物；
3. 标出哪些任务需要我自己判断，哪些可以交给 AI 辅助；
4. 最后给一个“做完才算完成”的验收清单。

这样用会舒服很多：Supervisor-Skills 负责给你专业判断，后续追问负责把判断翻译成你能看懂、能执行、能检查的下一步。

我的评价

Supervisor-Skills 的价值不在于“帮你一键写论文”，而在于把科研里的隐性判断拆成检查单。它会逼你回答一些关键问题：这个 idea 有没有致命缺陷？论文挑战和方法模块是否一一对应？Introduction 的每一段是否承担了明确任务？图是不是只讲一件事？投稿前最危险的问题是什么？

如果你已经有研究方向，但经常卡在 idea 筛选、论文结构、Introduction、图表设计和投稿前自查，我很推荐试一下。它不会替代导师，也不会替代你的学术品味；更准确地说，它像一个随时可调用的“科研副导师检查单”。

参考资料

1. HKUSTDial/Supervisor-Skills GitHub 仓库
2. Supervisor-Skills skills 目录说明
3. OpenAI Codex Agent Skills 文档