nature-skills 深度解码：一个交大博士生如何把 Nature 论文写作变成可复制的 AI 技能

当别的 AI 写作工具还在帮你"润色语法"的时候，袁一哲已经把你从选题到审稿回复的整条流水线拆成了 9 个可安装的 Skill。

2026 年，AI 辅助学术写作已经遍地都是。Grammarly 改语法、ChatGPT 写段落、Consensus 搜文献——每个工具解决一个点，但学术写作是一个系统工程，不是一个工具链。

上海交通大学博士生袁一哲（Yuan Yizhe），做医疗 AI 的，搞了一个叫 nature-skills 的开源项目。151 个 commit，9 个子 Skill，覆盖从论文润色到图表制作到审稿回复的完整闭环。

这不是又一个 AI 写作工具。这是一套把 Nature 级论文写作从经验变成工程的尝试。

📐 第一章：项目架构——9 个 Skill 的完整流水线

nature-skills/
├── nature-polishing    (Stable)  → 语言润色：把中文学术草稿变成 Nature 风格英文
├── nature-writing      (Draft)   → 结构搭建：从 claim 到 evidence 的论证重建
├── nature-figure       (Stable)  → 图表制作：Python/R 科研绘图到投稿级别
├── nature-citation     (Beta)    → 引用管理：CNS 级检索 + RIS/ENW/Zotero 导出
├── nature-data         (Draft)   → 数据声明：Data Availability + FAIR 检查
├── nature-reader       (Beta)    → 论文阅读：双语 Markdown 阅读器，图文对应
├── nature-response     (Beta)    → 审稿回复：逐条审稿意见回复 + 风险检查
├── nature-paper2ppt    (Beta)    → 组会汇报：论文转中文 PPT
└── nature-academic-search (Beta) → 文献搜索：PubMed + CrossRef + arXiv 并行检索

这个架构的野心不在于"每个功能都有"，而在于每个功能都有 Nature 级别的标准。

不是"帮你写段通顺的英文"，而是"这段英文要符合 Nature 的 sentence length ≤ 30 words、British English、hedging calibration 的精确梯度"。

不是"帮你画张图"，而是"这张图要先写 figure contract（核心结论→证据链→面板映射），再画，再 QA"。

✍️ 第二章：nature-polishing——不是润色，是重写

市面上绝大多数 AI 学术润色工具的默认逻辑是："你的句子语法对不对、用词好不好看"。

nature-polishing 的第一条规则是：Language serves argument. Do not polish sentences while leaving the reasoning broken.

核心架构：6 层诊断 + 12 步打磨

在碰任何句子之前，先诊断失败模式：

只有前 3 层没问题了，才进入句子层面的 12 步打磨流程：

Sentence split → Section ID → Hourglass check → Tense audit → Sentence edit → Vocabulary upgrade → Template check → Citation audit → House style → Overclaim detection → Proofreading → Plain-text output

关键规则举例

句子长度：Every sentence ≤ 30 words。超过 20 词的句子要检查是否包含多个主命题。

Hedging 校准：

• 强证据 → demonstrate
• 中等证据 → suggest
• 弱/相关性 → may reflect

AI 不能替作者决定 claim 的强度，但它能暴露 claim 和证据之间的落差。

AI 红绿灯边界：

• 🟢 绿灯：改语法、生成大纲选项、翻译、总结文献分类
• 🟡 黄灯：解释方法/结果、起草审稿回复框架（需逐行检查）
• 🔴 红灯：替作者写核心 argument、插入 AI 生成的参考文献或数据、上传未发表稿件到公共模型

"The main danger is not that AI cannot write. The main danger is that it can write incorrectly with great confidence."

🏗️ 第三章：nature-writing——从 claim 到 manuscript 的工程化

如果说 polishing 是"把已有的句子改好"，writing 就是"从零搭出整段论证"。

核心立场

• Author evidence comes first. AI 不 invent 数据、机制、引用、统计。
• Write the argument before writing the sentences. 先建逻辑骨架，再填血肉。
• Ambitious but bounded claims. 有野心，但有边界。

写作顺序——不是按你写的顺序，是按证据的顺序

研究论文的推荐写作顺序：

1. Results —— 先有证据
2. Introduction + Conclusion —— 两头封顶
3. Title —— 有了结论才知道标题该叫什么
4. Discussion —— 解释证据的意义
5. Materials and Methods —— 别人怎么复现
6. Authors —— 谁贡献了什么
7. Abstract —— 最后写，因为它是 mini-paper

大多数研究者的实际写作顺序是反过来的：先写 Introduction（因为"好开头"），最后写 Results（因为要做完实验才有）。这个 Skill 明确告诉你：这是低效的，因为 Introduction 的内容依赖于 Results 的发现。

各节段的默认模板

One-sentence argument 模板

在动笔之前，先用一句话锁定核心论证：

"In [system/problem], we show [advance] using [approach], supported by [evidence], with [boundary]."

这句话不写好，后面的段落都会散。

📊 第四章：nature-figure——图表不是装饰，是视觉论证

这个 Skill 的革命性在于：画图之前先写 figure contract。

Figure Contract（画图契约）

在生成任何代码之前，必须回答 5 个问题：

1. Core conclusion：这张图要 defend 的 one-sentence claim 是什么？
2. Evidence chain：每个 planned panel 对应 claim 的哪个部分？不 unique 的面板直接砍掉。
3. Archetype：这张图属于哪种类型？
   • quantitative grid（定量网格）
   • schematic-led composite（示意图主导）
   • image plate + quant（图像板+定量）
   • asymmetric mixed-modality figure（非对称混合）
4. Backend：Python (matplotlib/seaborn) 还是 R (ggplot2/patchwork)？
5. Journal/export contract：最终尺寸、可编辑文本、源数据、统计信息、导出格式。

最高优先级规则：the chart serves the scientific logic。 美观是次要的，逻辑清晰、可辩护、可审查才是首要的。

Python 投稿级模板

import matplotlib as mpl
import matplotlib.pyplot as plt

mpl.rcParams.update({
    "font.family": "sans-serif",
    "font.sans-serif": ["Arial", "Helvetica", "DejaVu Sans"],
    "svg.fonttype": "none",      # SVG 可编辑文本
    "pdf.fonttype": 42,          # PDF TrueType 字体
    "font.size": 7,              # Nature 正文字号
    "axes.spines.right": False,
    "axes.spines.top": False,
    "axes.linewidth": 0.8,
    "legend.frameon": False,
})

def save_pub_py(fig, filename, dpi=600):
    fig.savefig(f"{filename}.svg", bbox_inches="tight")
    fig.savefig(f"{filename}.pdf", bbox_inches="tight")
    fig.savefig(f"{filename}.tiff", dpi=dpi, bbox_inches="tight")

设计原则

• Hero panel + subordinate panels：一个主面板 + 几个支撑面板，而不是平均填满画布。
• 统一 palette：一个中性家族 + 一个信号家族 + 一个强调家族。Nature Machine Intelligence 风格用低饱和 pastel。
• 直接标签替代 legend：当类别空间固定时，直接标在图上，减少眼球移动。
• 统计信息是图的一部分：n、error-bar 定义、源数据可追溯性，不是 caption 的 optional cleanup。

🔍 第五章：其他 Skill 速览

nature-citation（引用管理）

不是简单地"帮我找几篇参考文献"。它的规则是：

• 只引用你亲自读过并验证过的来源
• 区分 primary source vs secondary source：引用 A 的数据就 cite A，引用 B 对 A 的解读就 cite B 对 A 的解读
• 支持 ENW、RIS、Zotero RDF 导出
• 四种类型的 attribution：idea、data、method、wording/structure/image

nature-response（审稿回复）

不是生成"感谢审稿人宝贵意见"这种套话。它的流程：

1. Comment triage：每条审稿意见分类（major/minor/ambiguous）
2. Action mapping：每条意见对应的具体修改动作
3. Risk check：修改是否会引入新问题
4. Point-by-point response：逐条回复，每条包含：致谢 → 回应 → 修改位置 → 修改后文本

nature-academic-search（文献搜索）

基于 MCP 服务器，同时搜索 PubMed + CrossRef + arXiv：

• Source routing：生物医学用 PubMed，DOI/跨学科用 CrossRef，预印本用 arXiv
• Deduplication：按 DOI/PMID/arXiv ID 合并，不把重复记录当独立证据
• Citation verification：格式化之前先 resolve DOI/PMID，暴露缺失或失败的元数据

nature-reader（论文阅读）

双语 Markdown 阅读器：

• 原文对照
• 图文对应（figure grounding）
• Source anchors（每个翻译段落后附原文位置）

nature-paper2ppt（组会汇报）

把论文转成中文 PPT：

• 识别论文类型和中心论证
• 只选支撑证据链的图表
• 生成中文 slide titles、bulllets、takeaways、speaker notes
• 输出真正的 .pptx 文件

nature-data（数据声明）

Data Availability statements + repository plans + FAIR checks。帮你写符合期刊要求的数据可用性声明。

🎯 第六章：设计哲学——为什么这套 Skill 不一样

1. 规则有据可依

所有规则来自两个来源：

• 已发表的 Nature/Nature Communications 论文的实际写法
• 官方作者指南（Author Guidelines）

不是"我觉得这样写好看"，是"Nature 的编辑和审稿人实际上接受什么"。

2. Section-aware

学术写作不是通用文本生成。Abstract 和 Results 的写作逻辑完全不同。这个 Skill 对每个节段都有独立的规则和模板。

3. Output-first

每个 Skill 返回的是立即可用的东西：

• 可以直接 copy-paste 的 prose
• 可以直接投稿的 .svg / .pdf / .tiff
• 可以直接导入 EndNote 的 .ris 文件
• 可以直接发给导师的 .pptx

不是中间规划文档，是最终交付物。

4. Extensible by design

每个 Skill 自包含在一个目录里：

skills/nature-<topic>/
├── README.md
├── SKILL.md
└── references/...

加新 Skill 不需要改现有代码。作者已经在 roadmap 里列了 4 个候选：

• nature-stats（统计报告规范）
• nature-methods（方法深度写作 + 可复现性检查清单）
• nature-cover（投稿信写作）
• nature-review（综述文章写作）

⚠️ 第七章：局限与风险

局限

1. 部分 Skill 还是 Draft/Beta：9 个 Skill 中只有 2 个 Stable（polishing + figure），其余都在测试阶段。
2. Nature 家族为主：规则针对 Nature/Nature Communications，投 Cell/Science 可能需要调整。
3. 需要 Claude Code / Codex Desktop：插件化安装依赖特定 IDE，纯命令行用户需要手动复制 SKILL.md。
4. 不处理数据本身：AI 不分析你的实验数据，只帮你组织和表达。数据分析错误它抓不到。

风险

1. AI 幻觉在学术写作里代价极高：插入一个 AI 编造的引用 = 学术不端。Skill 明确标注了红绿灯边界，但最终还是依赖作者的判断力。
2. 过度依赖模板可能抑制原创性：如果所有人都用同样的 "hourglass structure" 和 "evidence ladder"，论文会不会变得同质化？
3. 技术门槛：需要会用 GitHub、会装 Claude Code 插件、理解 SKILL.md 的 frontmatter 格式。对非技术背景的研究者不友好。

🔧 第八章：快速安装指南

Claude Code

# 添加插件市场（一次性）
/plugin marketplace add https://github.com/Yuan1z0825/nature-skills

# 安装
/plugin install nature-skills

# 重载
/reload-plugins

Codex Desktop

1. 添加自定义插件市场：https://github.com/Yuan1z0825/nature-skills.git
2. 分支选 main
3. 安装 nature-skills 插件

手动安装

git clone https://github.com/Yuan1z0825/nature-skills.git
cd nature-skills

# 装全部
for d in skills/nature-*; do
  cp -R "$d" ~/.claude/skills/  # 或 ~/.codex/skills/
done

结语

nature-skills 的价值不是"让 AI 替你写论文"。它的价值是：

1. 把隐性的写作经验变成显性的规则
2. 把分散的工具链变成统一的流水线
3. 把"我觉得这样写好"变成"Nature 的编辑接受这样写"

袁一哲做这件事的动机很明确：他是医疗 AI 方向的博士生，自己每天写论文，知道痛点在哪。这不是一个产品经理拍脑袋想出来的功能列表，是一个正在写 Nature 论文的人给自己造的脚手架。

学术写作的本质不是文字游戏，是论证的清晰度和证据的说服力。这套 Skill 没有帮你做实验、没有帮你分析数据、没有帮你编造结果——它只是确保你做出来的东西，能被同行看清楚、看明白、看得信服。

这才是 AI 辅助学术写作应该有的样子。

参考来源

• GitHub: github.com/Yuan1z0825/nature-skills
• 作者：袁一哲（Yuan Yizhe），上海交通大学博士生，医疗 AI 方向
• 掘金社区介绍文章（2026-05-10）

#Nature论文写作 #学术AI工具 #ClaudeCode #科研绘图 #学术写作 #论文润色 #审稿回复 #文献管理 #技能工程 #开源项目 #小凯