Supervisor-Skills

图1：Supervisor-Skills 项目图标

想象一下：深夜两点，你在电脑前反复修改论文 Introduction，导师的修改意见还是上周那条"逻辑不够清晰"——而截稿日期只剩三天。

Supervisor-Skills 就是为了解决这类"科研最后一公里"问题而诞生的。

背景：科研人的"经验税"与 AI 时代的机遇

发起人骆昱宇是香港科技大学（广州）的助理教授，曾在 SIGMOD、VLDB、ICML、NeurIPS 等顶会发表 30+ 篇论文，并担任多场顶会 PC。多年的审稿与指导经历让他反复看到一个现象：许多才华横溢的研究生，在踏入科研大门时，总会被相似的困境困住——读了再多"科研指南"，面对自己的课题时依旧不知如何下笔；导师日程繁忙，无法对每一个想法进行及时、细致的评估；论文写完，却不确定逻辑是否严密。

大模型很强大，但若缺乏判断力与学术品味，AI 也只是"高级玩具"。骆昱宇认为，卓越的科研成果，无法仅靠"万能 Prompt"催生——这催生了 Supervisor-Skills 的核心思路：将资深科研者的隐性知识，转化为人人可用的 AI 工具。

核心架构："道"与"器"的双轨体系

项目采用独特的 Guide + Skills 双轨制架构：

图2：论文写作核心流程图（技术类论文路径）

handbook（理论指南） 提供六章系统方法论：

章节	内容
第一章：宏观认识	从审稿人视角评价论文质量
第二章：Idea 生成	构思的诞生与升华路径
第三章：论文写作	Introduction / Technical Paper / Benchmark 写作模板
第四章：科研作图	Motivated Example / Solution Overview / 实验结果图
第五章：Vibe Research	AI 辅助科研的前沿实战
第六章：案例剖析	ICML/ICLR/VLDB 顶会论文写作复盘

Skills（可执行 AI 技能） 则将经验封装为 LLM 可直接执行的 Prompt 规范，涵盖两条论文写作主线：

• 技术类论文：idea-evaluator → tech-paper-template → intro-drafter → figure-designer → pre-submission-reviewer
• Benchmark 类论文：benchmark-paper-template → figure-designer → pre-submission-reviewer

此外还有横向工具 vibe-research-workflow，提供 AI 协作的行为规则与工具选择建议。

图3：AFlow 论文解决方案架构图（案例剖析示例）

实战案例：如何在一个月内完成一篇顶会投稿

以技术论文主线为例，一个真实的科研周期可能是这样的：

第一周（立项）：你有一个自认为不错的 idea，但不确定是否值得做。用 idea-evaluator 做一次系统"体检"——它会从新颖性、可行性、潜在影响等维度评估你的想法，淘汰弱 idea，打磨有潜力的方向。这不是简单问"好不好"，而是引导你想清楚：这个问题为什么要现在解决？

第二周（建模与实验）：确定方向后，用 tech-paper-template 先锁住论文的逻辑骨架。这个模板强迫你在写任何段落之前，先把"问题定义→相关工作→方法→实验→结论"的逻辑链梳理清楚，避免写到一半发现方向走偏。

第三周（写作）：有了骨架，用 intro-drafter 把 Introduction 拆成六段式大纲——这六段不是随便写的，每一段都有特定的功能和逻辑要求，是多年审稿经验总结出的"套路"。

第四周（打磨）：用 figure-designer 规划三张承重图：Motivated Example（引发读者兴趣）、Solution Overview（让方法一目了然）、实验结果图（有力支撑结论）。图表是论文的"第一印象"，直接影响审稿人的阅读动力。

截止前 3-5 天：用 pre-submission-reviewer 做最终审核——不是改语法，而是检查逻辑漏洞、格式规范、图表质量等"隐性雷区"。

图4：Alpha-SQL 论文解决方案架构图（ICML 2025 案例）

技术细节：SKILL.md 的机器可读规范

每个技能目录下都有一个 SKILL.md 文件，这是 Supervisor-Skills 的核心可执行单元。格式规范包括：

• 完整性核查清单：技能执行前需要确认的前置条件
• 输出格式规范：LLM 输出的结构化格式定义
• 模式选项：不同的处理场景对应不同的执行分支

这种设计使得 Skills 不仅可以被人类当作"思考清单"使用，更可以被各种 LLM 工具（如 Claude Code、Cursor 等）作为插件加载，自动执行科研协作流程。项目还提供了插件化框架（plugins/phd-research/skills/），方便扩展更多技能。

上手门槛与使用方式

零技术门槛：Supervisor-Skills 本身不包含任何代码执行环境，就是一个 Markdown 文档库。任何人都可以直接在 GitHub 上阅读，也可以 Clone 到本地作为参考手册。

进阶使用：将 Skills 作为 LLM 工具的插件加载，可以让 AI 在科研过程中真正"懂行"——不只是生成文字，而是按照顶会审稿标准来评估和优化内容。这需要 LLM 工具支持插件系统（如 Claude 的 MCP、Cursor 的 Agent 等）。

配套资源：handbook 目录下还提供了配套 PDF 讲义"博士生科研入门辅导.pdf"，适合打印或在 iPad 上阅读，包含了完整的科研入门思路框架。

局限与争议

需要坦诚地说：Supervisor-Skills 的本质是一套方法论 Prompt 集合，而非可直接运行的 AI Agent。它不能替你做实验、跑代码、写论文——它提供的是"应该如何思考"的框架，最终的执行仍然依赖人。

此外，方法论的质量高度依赖发起人的学术背景——主要反映的是香港科大（广州）体系内的科研经验，可能不完全适用于其他学校或学科。

行业意义

在 AI 科研工具爆发的当下，大多数工具关注的是"如何让 AI 帮你写代码"或"如何让 AI 生成图片"，而 Supervisor-Skills 填补了一个重要空白：如何让 AI 帮你提升科研质量本身。

随着大模型能力的持续提升，这种"AI 辅助科研全生命周期"的思路，可能会成为 AI 时代科研工作者的标配工具——就像今天的代码补全工具一样自然。