nature-skills开源项目：专为Nature风格论文与科研绘图设计的Claude/Codex技能包

如果你最近关注 AI 编程代理（AI coding agent）在科研中的应用，会发现一个很有意思的趋势：科研人员使用 Claude Code、Codex 等工具的需求，正在从简单的代码生成，逐渐转向论文写作、科研绘图、数据分析和投稿准备等更专业的任务。nature-skills 正是在这一背景下出现的一类开源项目，它试图把 Nature 风格的论文表达、科研绘图和投稿规范整理成可以被 AI Agent 调用的 Skill。

目前 GitHub 上已经出现多个以 nature-skills 为名的相关项目，其中较完整的版本由 Yuan1z0825/nature-skills 维护，包含 nature-figure、nature-polishing、nature-citation、nature-data 和 nature-paper2ppt 等技能。另一个相关项目则进一步加入了 nature-writing 等论文写作能力。

这类项目真正值得关注的地方，并不是简单地给 Claude 或 Codex 增加一个“Nature 模式”，而是尝试把过去依赖科研人员经验的写作与视觉规范，转化成 AI Agent 可以执行和检查的规则。

从通用AI到科研垂直Skill：nature-skills解决了什么问题

通用大模型已经能够完成英文润色、摘要修改、代码生成和绘图代码编写，但科研场景中的难点往往并不是“能不能写出来”，而是“是否符合学术出版场景的要求”。

例如，一张科研图并不是把数据画成柱状图或折线图就结束了。对于高水平期刊而言，图件需要同时考虑信息层级、panel之间的逻辑关系、字体、颜色、尺寸、统计信息以及最终输出格式。Nature 官方指南明确强调，科研图应该尽可能简洁，在保证清晰度的前提下减少不必要的复杂元素和颜色；对于最终图件，Nature还规定了字体、图宽、线宽等具体要求。

nature-skills 的思路就是把这些出版规范提前编码到 Skill 中，让 AI Agent 不只是“生成一张图”，而是在生成过程中考虑这张图承担什么科学论证任务。

例如，nature-figure 的定位就是生成和检查适用于 Nature 系列及高影响力期刊的科研图，包括多面板图、机制示意图和 graphical abstract 等。项目还强调在绘图之前明确核心结论、证据层级以及 panel 的功能，而不是直接开始写 Matplotlib 或 R 代码。

这实际上代表了科研 AI 工具一个重要变化：AI 不再只是替研究人员执行操作，而开始尝试封装某个领域的专业工作方法。

nature-figure：把科研绘图从“画图”变成科学表达

在整个项目体系中，nature-figure 是目前最值得关注的 Skill 之一。

传统的 AI 绘图提示词通常关注视觉效果，例如要求生成“简洁、专业、Nature风格”的科研图。但这种描述非常主观，也很难保证输出结果能够直接用于论文。

nature-figure 则更加偏向出版工作流：它可以根据数据、figure legend、论文结论或者已有图件生成 Python / R 绘图代码，同时关注多面板图的结构、字体、颜色、统计标注以及 SVG 等可编辑输出格式。项目文档还特别强调，一个 figure 应该围绕一个 Results-level scientific question 组织，各个 panel 分别承担主要证据、对照、验证或机制解释等不同角色。

这与 Nature 官方对科研图的要求其实高度一致。Nature 指出，figure 的目标不仅是展示数据，还应该帮助其他相关领域的读者理解论文核心内容；没有必要的 panel 和过度复杂的视觉元素都应该尽量避免。

因此，对于正在准备 Nature、Nature Communications、Nature Methods、Nature Machine Intelligence 等期刊投稿的研究人员而言，这种 Skill 的价值并不只是节省绘图代码时间，而是帮助研究人员重新检查 figure 的科学叙事。

nature-polishing：从语言纠错走向论文表达

另一个重要组件是 nature-polishing。

科研英文润色长期存在一个误区：很多人认为高水平论文的语言优化主要就是纠正语法、替换高级词汇或者让句子更加复杂。但真正影响论文可读性的因素通常更加基础，包括研究问题是否明确、结果描述是否准确、论证是否连贯，以及是否存在过度推断（overclaiming）。

nature-polishing 的定位并不是单纯 grammar correction，而是针对 Nature 风格的学术英文进行润色和重构。项目目前将其作为稳定技能，用于学术文本润色；相关 nature-writing Skill 则进一步覆盖标题、摘要、Introduction、Results、Discussion 和 Conclusion 等内容的起草与重构。

这也说明一个值得注意的趋势：未来科研写作中的 AI 辅助可能会越来越接近“编辑型 Agent”，而不是传统意义上的聊天机器人。

研究人员提供研究问题、数据和核心结论，AI 负责检查文本结构、语言表达和论证一致性；但研究结论本身、数据解释以及科学主张仍然需要研究人员承担责任。对于准备投稿的论文而言，这一点尤其重要。

Claude与Codex为什么适合承载这种Skill

Skill 与普通 Prompt 最大的区别在于：它并不是一次性的提示词，而是一组可以被 Agent 按照特定任务调用的工作规则。

例如，用户告诉 Claude Code “帮我制作一张适合 Nature 投稿的多面板图”，Skill 可以进一步规定需要检查哪些内容，包括 figure 的科学结论、panel 关系、统计标注、字体、输出格式和视觉冲突等。

Codex 同样适合这种工作方式。GitHub 上已经出现专门面向 Codex 的 nature-figure Skill，其定位就是针对 Nature、高影响力期刊以及 SCI 论文提供投稿级科研绘图工作流，同时支持 Python 和 R。

部分项目甚至可以通过 npx skills 安装，例如 Yuan1z0825/nature-skills 的 README 已经提供了针对 Codex 的安装方式，并允许研究人员选择具体 Skill，而不是一次安装整个技能集合。

这意味着科研人员未来使用 AI 的方式可能发生变化：过去是打开 ChatGPT，然后复制一段 Prompt；现在则可能是在本地科研环境中直接调用一个针对具体研究任务设计的专业 Skill。

真正值得关注的不是“Nature模板”，而是知识工程

如果把 nature-skills 理解成一个“Nature论文模板”，其实低估了这类项目的意义。

更准确的理解应该是：它在尝试把期刊指南、已发表论文中的表达方式、科研绘图经验和投稿检查规则，整理成 AI Agent 可以执行的知识结构。

这一点从项目本身的设计也能够看出来。相关项目明确强调，其规则来源包括 Nature 已发表论文、期刊作者指南以及结构化写作资料，而不是单纯依靠模型对于“Nature风格”的主观判断。

这种方法也具有更大的扩展空间。除了 figure 和语言润色之外，项目已经出现 citation、Data Availability、paper-to-PPT 等方向，未来还可以继续扩展到统计报告、Methods、审稿意见回复以及投稿前检查等环节。

从这个角度看，nature-skills 更像是科研 Agent 的一个实验性基础设施：把专业知识写进 Skill，让通用 AI Agent 获得某个科研场景下的“工作方法”。

AI可以提高效率，但不能替代投稿前的专业判断

需要注意的是，Nature 风格并不等于“看起来像 Nature”。

Nature 官方作者指南明确指出，语言编辑服务并不是投稿 Nature 的强制要求；最终决定论文是否符合期刊要求的仍然是编辑流程和同行评审。Nature 的编辑也会在后期对文章的可读性、figure legends、标题和整体 house style 进行进一步处理。

因此，nature-skills 更适合被理解为投稿前的辅助工具，而不是自动获得顶刊风格或提高录用概率的“捷径”。

尤其是对于非英语母语科研人员，AI Skill 可以帮助发现语言和结构上的问题，但涉及研究逻辑、专业术语、论证强度以及最终英文表达时，人工编辑仍然具有重要价值。对于准备冲击高影响因子期刊的论文，在 AI 完成初步整理后进行专业人工润色，可以进一步检查语言是否准确、表达是否自然，以及是否存在因为语言转换导致的科学含义偏差。

在这一环节，可以考虑使用 AJE 美国期刊专家 的专业论文润色服务。AJE 长期面向科研论文提供英文编辑和学术写作相关服务，适合在 AI 辅助完成初稿、结构调整或语言预处理之后，再进行人工层面的投稿前语言质量控制。Nature 官方作者指南本身也将 American Journal Experts 列入其专业编辑服务相关资源。

对科研人员而言，Nature Skill意味着什么

nature-skills 最有价值的地方，可能并不是它现在已经包含多少个 Skill，而是它展示了一种非常明确的科研 AI 发展方向：通用大模型负责能力，专业 Skill 负责方法和规范。

对于科研人员来说，这种变化尤其值得关注。未来的科研 Agent 很可能不再只是帮用户“写一段代码”或者“润色一段英文”，而是能够围绕一个完整科研任务调用不同的专业能力，包括分析数据、设计 figure、检查统计表达、撰写 Results、整理参考文献以及完成投稿前检查。

而对于希望冲击高影响因子期刊的研究者，真正需要掌握的也不只是某一个 AI 工具，而是如何把 AI 的执行能力与自己的科学判断结合起来。

nature-skills 目前仍属于开源社区快速发展的项目，不同仓库的 Skill 数量、实现方式和成熟度也并不完全相同。因此，使用时仍应以具体期刊最新的作者指南为准，尤其需要区分初次投稿和接收后的 production-quality figure 要求。Nature 官方指南明确区分了不同投稿阶段的图件要求，最终出版级图件的字体、尺寸、分辨率等要求也比初次投稿更加严格。

对于今天的科研人员而言，这可能是更值得关注的一点：AI正在从一个“会回答问题的工具”，逐渐变成一个可以加载专业知识、遵循科研规范并执行复杂任务的研究助手。而 nature-skills 恰好提供了一个很具体的观察窗口，让我们看到这种变化如何进入论文写作与科研可视化这一最实际的场景。