给中文工科研究生、科研初学者和第一次写论文的人准备的一套 Codex skills。
如果你正在准备自己的第一篇论文，很多问题都会同时涌上来：英文文献应该怎么读，GitHub 项目怎么跑，train.py 和 config.yaml 到底在做什么，实验结果有了以后又该怎么画成一张能支撑结论的论文图。
这套技能包想做的事情，就是像一个愿意手把手带你的师兄师姐一样，把这些关卡一步步拆开。它不替你完成科研判断，也不替你写论文结论，而是陪你从 0 到 1 建立科研工作的基本路线：读懂一篇论文，跑通一段代码，整理一组实验，设计一张支撑结论的图，逐步知道自己的工作应该放在领域中的什么位置。
科研入门最难的地方，往往不是不努力，而是不知道第一步该怎么走。这个项目就是为那一步准备的：先有人帮你把路标立起来，再由你一步一步走出自己的研究。
这套 skills 不只是给出文字建议，而是希望把科研输入转化为更具体的研究产出：文献阅读能落到写作，代码理解能落到复现，图形设计能落到论文表达。
下面是 engineer-figure 中相对清晰、可控的图型示例，用来展示它覆盖的基础图形能力：比较、趋势、热图、分布、网络关系、矩阵关系等。
一张好的论文图不只是把数据摆出来，而是把“方法、证据、验证、结论”组织成一条能说服读者的证据链。对刚入门的同学来说，先把基础图型画干净、画准确、画得可读，比盲目堆满复杂多面板更重要。
| 比较图 | 趋势图 |
|---|---|
 |
 |
| 热图 | 分布图 |
|---|---|
 |
 |
| 多指标/方向性比较 | 网络与矩阵关系 |
|---|---|
 |
 |
| 不确定性/区间 | 堆叠面积/组成变化 |
|---|---|
 |
 |
工科论文当然不只需要基础图型。真正高质量的工科图，往往要把“物理系统、算法流程、仿真证据、控制闭环、工程验证”组织在同一张图或同一组图里。engineer-figure 的参考图谱覆盖这些方向：
- 神经算子、PINN、物理约束 GNN、数字孪生和仿真代理模型
- 控制系统、强化学习、轨迹跟踪、鲁棒性和闭环反馈
- 逆向设计、工程优化、代理仿真器和设计空间搜索
- 机器人、具身智能、传感反馈和真实实验平台
- 电池、能源系统、复杂动力学和可解释模型
下面这些示例展示了工程论文中常见的高质量图形组织方式：物理场预测、控制任务验证、网络化系统建模、逆向设计、实验平台和物理约束建模。
| 神经算子 / 物理场预测 | 控制任务 / 轨迹验证 |
|---|---|
 |
 |
| 网络控制 / 多智能体系统 | 逆向设计 / 工程优化 |
|---|---|
 |
 |
| 实验平台 / 传感数据 | 能源系统 / 物理约束建模 |
|---|---|
 |
 |
这些图像主要帮你快速理解这套 skills 面向哪些工程图形。公开发布时，请依据各图像来源的许可条款确认再分发方式；已收录的第三方论文图来源见 ATTRIBUTION.md。
- 刚进入课题组，不知道英文论文该从哪里读起的研究生
- 正在写第一篇中文论文、课程论文、开题报告或毕业论文的学生
- 看到 GitHub 项目 README、
train.py、config.yaml时不知道怎么下手的初学者 - 需要把英文前沿文献转成中文论文引言、相关工作、讨论材料的作者
- 需要制作工科、控制、仿真、深度学习、机器人、能源、材料、信号处理等方向论文图的研究者
- 希望获得结构化 AI 辅助，而不是泛泛总结的科研使用者
你不需要一开始就很懂编程，也不需要已经熟悉论文套路。只要提供具体问题、论文、代码或实验数据，这套 skills 会尽量用中文把背后的研究逻辑、工程含义和表达方式讲清楚，像师兄师姐坐在旁边一样，先告诉你应该看哪里、为什么看这里、下一步可以怎么做。
第一篇论文通常不是从“写作”开始的，而是从一连串基础问题开始的：
这个方向到底在研究什么？
这篇英文论文为什么重要？
我能不能复现别人的方法？
我的实验结果说明了什么？
这张图能不能支撑我的结论？
我的工作和别人相比到底新在哪里？
这套 skills 把这个过程拆成三个最常见的入口。
-
先用
engineer-literature读文献
帮你从英文论文里抓住研究问题、技术路线、实验依据和可引用观点。 -
再用
engineer-read-code读代码
帮你看懂 README、训练脚本、仿真程序、评估流程和变量含义。 -
最后用
engineer-figure做图
帮你把方法、实验、对比和结论组织成支撑论文论证的图形。
这不是替代科研训练的捷径，而是一套面向入门阶段的辅助路线。判断、实验、修改和核验仍然要由研究者完成；这些 skills 的作用，是在你第一次面对文献、代码和论文图时，尽量把问题讲清楚，把步骤拆小，让第一篇论文推进得更有序。
读英文前沿文献，并转成中文科研写作素材。
适合这些场景：
- “帮我读这篇英文论文，告诉我对我的中文论文有什么用。”
- “这个方向最近有哪些前沿工作？”
- “帮我把这些文献整理成 related work。”
- “这句话需要什么文献支撑？”
- “这篇文章的方法、实验、局限性分别是什么？”
它会尽量输出：
- 这篇文章解决什么问题
- 核心方法是什么
- 实验证据强不强
- 和已有工作的区别
- 局限性和可攻击点
- 可以写进中文论文的角度
- 后续应该继续追哪些关键词
它最适合帮你完成第一篇论文里很关键的一步：把“我看过很多论文”变成“我知道这个领域的问题、方法和 gap 是什么”。
用中文给科研初学者解释工科代码、README、脚本和小项目。
适合这些场景：
- “我是科研初学者，帮我读懂这个
train.py。” - “这个 README 让我先 install requirements，再 run evaluate.py，这每一步是干嘛的？”
- “这个仿真脚本里每个变量代表什么物理意义？”
- “这段控制/深度学习/数据处理代码怎么运行？”
- “我想改一个参数，会影响哪里？”
它会优先讲：
- 这段代码或项目是干什么的
- 输入是什么，输出是什么
- 运行顺序是什么
- 关键语法是什么意思
- 工程变量对应什么物理量、信号、轨迹、指标或模型
- 初学者常见阻塞点
- 建议先读哪些文件
它不会默认你已经懂项目结构，也不会直接堆语法名词。它会先告诉你：这个项目想解决什么科研问题，你应该从哪里开始读，哪一步是安装，哪一步是训练，哪一步是评估，最后生成的结果在哪里。
面向工科论文的高质量画图 workflow。
适合这些场景：
- “帮我画一张论文级方法框架图。”
- “把我的结果画成 Nature/高水平期刊风格。”
- “这个控制算法需要机制图、轨迹证据和指标对比。”
- “中文论文里的图字体太小、排版太乱，帮我重做。”
- “我要导出 SVG/PDF/TIFF 用于投稿。”
它的原则是：先确定图要证明什么，再决定怎么画。不会一上来就默认柱状图、折线图或热图。
特别注意：这个 skill 在真正画图前会要求你选择 Python 或 R，然后全程只用你选的后端生成、预览和导出图片。
对科研初学者来说，画图最重要的不是“好看”，而是“这张图到底在帮我证明什么”。engineer-figure 会先帮你想清楚核心结论、证据链和审稿人可能会问的问题，再开始画。
你可以这样问：
Use $engineer-literature 阅读这篇论文。请用中文告诉我：
1. 它解决什么工程问题；
2. 核心方法是什么；
3. 实验证据是否充分；
4. 能不能写进我的引言或相关工作。
如果你问“最新”“前沿”“近几年”，它应该先检索或核验来源，而不是只靠记忆回答。
你可以这样问：
Use $engineer-read-code 帮我读懂这个项目 README。我是科研初学者，请先讲这个项目想解决什么问题，再讲怎么安装、怎么训练、怎么评估、输出文件在哪里。
如果你贴的是代码片段，它会从“这段代码是干什么的”开始讲，不会直接堆语法名词。
你可以这样问：
Use $engineer-figure 帮我设计一张工科论文图。
我的结论是：新方法在复杂扰动下比基线控制器更稳定。
我有轨迹误差、控制输入、成功率和消融实验数据。
如果你没有说用 Python 还是 R，它会先问你：
Python or R?
你可以把三件套连起来用：
- 用
engineer-literature读英文前沿文献，整理研究 gap 和相关工作。 - 用
engineer-read-code看懂论文配套代码、复现实验或理解别人项目。 - 用
engineer-figure把自己的方法、实验和对比结果画成论文图。
例如：
先用 $engineer-literature 帮我读这 5 篇关于 physics-informed GNN 的论文，
整理成中文 related work。
然后用 $engineer-read-code 帮我读懂其中一个开源项目的 README 和 train.py。
最后用 $engineer-figure 帮我把我的方法流程和实验结果设计成一张多面板论文图。
如果你正在从零开始写第一篇论文，也可以这样用：
我是一名刚入门的工科研究生，准备做第一篇论文。
我的方向是 XXX，但我还不太清楚该怎么开始。
请先用 $engineer-literature 帮我梳理这个方向最近 3-5 年的研究主线，
再告诉我应该读哪些代表性论文、关注哪些方法和指标。
然后逐步追问：
这篇论文我没读懂，请帮我用中文解释它的问题、方法、实验和局限性。
这是它的开源代码 README，请用 $engineer-read-code 告诉我怎么跑起来。
这是我的实验结果，请用 $engineer-figure 帮我设计一张能支撑论文结论的图。
把三个 skill 文件夹放到你的 Codex skills 目录下：
~/.codex/skills/
engineer-literature/
engineer-read-code/
engineer-figure/
Windows 上通常类似：
C:\Users\<你的用户名>\.codex\skills\
放好后，重启或刷新 Codex，让它重新发现 skills。
engineer-research-skills/
README.md
engineer-literature/
SKILL.md
references/
agents/
evals/
engineer-read-code/
SKILL.md
agents/
evals/
engineer-figure/
SKILL.md
references/
assets/
agents/
evals/
- AI 可以帮你读、整理、比较和画图，但论文里的事实、引用和结论仍然需要你最终核对。
- 只要涉及“最新文献”“前沿进展”“引用支撑”，都应该要求它检索或核验来源。
- 读代码时，不要一开始就要求逐行解释所有文件。先读 README、入口脚本、配置文件和输出目录。
- 画图时，先告诉它你的核心结论。没有结论的图，很容易变成好看的装饰。
- 中文论文图不要盲目追求极小字号。可读性优先，尤其是给导师、审稿人和答辩委员看的图。
刚开始做科研时，慢一点没有关系。重要的是每读一篇论文，都能多理解一点问题；每跑通一个脚本，都能多理解一点方法；每画一张图，都能更清楚地表达自己的结论。你不需要一开始就知道所有答案，只要有人帮你把第一步、第二步、第三步拆出来，科研就会从一团乱麻慢慢变成可以推进的事情。
- 不替你伪造实验结果。
- 不编造不存在的文献、数据集、指标或结论。
- 不保证未经核验的引用一定正确。
- 不默认复制论文原图作为你的图。
- 不建议把 AI 输出未经审查地直接写进论文。
后续可以继续增加：
engineer-writing: 中文论文初稿、引言、摘要、讨论写作engineer-response: 审稿意见回复engineer-experiment: 实验设计、消融实验、指标体系engineer-reproduce: 论文代码复现与环境整理engineer-presentation: 组会/开题/答辩 PPT
这套包现在先从最基础、最常用的三件事开始：读文献、读代码、画论文图。
希望它能像一个一直在旁边提醒你重点的师兄师姐，帮你把第一篇论文从“完全不知道怎么开始”，慢慢推进到“我知道自己在研究什么，也知道该怎么表达它”。
本项目主体内容采用 Creative Commons Attribution 4.0 International License 发布。你可以自由复制、修改、二次创作、引用和再分发，但请保留适当署名和来源链接。
仓库中来自第三方论文或出版页面的参考图片不自动适用本项目许可，请以原始论文页面和 ATTRIBUTION.md 中记录的许可信息为准。