科研 Skill 排行榜 Top10(进阶篇):从「科研龙虾」升级「科研龙王」

一、为什么说这是"进阶"？轻武器 → 重武器

上期那 10 个是"点状提效"：每个 Skill 解决科研流水线里的一环，装进 WorkBuddy 图形界面就能用，几乎零门槛。

这期这 10 个是"系统级"：多数是从想法到论文一条龙的自主科研项目，会自己查文献、跑实验、写代码、生成论文，但往往需要命令行 + Python 环境，门槛更高，威力也更大。

一句话：轻武器把"重复劳动"变快，重武器把"整条流水线"变自动。这就是从「科研龙虾」到「科研龙王」的进阶。

二、榜单总览：科研 Skill 排行榜 Top 10

榜单数据来自「学术AI大模型」公众号《科研 Skill 排行榜 Top 10》，按 GitHub Stars 快照排序；功能以各项目公开说明为准。

📌 Stars 为榜单发布当日快照，会实时变化，以 GitHub 仓库最新数据为准；其中第 3 名 Stars 快照与排序不完全对应（原始榜单如此）。

三、先决题：这 10 个到底装 Codex 还是 WorkBuddy？

这是本篇要回答的核心。判断就一句口诀：

要"写"，选 WorkBuddy；要"跑"，选 Codex。

Codex（OpenAI Codex）：命令行编码 Agent，本地文件系统深度集成，跑 Python、跑实验、装依赖、git 操作是它的主场。GitHub 榜单上那些"自主科研系统"（跑实验、写代码、训练模型）在这里最顺。

WorkBuddy：图形界面 + 中文场景，文档产出、论文写作、审稿润色、浏览器自动化直连 PubMed/知网是它的强项。上一期那 10 个即用 Skill 就是它的生态。

按这个标准，10 个重武器里 8 个偏向 Codex 生态、2 个偏向 WorkBuddy 生态——下面逐项给出结论。

四、Top10 逐项：功能 + 安装 + 生态归属

1

academic-research-skills（ARS）⭐ 46,600

功能：把研究拆成可检查的阶段——Deep Research 管研究问题与证据、Academic Paper 管大纲正文引用格式、Reviewer 用多视角找问题、Pipeline 串起来并在关键处要求人工确认。支持系统综述、论文结构规划、引用核验、写作风格校准、图表检查、返修路线、LaTeX/DOCX 输出。核心不是"自动生成论文"，而是"AI 做苦活、人做判断"。

🟦 更适合 WorkBuddy

它是"写作 + 审稿 + 人工确认"的流程，天然贴合 WorkBuddy 的中文文档场景与图形交互；Codex 也能跑，但 CLI 里反复"人工确认"不如 GUI 舒服。

📦 安装：GitHub Imbad0202/academic-research-skills，克隆后导入 WorkBuddy 技能目录（.skill 文件）；Codex 则 git clone 到 ~/.agents/skills/。

2

scientific-agent-skills⭐ 42,375

功能：多学科科学计算 Skill 库，160+ 即用技能、100+ 科学数据库，覆盖生信、癌症基因组学、药物靶点、分子动力学、RNA velocity、地理空间、时间序列、科研写作等。MIT 协议，重 Python 包（Scanpy、RDKit、PyTorch Lightning、OpenMM、Qiskit 等）。

🟩 更适合 Codex

它的强项是"跑科学计算"，用 npx skills add 或 gh skill install --agent codex 一键标准安装，天然支持 Codex/Cursor/Gemini CLI 等。

📦 安装（Codex 三选一）：· npx skills add K-Dense-AI/scientific-agent-skills· gh skill install K-Dense-AI/scientific-agent-skills --agent codex· git clone https://github.com/K-Dense-AI/scientific-agent-skills.git ~/.agents/skills/

3

Auto-claude-code-research-in-slee⭐ 4,901

功能：围绕 Claude Code 的自动化科研流，特点是跨模型交叉审查——多个模型对研究产出独立校验，降低单一模型幻觉与偏差。

🟩 更适合 Codex（Claude Code）

本质是 CLI Agent 工作流，依赖 Claude Code 环境。

📦 安装：按仓库 README 部署（依赖 Claude Code），作为 skill 导入使用。

4

AI-Scientist（Sakana AI）⭐ 14,425

功能：Sakana AI 出品。给定方向，自动生成想法 → 检索文献 → 设计并执行实验 → 用 LaTeX 写完整论文（含图表、参考文献）。配套 Automated Reviewer 用 NeurIPS 官方准则打分成稿，实测与人类审稿判断接近。

🟩 更适合 Codex / 独立 CLI

它是独立 Python 系统，不是"Skill"，需要命令行跑、配 LLM API，装不进 WorkBuddy 的图形技能列表。

📦 安装：GitHub SakanaAI/AI-Scientist，配置 OpenAI/Anthropic API 后命令行运行。

⚠️ 每次跑有可观 LLM API 开销，产出需专家校验，优化的是"看起来能发表"而非"一定正确"。

5

AutoResearchClaw⭐ 14,043

功能：一条龙打通"研究想法 → 文献 → 实验 → 论文"，强调少人工干预、多环节自动衔接。

🟩 更适合 Codex

端到端自主管线需要 CLI 本地执行，图形界面发挥不出它的"自动衔接"。

📦 安装：按仓库部署，导入 .skill 使用（Codex 侧 git clone 到 skills 目录）。

6

AI-Research-SKILLs⭐ 12,400

功能：Orchestra-Research 出品，98 个 Skill、23 个分类，覆盖 AI 研究全生命周期——文献调研、idea 生成、训练调参、评估部署、论文写作。含 Megatron-LM、vLLM、TRL、Flash Attention、DeepSpeed 等主流框架，还带 autoresearch 总指挥 Skill，自己判断何时查文献、跑实验、写论文。

🟩 更适合 Codex

大模型训练调参是代码密集场景，Codex 本地环境最合适。

📦 安装：GitHub Orchestra-Research/AI-Research-SKILLs，导入 .skill 文件。

7

AI-Scientist-v2⭐ 7,028

功能：AI-Scientist 的 v2 升级版，用 agentic tree search（智能体树搜索） 并行探索多条实验路径，配合 VLM 检查图表质量。曾产出首篇通过 ICLR workshop 同行评审的全 AI 生成论文。

🟩 更适合 Codex / 独立 CLI

同 v1，需跑实验、配 LLM API。

📦 安装：GitHub SakanaAI/AI-Scientist-v2，需 LLM API。

8

AgentLaboratory⭐ 5,826

功能：AMD + 约翰霍普金斯联合出品，多智能体协作：PhD Student 用 arXiv API 检索并提炼综述、Postdoc 做实验计划、ML Engineer 写代码（mle-solver）、Professor 把关，最终 paper-solver 生成报告。支持自主 + 人机共驾两种模式。

🟩 更适合 Codex / 独立环境

多智能体 Python 系统，需 CLI + LLM API。

📦 安装：GitHub SamuelSchmidgall/AgentLaboratory，需 LLM API。

9

AI-Researcher⭐ 5,700

功能：聚焦"综述 → 实验 → 报告"三环节的自动化，轻量上手，快速产出研究底稿。

🟦 更适合 WorkBuddy

综述 + 报告写作正是 WorkBuddy 强项，轻量、图形界面即可跑通，没必要上 CLI。

📦 安装：按仓库部署，导入 .skill 使用。

10

claude-scholar⭐ 5,293

功能：面向 Claude 生态的"概念 → 论文 → 发表"全流程自主系统，侧重写作与投稿环节自动化。

🟩 更适合 Codex（Claude 生态）

Claude 生态的写作-投稿自动化，命令行 Agent 是主场；写作单点需求也可用 WorkBuddy 的即用 Skill 替代。

📦 安装：按仓库部署，作为 skill 导入。

五、双生态安装实操：各三步

Codex（命令行）三步装重武器：

1️⃣ 标准安装器：npx skills add K-Dense-AI/scientific-agent-skills（支持 Claude Code / Codex / Cursor / Gemini CLI）；2️⃣ GitHub CLI：gh skill install 仓库名 --agent codex（需 GitHub CLI v2.90+，自动装到正确目录并记录来源）；3️⃣ 手动克隆：git clone 仓库 ~/.agents/skills/xxx——Codex 自动扫描含 SKILL.md 的子目录并加载。

WorkBuddy（图形界面）三步装轻/重武器：

1️⃣ 技能市场搜（内置/官方）：左侧「专家·技能·连接器」→「技能」→ 搜索名字 → 点「+」；2️⃣ 导入 .skill 文件（第三方/开源）：技能中心 → 添加技能 → 选中 .skill 文件 → 安全检测通过 → 启用；3️⃣ 对话框直接说：输入"帮我安装 xx skill"。

⚠️ 安全提醒（两个生态通用）：开源 Skill 能执行代码、装包、发网络请求、改文件。按需装、不全装；装前先读 SKILL.md，扫一眼 scripts/ 再启用。两个生态的导入都有安全检测/扫描环节，别跳过。

六、进阶的终点：别纠结用哪个，先看清你要什么

从「科研龙虾」到「科研龙王」，进阶的不是装了更多 Skill，而是想清楚了两件事：

1. 你的活是"写"还是"跑"？写论文、审稿、出综述 → WorkBuddy 的即用 Skill 更香；跑实验、跑代码、训练模型 → Codex 里的系统级项目更猛。

2. 你要"单点提效"还是"端到端自动化"？前者用上期轻武器，后者用本期重武器。

两者不冲突，还能混搭：在 Codex 里跑 scientific-agent-skills 做计算，把中间结果导出，再进 WorkBuddy 用综述写作 / 论文写作 Skill 落成中文初稿——一重一轻、一跑一写，正好互补。

最后的建议还是那句：别一次全装。从你卡得最久的那一环入手，先装一个跑通，再往上叠加。榜单是快照，Stars 会变；但"把重复环节交给 Skill、把判断留给研究者"这个方向，不会变。