Nature Skills 项目深度解析让AI帮你写出Nature级别的论文目录Nature Skills 项目深度解析让AI帮你写出Nature级别的论文一、项目核心亮点1. 基于一手资料的规则体系2. 全流程学术写作覆盖3. 输出即交付4. 模块化可扩展架构二、项目代码结构与运行原理1. 整体目录结构2. 技能文件格式详解(1) 元数据头(2) 核心规则(3) 工作流程(4) 参考文件索引3. 技能运行原理三、详细运行指南1. 环境准备2. 安装Nature Skills3. 验证安装四、各技能优势与使用示例1. nature-figure科研绘图2. nature-polishing文本润色3. nature-citation文献引用五、项目核心优势总结六、未来发展方向Nature Skills是2026年4月上线的一个现象级开源项目短短一个月内斩获3400 GitHub stars。它并非传统的Python包或软件而是一套专为Claude Code/Codex设计的AI技能集目标是让你的学术产出达到Nature期刊的格式和表达标准。一、项目核心亮点1. 基于一手资料的规则体系核心理念所有规则都来自Nature实际发表论文和官方作者指南不是凭感觉瞎编的。每个技能都经过了对多篇Nature正刊的深度分析和提炼确保输出完全符合期刊要求。2. 全流程学术写作覆盖六大子技能覆盖了一篇论文从写作到投稿的完整生命周期子技能状态功能一句话说明nature-figure✅ 稳定科研绘图生成Nature级多面板matplotlib/R图nature-polishing✅ 稳定文本润色中英文草稿→Nature级学术英语nature-citation测试中文献引用自动检索CNS级引用导出RIS/ENWnature-response测试中审稿回复逐条回复审稿人意见语气得体nature-paper2ppt测试中论文转PPT论文→中文组会汇报PPTnature-data草稿数据声明Data AvailabilityFAIR合规检查3. 输出即交付每个技能都返回立即可用的成果可直接投稿的SVG/PDF/TIFF格式图表可复制粘贴的学术英语文本可直接导入EndNote/Zotero的引用文件可编辑的PowerPoint演示文稿符合期刊要求的数据可用性声明4. 模块化可扩展架构每个技能都是独立的目录互不依赖添加新技能只需创建一个新目录和SKILL.md文件支持社区贡献已有多位开发者提交了PR可以轻松创建自己的定制化技能二、项目代码结构与运行原理1. 整体目录结构nature-skills/ ├── README.md # 项目总览 ├── skills/ │ ├── nature-figure/ # 科研绘图技能 │ │ ├── SKILL.md # 技能定义和规则 │ │ ├── README.md # 人类可读文档 │ │ └── references/ # 参考资料 │ │ ├── api.md # 调色板和辅助函数 │ │ ├── design-theory.md # 设计理论 │ │ └── tutorials.md # 教程 │ ├── nature-polishing/ # 文本润色技能 │ │ ├── SKILL.md │ │ ├── README.md │ │ └── references/ │ ├── nature-citation/ # 文献引用技能 │ │ ├── SKILL.md │ │ ├── README.md │ │ ├── references/ │ │ └── scripts/ │ │ └── nature_citation.py # 核心Python脚本 │ └── ...其他技能2. 技能文件格式详解每个技能的核心是SKILL.md文件它包含以下几个部分(1) 元数据头| name | nature-figure | |---|---| | description | Submission-grade Nature/high-impact journal figure workflow for Python or R. Use whenever the user asks to create, revise, audit, or polish manuscript figures... |name技能唯一标识符description技能描述和触发关键词Claude会根据这些关键词自动调用相应的技能(2) 核心规则详细列出了技能必须遵守的所有规则。例如nature-figure的强制rcParams设置plt.rcParams[font.family]sans-serifplt.rcParams[font.sans-serif][Arial,DejaVu Sans,Liberation Sans]plt.rcParams[svg.fonttype]none# text stays as text nodes, not paths(3) 工作流程描述了技能处理用户请求的完整步骤。例如nature-polishing的12步工作流句子拆分章节识别沙漏结构检查时态审计句子编辑词汇升级模板检查引用审计期刊风格检查过度声称检测校对纯文本输出(4) 参考文件索引列出了技能可以调用的其他参考文件这些文件包含更详细的规则、教程和示例。3. 技能运行原理Nature Skills基于Claude Code/Codex的技能系统运行整个过程分为以下几个步骤技能加载当用户安装nature-skills后Claude会扫描所有SKILL.md文件提取元数据和触发关键词。触发匹配当用户输入自然语言请求时Claude会根据请求内容和技能描述中的触发关键词自动匹配最合适的技能。规则应用Claude加载匹配技能的所有规则和工作流程严格按照这些规则处理用户请求。工具调用对于需要外部工具的技能如nature-citationClaude会调用相应的Python脚本nature_citation.py来完成特定任务。结果输出Claude按照技能要求的格式输出最终结果确保符合Nature期刊标准。三、详细运行指南1. 环境准备首先需要安装支持技能系统的AI编程助手推荐OpenAI Codex原生支持备选Claude Code需适配层国内字节跳动Trae支持GPT-5.4模型2. 安装Nature Skills在Claude Code/Codex终端中输入以下命令之一方法一通过插件市场安装/plugin marketplace add Yuan1z0825/nature-skills /plugin install nature-skills方法二直接通过GitHub链接安装请安装这个skill: https://github.com/Yuan1z0825/nature-skills3. 验证安装输入以下命令查看已安装的技能查看我现在有哪些skill如果安装成功你应该能看到nature-figure、nature-polishing等六个技能。四、各技能优势与使用示例1. nature-figure科研绘图优势严格遵循Nature视觉标准正确的字体、颜色、布局支持Python(matplotlib/seaborn)和R(ggplot2/patchwork)两种后端输出SVG格式文字可编辑可直接导入Illustrator内置10种图表类型柱状图、折线图、热图、散点图、雷达图等强制实施图表服务于科学逻辑原则避免冗余面板使用示例帮我用Python生成一个Nature风格的多面板图展示模型在不同数据集上的性能对比。 第一行三个柱状图分别显示准确率、精确率、召回率 第二行一个折线图显示训练过程中的损失变化 数据如下 数据集A: 准确率0.92, 精确率0.89, 召回率0.91 数据集B: 准确率0.88, 精确率0.85, 召回率0.87 数据集C: 准确率0.95, 精确率0.93, 召回率0.94 训练损失[2.3, 1.8, 1.2, 0.8, 0.5, 0.3, 0.2, 0.15, 0.12, 0.1]输出结果一个包含4个面板的SVG文件对应的Python代码导出的PDF和300dpi PNG预览图符合Nature要求的图注建议2. nature-polishing文本润色优势基于5篇2026年Nature正刊和研究生学术英语课程提炼25条严格规则句子长度≤30词、章节时态正确、精确词汇、英式英语支持中文→英文翻译不是机械翻译而是重构逻辑过度声称检测标记绝对化表述、无根据的因果关系、范围扩大区分Results过去时定量细节和Discussion模糊限制语机制使用示例帮我把这段中文润色成Nature风格的学术英语 我们的模型在三个标准数据集上都取得了最好的结果比之前的方法有很大提升。这说明我们提出的注意力机制非常有效可以很好地捕捉长距离依赖关系。输出结果Our model achieves state-of-the-art performance on three standard benchmark datasets, outperforming all previously reported methods by a substantial margin. These results demonstrate that the proposed attention mechanism effectively captures long-range dependencies in sequential data. Revision notes: 1. 将取得了最好的结果改为更学术的achieves state-of-the-art performance 2. 将比之前的方法有很大提升改为outperforming all previously reported methods by a substantial margin 3. 将非常有效改为effectively避免过度声称 4. 添加in sequential data明确适用范围 5. 统一使用过去时描述实验结果3. nature-citation文献引用优势严格限制在Nature Portfolio、Science家族、Cell Press范围内搜索将文本拆分为可引用单元每个单元独立搜索对每个候选引用进行支撑等级评估强支撑、部分支撑、背景支撑导出ENW(EndNote)、RIS、Zotero RDF三种格式生成交互式HTML审查页面支持按年份筛选和手动勾选使用示例帮我为这段文字添加Nature系列引用 Transformer架构彻底改变了自然语言处理领域它的自注意力机制允许模型并行处理输入序列显著提高了训练效率。输出结果交互式引用浏览器 - /tmp/nature-citation/citation_visualization.html 检索范围 - Nature Portfolio journals, 2018-2026 分段引用对应关系 S001: Transformer架构彻底改变了自然语言处理领域 - Vaswani et al., 2017, Attention Is All You Need, Nature Machine Intelligence - 支撑等级: 强支撑 - 插入建议: 在句末 S002: 它的自注意力机制允许模型并行处理输入序列显著提高了训练效率 - Devlin et al., 2019, BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding, Nature Communications - 支撑等级: 强支撑 - 插入建议: 在句末 导出文件 - /tmp/nature-citation/references.enw五、项目核心优势总结专业性所有规则都基于Nature官方标准和实际发表论文不是主观判断效率将科研人员从繁琐的格式调整中解放出来专注于科学内容本身一致性确保整篇论文在格式、风格、表达上保持高度一致可复用性一次安装终身使用规则会随着期刊要求的变化而更新社区驱动开源项目持续迭代已有多位科研人员贡献了新技能和改进六、未来发展方向项目作者计划在未来添加以下技能nature-statsNature期刊统计报告规范nature-methods方法部分写作助手nature-cover投稿信撰写nature-review综述文章写作Nature Skills的意义不在于追求技术创新而在于降低科研写作和科研绘图的门槛作为一个灵活、可靠的基座默默支撑着科研人员一步步前进。