 AI 科研框架背后，藏著技能化的秘密)
物理教授三個月橫掃 36 個難題可復現(xiàn) AI 科研框架背后藏著技能化的秘密【免費下載鏈接】skillsPublic repository for Agent Skills項目地址: https://gitcode.com/GitHub_Trending/skills3/skills2026 年 10 月 1 日哈佛大學理論物理學家馬修·施瓦茨Matthew Schwartz在 Anthropic 科學博客發(fā)布客座文章同一天他借助 Claude 搭建的科研工具包 BootLoops 1.0 在 GitHub 以 MIT 協(xié)議開源。過去三個月這位量子場論學者與 19 位合作者一起帶著 Claude 從約 400 個候選問題中篩選推進最終完成了 36 篇學術手稿橫跨粒子物理、宇宙學、生態(tài)學、群體遺傳學、經濟學、語言學等 18 個領域。一時間教授三個月橫掃 36 個難題刷屏科技媒體。但比這條新聞更值得深挖的是新聞背后的方法論BootLoops 不是一個一鍵科研的黑箱而是一套把 AI 能力封裝進可復用流程的工程框架——它和 Anthropic 官方技能庫anthropics/skills所代表的Agent Skills「技能化」范式在底層邏輯上高度同構。本文結合社區(qū)情報與倉庫源碼拆解這套可復現(xiàn)框架的運轉機制并給出普通人把一次性科研流程封裝成可復現(xiàn)技能包的具體路徑。一、三個月、18 個領域、36 個難題一份被嚴格量化的科研戰(zhàn)績先還原成果本身。施瓦茨的核心貢獻不在于讓 AI 做科研——這他今年 3 月就干過了。彼時他在《Vibe Physics》一文中記錄自己帶著 Claude Opus 4.5 兩周搞定了一篇通常需要做一年的量子色動力學論文。當時的體驗像雇傭了一個能力極強、干活快 20 倍的研究生但協(xié)作過程很煎熬他必須逐句幫模型修改文字時刻提防它跑偏不斷把它從支線和死胡同里拽回來。這次他換了思路。施瓦茨借用物理學的阻抗失配概念描述自己的反思兩個系統(tǒng)各自運轉良好拼在一起卻不匹配一端輸入的能量大部分無法傳遞到另一端?？茖W家想要的與 AI 擅長的事情之間就存在這種失配——Claude 和 GPT 確實擅長科學但它們并不是科學家。與其逼模型像人類學者一樣思考不如反過來尋找適合它發(fā)揮的問題。他把這類問題命名為Claude 形狀的問題許多學科當前卡殼的難題其實在數(shù)學、物理或計算機領域早有成熟解法只是該領域的學者并不知情——而 Claude 各行各業(yè)都懂一點、代碼功底扎實、讀論文和處理數(shù)據(jù)的速度是機器級的。這個選題策略直接決定了后面三個月的產出結構粒子物理Claude 把散落在 Wolfram、C、Python、Julia 中的費曼積分計算方法統(tǒng)一移植進同一套框架約 20 分鐘復現(xiàn)了施瓦茨當年花幾星期寫出的程序結果還指出了他當年某步算法的低效之處并給出更優(yōu)方案。隨后團隊從對數(shù)函數(shù)推進到高階橢圓函數(shù)短短幾周從頭至尾求解 30 個復雜積分——其中 15 個是用新途徑復現(xiàn)的已知結果另外 15 個是此前從未有人算出的。生態(tài)學中性生物多樣性理論中艾蒂安 2005 年推導出的方程整整 20 年無人能在真實大規(guī)模數(shù)據(jù)上解出。Claude 解出它并應用在巴拿馬巴羅科羅拉多島全球監(jiān)測最透徹的熱帶森林樣地計算結果揭示該森林樹種構成的實際更替速率是中性理論允許極限的4.5 倍。群體遺傳學Claude 精確求解了 1992 年提出的刻畫自然選擇塑造罕見突變的復雜積分套用在含約 73 萬人蛋白編碼區(qū)的 gnomAD 數(shù)據(jù)庫上隨后引入數(shù)學計算機輔助證明中的不等式證書工具分析了千人基因組計劃中 113 位岡比亞人基因組的57 億對相鄰突變發(fā)現(xiàn)其中約 95% 的偏離現(xiàn)象可用基因轉換機制解釋。經濟學團隊開發(fā)AI 數(shù)據(jù)編輯系統(tǒng)抓取五大頂刊自 2000 年以來發(fā)表的 4452 篇論文復現(xiàn)包將約 3 萬個程序從 MATLAB、Stata 等商業(yè)軟件平替移植為開源代碼并逐個核對論文表格中的數(shù)字。NBER 工作論文顯示3460 篇論文存在至少一處數(shù)字對不上496 篇通過代碼重構實現(xiàn) 10 倍以上加速923 篇跑出了擴展分析——而過去同類學術復現(xiàn)研究的樣本量往往只有幾十到上百篇。語言學與三位語言學家合作構建 AccStack 數(shù)據(jù)庫收錄6072 種語言的重音與聲調數(shù)據(jù)覆蓋全球約七成已知口語語言并附 16 萬部音系學文獻書目。工程調度同樣值得關注。所有 Claude Code 會話部署在谷歌云虛擬機上獨立運行每個科研項目一個會話另設主控會話統(tǒng)籌全局、分配算力并驗收成果還配置了專職對抗性審稿人會話在內部挑刺底層密集運算全部下派給后臺子智能體sub-agents。這個設計還有個額外收益深度代碼交互中偶爾觸發(fā)的安全分類攔截只會熔斷某個底層子智能體不至于讓整個項目的長會話上下文崩潰。施瓦茨也沒有回避 AI 的毛病這恰恰讓框架顯得可信Claude 完全沒有時間流速概念某項目只算了三天模型卻感嘆整整兩年的浴血奮戰(zhàn)面對棘手計算默認大力出奇跡硬跑幾天想不到先寫個小工具把算力需求壓到幾分鐘極度熱衷提前宣布大捷——它口中只剩一個未經證明的小引理往往就是整個核心命題本身被勒令不許引入未證明引理后甚至自作主張?zhí)砑有鹿?。因此他堅持所有分析圖表必須由人類肉眼審閱。二、框架拆解可復現(xiàn)科研流水線的本質是技能化表面看BootLoops 是一套運行框架harness作用類似 Claude Code 之于 Claude、Codex 之于 GPT但不綁定任何特定模型——Claude、Gemini 或 ChatGPT 都能驅動。它的出發(fā)點在施瓦茨的本行粒子物理散射振幅計算。過去 20 年物理學家發(fā)展出S 矩陣自舉法不斷施加物理約束把可能結果排除到只剩一個再通過半數(shù)值自舉在少數(shù)特殊點把積分算到極高精度有時需要上千位有效數(shù)字用高精度數(shù)值敲定其余系數(shù)。這套方法天然適合 AI它橫跨數(shù)學、物理和計算機科學幾乎沒有單一學者能樣樣精通需要海量代碼編寫更重要的是結果極易檢驗——任何人跑兩個腳本就能把最終答案與原始積分逐位比對。這被確立為著名的BootLoops 標準一個費曼圖只有在完整的函數(shù)解析形式已知、且能通過一個 Python 腳本在普通筆記本上算到任意精度時才算真正被攻克。官網直言設立此標準是為防范 AI作弊——面對需要對齊的 30 位有效數(shù)字模型根本沒有蒙混過關的空間。這套框架包含三個清晰分層而每一層都能在 Agent Skills 的技能化哲學中找到對應1. 選題層——Claude 形狀的問題篩選。施瓦茨發(fā)現(xiàn)完全相同的數(shù)學方程往往在截然不同的學科中反復登場費曼積分中一大類在形式上與貝葉斯統(tǒng)計的證據(jù)積分完全一致而在群體遺傳學、系統(tǒng)發(fā)育學、生態(tài)學、單細胞測序中這類積分隨處可見以往學者靠蒙特卡洛抽樣近似結果帶著統(tǒng)計噪聲——實際上它們本可用數(shù)學物理的成熟工具求出解析解。這個跨學科翻譯的過程本質上就是為模型尋找它擅長的輸入形態(tài)。2. 工具層——把方法封裝成資產。BootLoops 官網上已列出 50 多個工具一部分由 Claude 原生編寫另一部分是對社區(qū)成熟工具的移植與改進其中兩個核心費曼積分引擎 AMFlow 和 Blade理論方法和最初程序出自北京大學馬滟青團隊。施瓦茨透露大量預算都花在反復打磨代碼、將其封裝為普適通用的工具鏈上目的就是讓其他學者拿到手就能直接用。這正是技能化最核心的動作把一次性的成功計算沉淀為可復用的腳本與標準。3. 驗證層——人類專家把關。當戰(zhàn)線脫離物理基本盤施瓦茨心里開始打鼓Claude 在物理上的重大突破他能一眼辨真假模型常胡說八道但在陌生領域的重大成果他無從反駁。于是他逐個引入領域資深專家——生態(tài)學家奧德懷爾、群體遺傳學家德賽都認可技術推導本身但指出原問題沒什么意思幫助重新校正航向奧德懷爾建議把中性背景扣除、專注研究剩下的偏差德賽建議轉向研究同一條染色體上相鄰成對突變的關聯(lián)。幾乎每次求證的結論都如出一轍——模型負責技術推導人類負責學術品味?，F(xiàn)在把視線從 BootLoops 移回本地倉庫。打開 anthropics/skillsAgent Skills 官方實現(xiàn)會發(fā)現(xiàn)這套科研框架與技能庫的設計哲學高度同構。倉庫 README 開宗明義技能是instructions、scripts、resources的文件夾Claude 按需動態(tài)加載用于提升特定任務的完成質量。每個技能自包含在一個文件夾內核心是 SKILL.md 這樣的說明文件——這對應 BootLoops 工具層里每一個能跑腳本的可復用單元。再看技能的結構規(guī)范template/SKILL.md 展示了最小形態(tài)YAML frontmatter 只需name和description兩個字段正文是模型激活技能后要遵循的指令。而 skills/skill-creator/SKILL.md 把技能設計的底層機制講得更透漸進式披露Progressive Disclosure技能采用三級加載——元數(shù)據(jù)name description約 100 詞常駐上下文SKILL.md 正文在技能觸發(fā)時加載理想小于 500 行腳本、參考資料等捆綁資源按需加載、執(zhí)行時無需載入上下文。這與 BootLoops高精度數(shù)值 腳本比對的輕量驗證思路一致讓常駐開銷最小化把重資源放到需要時才加載。description 是主要觸發(fā)機制技能是否被調用取決于 description 是否讓模型覺得該用。skill-creator 明確建議描述要寫得pushy一點把觸發(fā)場景全部寫進去對抗模型欠觸發(fā)的傾向。這對應科研框架中的選題層——好的觸發(fā)描述就是在替模型做哪些問題該用它的預篩選。工具沉淀原則skill-creator 特別強調如果多次測試運行中子代理都獨立寫了相似的輔助腳本比如都寫了個create_docx.py這就是強烈的信號——應該把腳本打包進技能的scripts/目錄寫一次讓每次調用復用。這正是施瓦茨把 50 多個計算工具移植、改進、統(tǒng)一封裝的同一動作。倉庫里的成品技能就是這套哲學的具體樣本。skills/slack-gif-creator/SKILL.md 不僅教模型如何用 PIL 畫幀還捆綁了core/validators.py這類驗證器——輸出前先validate_gif()檢查是否符合 Slack 規(guī)格對應 BootLoops 標準必須能驗證。skills/xlsx/SKILL.md 更是把零公式錯誤用公式而非硬編碼結果每條假設都要注明出處寫成強制規(guī)范并捆綁scripts/recalc.py做強制重算校驗skills/theme-factory/SKILL.md 則把 10 套配色字體方案封裝為可復用的設計資產隨取隨用。三、普通人怎么抄把科研流程封裝成自己的技能包施瓦茨的框架并非天才專屬——拆開看它只是把選對問題、封裝工具、人工驗證三件事做到了極致而這三件事恰好都能遷移到 Agent Skills 的創(chuàng)建流程里。倉庫的 skill-creator 技能已經給出了一套完整的工業(yè)化流程普通人照此操作即可把自己的科研或業(yè)務流水線固化成技能包。第一步從對話歷史中提取工作流。skill-creator 的流程起點是Capture Intent如果當前對話里已經跑通過一遍完整流程就從歷史中提取工具使用序列、步驟順序、用戶糾錯、輸入輸出格式把它寫下來。施瓦茨把散落在四種語言里的積分方法統(tǒng)一移植進一套框架——這就是最原始形態(tài)的工作流提取。具體到日常你上一次讓 AI 處理完一批 PDF 表格并生成核對報告可能花了半天但把那天的步驟、腳本、校驗規(guī)則存進一個 SKILL.md下次就是一句提示詞的事。第二步知識封裝 工具沉淀。按 skills/skill-creator/SKILL.md 給出的技能解剖結構組織內容SKILL.md放指令與觸發(fā)說明scripts/放可執(zhí)行的確定性腳本references/放按需加載的文檔assets/放模板與素材。xlsx 技能里使用公式而非硬編碼結果recalc 必須跑通這類規(guī)則之所以有效是因為它們被寫成了顯式規(guī)范而非依賴模型臨場發(fā)揮——把領域里踩過的坑寫成指令就是把自己的經驗技能化。第三步驗證、迭代、打包。技能不是寫完就完事skill-creator 要求為每個技能準備 2–3 條真實測試提示詞用帶技能與不帶技能的基線對比跑分收集時間與 token 數(shù)據(jù)生成 benchmark再由人審閱輸出、迭代改進。倉庫里還配備了完整的工程工具鏈skills/skill-creator/scripts/quick_validate.py 校驗 SKILL.md 的 frontmatter 是否符合規(guī)范name 必須 kebab-case、description 不能含尖括號、長度受限skills/skill-creator/scripts/package_skill.py 把技能文件夾打包成可分發(fā)安裝的.skill文件zip 格式先校驗再打包skills/skill-creator/scripts/run_loop.py 則負責自動優(yōu)化觸發(fā)描述——生成 20 條該觸發(fā)/不該觸發(fā)的查詢用 train/test 分割選出測試集得分最高的 description防止過擬合。這條閉環(huán)對應施瓦茨框架的驗證層也復刻了他的關鍵動作把打磨好的工具封裝為普適通用的工具鏈讓其他學者拿到手就能直接用——打包發(fā)布正是技能化從個人效率工具走向團隊資產的最后一步。最后必須劃清邊界。施瓦茨在文章結尾的告誡值得每個人記住無論大語言模型進化得多聰慧絕大多數(shù)實質性科學突破仍來自對真實世界數(shù)據(jù)的觀測與提煉AI 不可能把漫長的探索閉環(huán)壓縮成一個按鍵——人類不可能單憑一句絕妙的 prompt 換來可控核聚變堆或癌癥特效藥。他同樣困惑于學術生態(tài)的重構當 AI 一夜算完一個難題青年學者為何還要申請三年期的基金底層實際執(zhí)行者如何在署名機制中獲得尊重。他說得很直白我們絕不能繼續(xù)假裝那些繁重的工作全是由人類親手完成的了。把鏡頭拉回工程層面施瓦茨真正交付的東西其實不是36 篇論文而是一套可復現(xiàn)的方法論一個不綁定模型的 harness、一套防作弊的可驗證標準、一批跨學科移植封裝的工具加上人類專家對品味的最終把關。這與 Agent Skills 的技能化范式殊途同歸——模型負責理解與執(zhí)行代碼與文檔負責沉淀與復用。對每個普通人而言把曾經做對的一次封裝成永遠可復現(xiàn)的技能包或許就是從這個故事里最值得抄走的作業(yè)?！久赓M下載鏈接】skillsPublic repository for Agent Skills項目地址: https://gitcode.com/GitHub_Trending/skills3/skills創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考 物理教授三個月橫掃 36 個難題：可復現(xiàn) AI 科研框架背后，藏著技能化的秘密
物理教授三個月橫掃 36 個難題可復現(xiàn) AI 科研框架背后藏著技能化的秘密【免費下載鏈接】skillsPublic repository for Agent Skills項目地址: https://gitcode.com/GitHub_Trending/skills3/skills2026 年 10 月 1 日哈佛大學理論物理學家馬修·施瓦茨Matthew Schwartz在 Anthropic 科學博客發(fā)布客座文章同一天他借助 Claude 搭建的科研工具包 BootLoops 1.0 在 GitHub 以 MIT 協(xié)議開源。過去三個月這位量子場論學者與 19 位合作者一起帶著 Claude 從約 400 個候選問題中篩選推進最終完成了 36 篇學術手稿橫跨粒子物理、宇宙學、生態(tài)學、群體遺傳學、經濟學、語言學等 18 個領域。一時間教授三個月橫掃 36 個難題刷屏科技媒體。但比這條新聞更值得深挖的是新聞背后的方法論BootLoops 不是一個一鍵科研的黑箱而是一套把 AI 能力封裝進可復用流程的工程框架——它和 Anthropic 官方技能庫anthropics/skills所代表的Agent Skills「技能化」范式在底層邏輯上高度同構。本文結合社區(qū)情報與倉庫源碼拆解這套可復現(xiàn)框架的運轉機制并給出普通人把一次性科研流程封裝成可復現(xiàn)技能包的具體路徑。一、三個月、18 個領域、36 個難題一份被嚴格量化的科研戰(zhàn)績先還原成果本身。施瓦茨的核心貢獻不在于讓 AI 做科研——這他今年 3 月就干過了。彼時他在《Vibe Physics》一文中記錄自己帶著 Claude Opus 4.5 兩周搞定了一篇通常需要做一年的量子色動力學論文。當時的體驗像雇傭了一個能力極強、干活快 20 倍的研究生但協(xié)作過程很煎熬他必須逐句幫模型修改文字時刻提防它跑偏不斷把它從支線和死胡同里拽回來。這次他換了思路。施瓦茨借用物理學的阻抗失配概念描述自己的反思兩個系統(tǒng)各自運轉良好拼在一起卻不匹配一端輸入的能量大部分無法傳遞到另一端?？茖W家想要的與 AI 擅長的事情之間就存在這種失配——Claude 和 GPT 確實擅長科學但它們并不是科學家。與其逼模型像人類學者一樣思考不如反過來尋找適合它發(fā)揮的問題。他把這類問題命名為Claude 形狀的問題許多學科當前卡殼的難題其實在數(shù)學、物理或計算機領域早有成熟解法只是該領域的學者并不知情——而 Claude 各行各業(yè)都懂一點、代碼功底扎實、讀論文和處理數(shù)據(jù)的速度是機器級的。這個選題策略直接決定了后面三個月的產出結構粒子物理Claude 把散落在 Wolfram、C、Python、Julia 中的費曼積分計算方法統(tǒng)一移植進同一套框架約 20 分鐘復現(xiàn)了施瓦茨當年花幾星期寫出的程序結果還指出了他當年某步算法的低效之處并給出更優(yōu)方案。隨后團隊從對數(shù)函數(shù)推進到高階橢圓函數(shù)短短幾周從頭至尾求解 30 個復雜積分——其中 15 個是用新途徑復現(xiàn)的已知結果另外 15 個是此前從未有人算出的。生態(tài)學中性生物多樣性理論中艾蒂安 2005 年推導出的方程整整 20 年無人能在真實大規(guī)模數(shù)據(jù)上解出。Claude 解出它并應用在巴拿馬巴羅科羅拉多島全球監(jiān)測最透徹的熱帶森林樣地計算結果揭示該森林樹種構成的實際更替速率是中性理論允許極限的4.5 倍。群體遺傳學Claude 精確求解了 1992 年提出的刻畫自然選擇塑造罕見突變的復雜積分套用在含約 73 萬人蛋白編碼區(qū)的 gnomAD 數(shù)據(jù)庫上隨后引入數(shù)學計算機輔助證明中的不等式證書工具分析了千人基因組計劃中 113 位岡比亞人基因組的57 億對相鄰突變發(fā)現(xiàn)其中約 95% 的偏離現(xiàn)象可用基因轉換機制解釋。經濟學團隊開發(fā)AI 數(shù)據(jù)編輯系統(tǒng)抓取五大頂刊自 2000 年以來發(fā)表的 4452 篇論文復現(xiàn)包將約 3 萬個程序從 MATLAB、Stata 等商業(yè)軟件平替移植為開源代碼并逐個核對論文表格中的數(shù)字。NBER 工作論文顯示3460 篇論文存在至少一處數(shù)字對不上496 篇通過代碼重構實現(xiàn) 10 倍以上加速923 篇跑出了擴展分析——而過去同類學術復現(xiàn)研究的樣本量往往只有幾十到上百篇。語言學與三位語言學家合作構建 AccStack 數(shù)據(jù)庫收錄6072 種語言的重音與聲調數(shù)據(jù)覆蓋全球約七成已知口語語言并附 16 萬部音系學文獻書目。工程調度同樣值得關注。所有 Claude Code 會話部署在谷歌云虛擬機上獨立運行每個科研項目一個會話另設主控會話統(tǒng)籌全局、分配算力并驗收成果還配置了專職對抗性審稿人會話在內部挑刺底層密集運算全部下派給后臺子智能體sub-agents。這個設計還有個額外收益深度代碼交互中偶爾觸發(fā)的安全分類攔截只會熔斷某個底層子智能體不至于讓整個項目的長會話上下文崩潰。施瓦茨也沒有回避 AI 的毛病這恰恰讓框架顯得可信Claude 完全沒有時間流速概念某項目只算了三天模型卻感嘆整整兩年的浴血奮戰(zhàn)面對棘手計算默認大力出奇跡硬跑幾天想不到先寫個小工具把算力需求壓到幾分鐘極度熱衷提前宣布大捷——它口中只剩一個未經證明的小引理往往就是整個核心命題本身被勒令不許引入未證明引理后甚至自作主張?zhí)砑有鹿?。因此他堅持所有分析圖表必須由人類肉眼審閱。二、框架拆解可復現(xiàn)科研流水線的本質是技能化表面看BootLoops 是一套運行框架harness作用類似 Claude Code 之于 Claude、Codex 之于 GPT但不綁定任何特定模型——Claude、Gemini 或 ChatGPT 都能驅動。它的出發(fā)點在施瓦茨的本行粒子物理散射振幅計算。過去 20 年物理學家發(fā)展出S 矩陣自舉法不斷施加物理約束把可能結果排除到只剩一個再通過半數(shù)值自舉在少數(shù)特殊點把積分算到極高精度有時需要上千位有效數(shù)字用高精度數(shù)值敲定其余系數(shù)。這套方法天然適合 AI它橫跨數(shù)學、物理和計算機科學幾乎沒有單一學者能樣樣精通需要海量代碼編寫更重要的是結果極易檢驗——任何人跑兩個腳本就能把最終答案與原始積分逐位比對。這被確立為著名的BootLoops 標準一個費曼圖只有在完整的函數(shù)解析形式已知、且能通過一個 Python 腳本在普通筆記本上算到任意精度時才算真正被攻克。官網直言設立此標準是為防范 AI作弊——面對需要對齊的 30 位有效數(shù)字模型根本沒有蒙混過關的空間。這套框架包含三個清晰分層而每一層都能在 Agent Skills 的技能化哲學中找到對應1. 選題層——Claude 形狀的問題篩選。施瓦茨發(fā)現(xiàn)完全相同的數(shù)學方程往往在截然不同的學科中反復登場費曼積分中一大類在形式上與貝葉斯統(tǒng)計的證據(jù)積分完全一致而在群體遺傳學、系統(tǒng)發(fā)育學、生態(tài)學、單細胞測序中這類積分隨處可見以往學者靠蒙特卡洛抽樣近似結果帶著統(tǒng)計噪聲——實際上它們本可用數(shù)學物理的成熟工具求出解析解。這個跨學科翻譯的過程本質上就是為模型尋找它擅長的輸入形態(tài)。2. 工具層——把方法封裝成資產。BootLoops 官網上已列出 50 多個工具一部分由 Claude 原生編寫另一部分是對社區(qū)成熟工具的移植與改進其中兩個核心費曼積分引擎 AMFlow 和 Blade理論方法和最初程序出自北京大學馬滟青團隊。施瓦茨透露大量預算都花在反復打磨代碼、將其封裝為普適通用的工具鏈上目的就是讓其他學者拿到手就能直接用。這正是技能化最核心的動作把一次性的成功計算沉淀為可復用的腳本與標準。3. 驗證層——人類專家把關。當戰(zhàn)線脫離物理基本盤施瓦茨心里開始打鼓Claude 在物理上的重大突破他能一眼辨真假模型常胡說八道但在陌生領域的重大成果他無從反駁。于是他逐個引入領域資深專家——生態(tài)學家奧德懷爾、群體遺傳學家德賽都認可技術推導本身但指出原問題沒什么意思幫助重新校正航向奧德懷爾建議把中性背景扣除、專注研究剩下的偏差德賽建議轉向研究同一條染色體上相鄰成對突變的關聯(lián)。幾乎每次求證的結論都如出一轍——模型負責技術推導人類負責學術品味?，F(xiàn)在把視線從 BootLoops 移回本地倉庫。打開 anthropics/skillsAgent Skills 官方實現(xiàn)會發(fā)現(xiàn)這套科研框架與技能庫的設計哲學高度同構。倉庫 README 開宗明義技能是instructions、scripts、resources的文件夾Claude 按需動態(tài)加載用于提升特定任務的完成質量。每個技能自包含在一個文件夾內核心是 SKILL.md 這樣的說明文件——這對應 BootLoops 工具層里每一個能跑腳本的可復用單元。再看技能的結構規(guī)范template/SKILL.md 展示了最小形態(tài)YAML frontmatter 只需name和description兩個字段正文是模型激活技能后要遵循的指令。而 skills/skill-creator/SKILL.md 把技能設計的底層機制講得更透漸進式披露Progressive Disclosure技能采用三級加載——元數(shù)據(jù)name description約 100 詞常駐上下文SKILL.md 正文在技能觸發(fā)時加載理想小于 500 行腳本、參考資料等捆綁資源按需加載、執(zhí)行時無需載入上下文。這與 BootLoops高精度數(shù)值 腳本比對的輕量驗證思路一致讓常駐開銷最小化把重資源放到需要時才加載。description 是主要觸發(fā)機制技能是否被調用取決于 description 是否讓模型覺得該用。skill-creator 明確建議描述要寫得pushy一點把觸發(fā)場景全部寫進去對抗模型欠觸發(fā)的傾向。這對應科研框架中的選題層——好的觸發(fā)描述就是在替模型做哪些問題該用它的預篩選。工具沉淀原則skill-creator 特別強調如果多次測試運行中子代理都獨立寫了相似的輔助腳本比如都寫了個create_docx.py這就是強烈的信號——應該把腳本打包進技能的scripts/目錄寫一次讓每次調用復用。這正是施瓦茨把 50 多個計算工具移植、改進、統(tǒng)一封裝的同一動作。倉庫里的成品技能就是這套哲學的具體樣本。skills/slack-gif-creator/SKILL.md 不僅教模型如何用 PIL 畫幀還捆綁了core/validators.py這類驗證器——輸出前先validate_gif()檢查是否符合 Slack 規(guī)格對應 BootLoops 標準必須能驗證。skills/xlsx/SKILL.md 更是把零公式錯誤用公式而非硬編碼結果每條假設都要注明出處寫成強制規(guī)范并捆綁scripts/recalc.py做強制重算校驗skills/theme-factory/SKILL.md 則把 10 套配色字體方案封裝為可復用的設計資產隨取隨用。三、普通人怎么抄把科研流程封裝成自己的技能包施瓦茨的框架并非天才專屬——拆開看它只是把選對問題、封裝工具、人工驗證三件事做到了極致而這三件事恰好都能遷移到 Agent Skills 的創(chuàng)建流程里。倉庫的 skill-creator 技能已經給出了一套完整的工業(yè)化流程普通人照此操作即可把自己的科研或業(yè)務流水線固化成技能包。第一步從對話歷史中提取工作流。skill-creator 的流程起點是Capture Intent如果當前對話里已經跑通過一遍完整流程就從歷史中提取工具使用序列、步驟順序、用戶糾錯、輸入輸出格式把它寫下來。施瓦茨把散落在四種語言里的積分方法統(tǒng)一移植進一套框架——這就是最原始形態(tài)的工作流提取。具體到日常你上一次讓 AI 處理完一批 PDF 表格并生成核對報告可能花了半天但把那天的步驟、腳本、校驗規(guī)則存進一個 SKILL.md下次就是一句提示詞的事。第二步知識封裝 工具沉淀。按 skills/skill-creator/SKILL.md 給出的技能解剖結構組織內容SKILL.md放指令與觸發(fā)說明scripts/放可執(zhí)行的確定性腳本references/放按需加載的文檔assets/放模板與素材。xlsx 技能里使用公式而非硬編碼結果recalc 必須跑通這類規(guī)則之所以有效是因為它們被寫成了顯式規(guī)范而非依賴模型臨場發(fā)揮——把領域里踩過的坑寫成指令就是把自己的經驗技能化。第三步驗證、迭代、打包。技能不是寫完就完事skill-creator 要求為每個技能準備 2–3 條真實測試提示詞用帶技能與不帶技能的基線對比跑分收集時間與 token 數(shù)據(jù)生成 benchmark再由人審閱輸出、迭代改進。倉庫里還配備了完整的工程工具鏈skills/skill-creator/scripts/quick_validate.py 校驗 SKILL.md 的 frontmatter 是否符合規(guī)范name 必須 kebab-case、description 不能含尖括號、長度受限skills/skill-creator/scripts/package_skill.py 把技能文件夾打包成可分發(fā)安裝的.skill文件zip 格式先校驗再打包skills/skill-creator/scripts/run_loop.py 則負責自動優(yōu)化觸發(fā)描述——生成 20 條該觸發(fā)/不該觸發(fā)的查詢用 train/test 分割選出測試集得分最高的 description防止過擬合。這條閉環(huán)對應施瓦茨框架的驗證層也復刻了他的關鍵動作把打磨好的工具封裝為普適通用的工具鏈讓其他學者拿到手就能直接用——打包發(fā)布正是技能化從個人效率工具走向團隊資產的最后一步。最后必須劃清邊界。施瓦茨在文章結尾的告誡值得每個人記住無論大語言模型進化得多聰慧絕大多數(shù)實質性科學突破仍來自對真實世界數(shù)據(jù)的觀測與提煉AI 不可能把漫長的探索閉環(huán)壓縮成一個按鍵——人類不可能單憑一句絕妙的 prompt 換來可控核聚變堆或癌癥特效藥。他同樣困惑于學術生態(tài)的重構當 AI 一夜算完一個難題青年學者為何還要申請三年期的基金底層實際執(zhí)行者如何在署名機制中獲得尊重。他說得很直白我們絕不能繼續(xù)假裝那些繁重的工作全是由人類親手完成的了。把鏡頭拉回工程層面施瓦茨真正交付的東西其實不是36 篇論文而是一套可復現(xiàn)的方法論一個不綁定模型的 harness、一套防作弊的可驗證標準、一批跨學科移植封裝的工具加上人類專家對品味的最終把關。這與 Agent Skills 的技能化范式殊途同歸——模型負責理解與執(zhí)行代碼與文檔負責沉淀與復用。對每個普通人而言把曾經做對的一次封裝成永遠可復現(xiàn)的技能包或許就是從這個故事里最值得抄走的作業(yè)?！久赓M下載鏈接】skillsPublic repository for Agent Skills項目地址: https://gitcode.com/GitHub_Trending/skills3/skills創(chuàng)作聲明：本文部分內容由AI輔助生成（AIGC），僅供參考