让 AI 帮忙做科研，任务往往从“找几篇论文”开始，随后变成整理研究问题、设计实验、分析数据、画图和写稿。每换一个环节，都要重新说明工作方法与输出要求；如果前面的依据没有传下去，后面的文字很容易脱离实际材料。
Scientific Agent Skills 是 K-Dense-AI 维护的科研技能库。它把这些环节整理成可供 AI 智能体读取的 Skills，从文献检索到论文审阅和学术汇报，都能找到对应的工作流程。对经常使用 AI 辅助科研的读者，它值得作为一套按需选用的方法库收藏。
用 AI 帮忙写论文，常见的问题是文字变得流畅了，论述却变得空泛：引言反复强调研究意义，相关工作只剩笼统评价，实验分析把一项有限的结果写成“显著优势”。这些句子看起来像论文，读者却很难从中找到具体问题、证据和适用条件。
Humanizer 是 blader 开源的写作校对技能，供 Claude Code、Codex 等支持 Agent Skills 的工具使用。它能帮助检查 AI 草稿中的模板化表达、重复总结和夸张措辞。对于已经有文献、方法和实验结果，只想让论文表述更清楚的作者，可以把它放在初稿完成后的语言校对环节。
2026 年 ICML Open Reproductions 挑战展示了一种值得借鉴的科研工作方式：Agent 可以快速阅读论文、实现方法和运行实验，但可靠的复现仍需要明确的问题、可追溯的证据和人的科学判断。
本文不复述赛事安装步骤，也不把 Trackio、Hugging Face Jobs 等具体工具当成必要条件。它提炼的是一套可迁移到计算机科学、智能优化、深度学习、强化学习和一般 AI 实验研究的工作流。
配套 Skills
我把这套方法拆成了 6 个可组合的 Coding Agent Skills，覆盖 claim 提取、协议设计、实验执行、机械核验与独立审计。代码、安装方式和调用示例见 Research Reproduction Skills。
很多人使用 Codex 时，仍然沿用普通聊天机器人的方式：提出一个问题，ai将代码改好，下一次又重新提出问题描述问题再改代码。这种方式适合零散问题，却没有充分利用 Codex 能够读取项目、修改文件、运行命令、调用工具和验证结果的特点。
更合适的思路是把 Codex 当作一名受规则约束的项目协作者：先让它理解项目和任务，再让它执行、验证并汇报。本文梳理 AGENTS.md、任务提示、状态文档、Agent Skills、MCP、子 Agent、Worktree、Hooks 与 Automations 的分工，并给出一套可以逐步落地的工作流。
