Light-skills

Light-skills 是由开发者 Light0305 发起并持续维护的开源科研与创新项目全流程 AI 技能包，核心定位是“把一个研究或创新项目从‘模糊想法’推进到‘可检查的交付物’——不是再堆更多提示词，而是把科研流程拆成 20 多个互相衔接、有纪律、可阻断的工程化技能”。它不满足于做一份“科研 prompt 合集”或零散的文献工具，而是将总控编排、跨对话记忆、文献调研、idea 批判、研究设计、数据工程、实验编码、结果分析、论文写作、引用核查、跨材料一致性、LaTeX 排版、期刊匹配、审稿返修、科研绘图、前端展示、系统设计、专利与软著整合于一套公开、通用、领域无关的技能体系中，全部配有 git clone + bootstrap_agent_skills.py 一键安装到 Claude Code / Codex / OpenCode、MIT 开源协议，以及发布数月即获 640–779 GitHub Stars。

一、Light-skills 是什么

Light-skills 采用“总控路由 + 常驻纪律 + 主线技能 + 工程/IP 出口”的分层架构，通过 GitHub 完全开源发布，采用 MIT 许可证。项目在 skills/ 目录下逐个填入技能，每个技能 = SKILL.md + scripts/*.py，面向用户的核心脚本带 --selftest，公开架构为“总控 1 + 常驻 5 + 主线 13 + 工程/IP 4”。

它的运作机制与市面上绝大多数“AI 科研工具”都有本质区别。大多数科研 AI 工具是孤立的单点能力——一个文献检索、一个论文润色、一个画图脚本——用完就断，下一个环节要重新交代上下文。Light-skills 的设计哲学直接写在了技能目录的显眼位置：“做透优先于做多——一个对话做透一个技能”，先按需联网核验同类工具、论文和源码，记录 commit、stars 与证据边界，“不要把‘10 个’‘最强’‘父仓热度’当成未核验宣传口径”。它不追求“功能列表最长”，而是要求每个技能名实对齐、selftest 亲手跑过 exit 0。

二、Light-skills 能做什么

总控与跨对话连续性——让科研项目不在对话切换中断片（控） ——不是“每次新对话从零开始”，而是“总控理解任务、追问必要信息、选择技能链路、设置用户确认点”。light-orchestrator 是总控入口，产出阶段计划、技能路由、决策检查点和工作流台账；light-memory-pm 负责项目台账与跨对话续接，产出项目卡、交接卡、决策日志和续接提示，并且明确“不把私人记忆写进公开仓库”。科研项目天然是跨天、跨周、跨多次对话的，这个“记忆层”解决的是最容易被 AI 工具忽略的连续性问题。

“先读再写”与“查不到就标 unknown”——两条硬纪律贯穿全流程（纪） ——不是“让 AI 凭训练语料编”，而是“先读文件、数据、日志和论文源，再判断下一步”；事实、DOI、链接、期刊规则和软件版本不靠猜，查不到就标 unknown。light-file-reading 不只提取文字，而是产出结构化的“理解笔记”（结构逻辑、关键内容、格式约束、视觉风格、可复用），并列出“未核查声明列表”；light-citation 做引用真实性核查、DOI/链接/定位信息和声明—引用绑定，产出引用注册表、四门核查和可疑引用清单。这些不是“建议”，是被编码进技能输出格式的可检查项。

从文献到 idea 到研究设计——把“新不新、做不做得成”变成结构化判断（研） ——不是“让 AI 随便头脑风暴”，而是“检索缺口 → 生成候选 idea → 批判创新性与可证伪性 → 转成可执行研究计划”。light-literature-search 产出检索式、证据地图、文献表和 PRISMA 式流程记录；light-idea-generation 从文献缺口、交叉领域和约束中生成候选 idea，产出 idea 卡与候选排序；light-idea-critique 做创新性、可证伪性、可行性和致命缺陷批判，产出 go/no-go 判定和反例清单；light-research-plan 把问题转成假设、变量、对照、样本量/功效检查和失败树。

数据、实验与结果——可复现不是口号，是 run manifest 和 seed 审计（验） ——不是“跑出个数就行”，而是“数据卡、质量门、泄漏检查、seed 审计、run manifest”。light-data-engineering 评估数据身份、访问权限、质量、划分、泄漏和漂移风险；light-experiment-coding 构建可复现实验脚手架、配置 schema 和运行记录；light-result-analysis 做统计检验、方法兼容性检查和结果解释，信号不等于定罪，AI 不能自评，一律“机读门 + 人工复核”。

论文交付链——写作、引用、一致性、排版、选刊、返修一条链（交） ——不是“写一段润色一段”，而是“claim 必须绑定证据，措辞强度匹配证据强度，绝不过度宣称”。light-paper-writing 组织 IMRaD/会议稿结构、贡献与局限，产出 claim–evidence 绑定和自审清单；light-consistency 是跨材料一致性常驻门——在所有产出材料后台核查术语、指标（名+值）、创新点表述和方法名在论文、PPT、软著、代码、项目文档之间是否统一，定义一改回扫所有已产出材料，把“各处说法对齐”从口头建议落成可机检、可阻断、可被总控聚合的机读门；light-typesetting 做可复现 LaTeX 编译与投稿前检查，缺工具时标 UNAVAILABLE，不假装排版成功；light-venue-matching 按主题、证据、风险和隐私约束匹配期刊/会议；light-review-rebuttal 分解审稿意见、规划补实验、管理承诺并撰写回复。

科研绘图、展示与系统设计——图表必须可复现，界面要能交付（图） ——不是“画个好看的图”，而是“论文图、数据图、实验图走 Python/R 程序化生成”，检查尺寸、字号、色盲安全和视觉诚实。light-figure 支持 Python 与 R（ggplot2），没有 R 时先问你继续用 Python 诚实降级还是配置 R，不偷偷降级；light-frontend-design 为科研/竞赛项目设计 demo 页面、组件结构和交互；light-system-design 设计软件架构、接口与上线准备度。

诚信、专利与软著——把“别造假别夸大”变成可阻断的门（诚） ——不是“伦理章节写一段话”，而是“伦理风险表、授权生命周期检查、撤稿/重叠/异常文本提示”。light-patent-disclosure 整理发明点与技术差异，不替代律师判断；light-software-copyright 整理软著材料清单与源码留存计划。

三、Light-skills 适合谁用

正在做论文但流程“断在各处”的研究生与博士生 ——idea 看起来新但没查新、论文写得顺但引用可能是假的、图表好看但数据和代码不可复现——这些正是 Light-skills 想正面解决的问题。它把科研拆成可审计、可回退、可交给用户决策的阶段，而不是让 AI 闷头从头跑到尾。

需要跨对话推进长期项目的独立研究者 ——科研项目不是一次对话能完成的，但大多数 AI 工具没有“记忆”。light-memory-pm 的项目卡、交接卡和决策日志，让下一次对话可以从上次停下的地方继续，而不是重新交代一切。

参加竞赛或创新项目、需要“论文 + Demo + 材料”组合交付的团队 ——Light-skills 不只覆盖论文，还覆盖前端展示、系统设计、专利交底和软著材料。对于“挑战杯”“互联网+”或创新项目验收这类需要多材料一致交付的场景，light-consistency 的跨材料核查正好切中痛点。

对“AI 编造引用和夸大结论”高度警惕的研究者 ——light-citation 的四门核查、light-consistency 的机读门、light-research-ethics 的诚信红线，以及“查不到标 unknown、不编造”的全流程纪律，让“AI 辅助”不至于变成“AI 添乱”。

已经在用 Claude Code / Codex / OpenCode 的科研向开发者 ——安装脚本直接生成对应客户端的技能发现入口，不需要手工复制单个技能；技能内有可运行脚本和 --selftest，适合喜欢“看代码、跑验证”的用户。

需要注意的是它不适合谁：如果你想要的是“一键生成一篇论文”的全自动工具，Light-skills 明确把关键节点留给人确认（选题、创新性、证据强度、投稿目标）；如果你期望“零配置开箱即用”，它需要 Git、Python 3.10+，以及按需的 LaTeX 和 R 环境；如果你只需要单点能力（比如只想润色一段文字），完整的技能链路可能显得过重。

四、Light-skills 的应用场景是什么

从“只有一个方向”到“可投稿论文”的全流程推进场景 ——你有一个研究方向，但不知道从哪里开始。/light-orchestrator 先追问目标、约束、数据来源和评价标准，再拆阶段计划和用户确认点；随后沿着文献调研 → idea 生成与批判 → 研究设计 → 数据与实验 → 结果分析 → 论文写作 → 引用核查 → 排版 → 选刊 → 返修，一站站推进。

已有 idea 的“查新与致命缺陷批判”场景 ——你有一个自认为新的想法，但不确定它是否真的新、是否做得成。light-idea-critique 结构化地检查创新性、可证伪性、相似工作、最强反例和审稿人攻击点，给出 go/no-go 判定和修订路线，而不是只给一句“这个想法不错”。

跨材料一致性的“回扫”场景 ——论文、PPT、软著、代码和项目文档里的术语、指标数值、方法名和创新点表述出现了不一致。light-consistency 在后台做跨材料机读核查，定义一改回扫所有已产出材料，把“各处说法对齐”从人工通读变成可阻断的检查点。

审稿返修的“承诺管理”场景 ——收到审稿意见后，需要逐条分解、规划补实验、管理“哪些承诺能兑现、哪些不能”。light-review-rebuttal 产出回复矩阵、承诺台账、实验请求门和 response letter，避免“为了回复而过度承诺”。

竞赛/创新项目的“论文 + Demo + 知识产权”组合交付场景 ——需要同时准备论文、展示界面、系统说明、专利交底和软著材料。Light-skills 的工程/IP 技能覆盖 frontend-design、system-design、patent-disclosure 和 software-copyright，让“多材料交付”不再是论文写完后临时拼凑。

五、Light-skills 为什么值得关注

从“单点 AI 工具”到“可审计的科研流程”的认知升维。大多数科研 AI 工具的价值是“帮你更快地做某一件事”。Light-skills 的价值是“把一件事拆成有前后依赖、有检查点、有证据绑定的阶段”。它的技能地图不是按“功能”排列，而是按科研主线排列：接收与理解 → 查新与 idea → 研究设计 → 数据与实验 → 论文交付。这种“流程即架构”的设计，是它区别于所有“科研 prompt 合集”最核心的价值。

“做透优先于做多”——一个反堆砌的技能包。在 AI 工具普遍追求“功能列表最长”的环境里，Light-skills 在技能目录里明确反对“把 10 个、最强、父仓热度当成未核验宣传口径”。它要求每个技能先联网核验同类工具和源码、记录 commit 和证据边界、selftest 亲手跑过 exit 0。这种“少而做透、名实对齐”的工程文化，在技能包生态中极为罕见。

“查不到就标 unknown + 机读门 + 人工复核”——把科研诚信写成可执行约束。Light-skills 不承诺“AI 不会犯错”，而是用架构约束错误的传播：事实查不到标 unknown，引用做四门核查，跨材料做一致性机读门，统计信号不直接定罪，AI 不能自评。在一个“AI 幻觉”成为科研场景最大担忧的时期，这种“可阻断、可追溯、可人工复核”的设计，比任何“我们保证准确”的声明都更有说服力。

MIT 协议 + 多客户端适配 + 活跃社区——低摩擦的科研工程化入口。项目采用 MIT 许可证，安装脚本适配 Claude Code、Codex 和 OpenCode，不需要为每个客户端手工复制技能。GitHub Stars 在发布数月内达到 640–779 区间，在科研技能包这一细分方向中属于社区验证较充分的水平。