软件下载帮助文档新闻资讯

Skill UI

浏览并发现 16566+ 精选技能

全部编程开发人工智能设计创意产品商业数据科学市场营销职场通用效率工具硬件工程语言学习

搜索科研，共找到 18 条记录

默认排序最新上传最多下载

Denario科研流程助手

K-Dense-AI/claude-scientific-skills

Denario通过多智能体协作，自动化科研流程，从数据洞察、方法构建到计算实验和LaTeX论文生成，全程支撑研究交付。

自动化假设发现流程

K-Dense-AI/claude-scientific-skills

Hypogenic 结合文献与数据，利用大模型自动生成与检验假设，适用于欺骗检测、内容识别、精神健康等经验研究，加速科研发现。

治疗数据共享平台

K-Dense-AI/claude-scientific-skills

提供面向治疗学的 AI 准备药物发现数据集（ADME、毒性、DTI、DDI、分子生成），包含标准化评估、scaffold 拆分与分子预测器，帮助科研人员训练、对比、优化疗法 ML 模型。

科学批判性思维

scientific-critical-thinking

K-Dense-AI/claude-scientific-skills

评估科研结论和实验严谨性，根据方法学、统计有效性、证据质量与偏差，结合 GRADE 与 Cochrane 风险评估框架，必要时配套科学图示，提升分析清晰度。

Hugging Face科研论文发布与管理

hugging-face-paper-publisher

sickn33/antigravity-awesome-skills

本技能为AI研究人员和工程师设计，用于在Hugging Face Hub上发布、管理和链接研究论文。它支持创建专业的论文页面，将论文与模型/数据集关联，并提供支持LaTeX的Markdown文章生成功能。通过它，可以极大地简化从初稿撰写到最终学术成果发布的整个流程。

自动研究论文多轮审阅

auto-review-loop-minimax

wanshuiyin/Auto-claude-code-research-in-sleep

本技能实现了一个自主、多轮次的科研论文审阅循环，模拟顶级学术会议的同行评审过程。它能够迭代地对研究文档进行审查、发现不足、提出修改意见，并进行再审查，直到达到“准备就绪”的评估标准或达到最大轮次限制。适用于学术写作、论文完善或深度项目文档撰写。

端到端科研流水线

research-pipeline

wanshuiyin/Auto-claude-code-research-in-sleep

完整的端到端科研自动化工作流：从研究方向出发，自动完成想法发现、实验设计、评审迭代与论文写作，最终生成可投稿的论文PDF。适用于需要从零开始自主完成人工智能科研并形成投稿成果的场景，支持断点续跑与多重评审把关。

研究方案精炼

research-refine

wanshuiyin/Auto-claude-code-research-in-sleep

通过多轮 AI 审查，将模糊的研究方向转化为聚焦、简洁、面向实现的研究方案。适用于用户要求细化研究方法、打磨 idea、分解研究问题或生成可投稿的科研规划，帮助去除冗余、锁定核心贡献并提升前沿性。

学术论文图表AI生成器

paper-illustration

wanshuiyin/Auto-claude-code-research-in-sleep

专业的学术论文图表生成工具。它采用多阶段、迭代式的流程，利用AI模型（如Gemini和Claude）来解析请求、优化复杂的架构布局、检查学术规范（如CVPR/NeurIPS风格），最终生成达到出版级别的高质量插图和流程图，专为科研人员设计。

跨库数据查询

database-lookup

K-Dense-AI/claude-scientific-skills

访问 78 个科研、生物医药、材料和经济数据库的 REST 接口，针对化合物、基因、通路、临床试验、专利、经济指标、天气等需求，查询并返回原始 JSON 及所用数据库和接口信息。

研究知识库：持久化知识管理

wanshuiyin/Auto-claude-code-research-in-sleep

这是一个持久化的、基于图谱的研究知识库。它能跨越整个科研生命周期，结构化地累积和关联知识，包括研究论文、实验结果、核心想法和可验证的论点。它通过知识网络不断迭代，确保每一次输入都能增强知识的深度，而非仅仅停留在一次性查询记录。

学术研究产出物提交指南

acl-artifact-evaluation

brycewang-stanford/Awesome-Journal-Skills

本指南详细介绍了NLP研究论文的证据包（如代码、数据集、提示词、模型输出）的打包和提交要求。它强调了科研的可复现性、如何遵循负责任的NLP清单，以及在学术会议（如ACL）上进行匿名化处理和后续公开发布的完整流程。

语言