Scientific Agent Skills vs Nature Skills：做研究和写论文是两件事

你做科研，大概是这样的流程：

1. 查文献找 gap
2. 设计实验
3. 跑分析（基因组测序、分子对接、临床数据统计）
4. 画图
5. 写论文（英文润色、排版、引用）
6. 投稿 → 被审稿人挑刺 → 修改 → 再投

Scientific Agent Skills 和 Nature Skills 分别覆盖了这个流程的不同阶段。

Scientific Agent Skills：做研究

它管的是步骤 1-3。142 个 Skill + 100+ 科学数据库，让 Agent 帮你执行科研分析。

实际用起来是这样的：

药物发现场景：你给 Agent 一个靶点蛋白，它自动从 UniProt 查结构 → 从 PubChem 筛候选化合物 → 用 RDKit 做 ADMET 毒性预测 → 跑分子对接 → 输出先导化合物列表。以前一个药物化学博后跑三天的工作，Agent 十分钟出结果。

基因组分析场景：单细胞 RNA-seq 数据到手，Agent 用 Scanpy 做 QC → 降维聚类 → 差异表达 → 细胞类型注释 → 基因调控网络推断。每一步都有 Skill 提供最佳实践和参数建议。

临床研究场景：Agent 从 ClinicalTrials.gov 检索相关试验 → 筛选患者队列 → 跑统计分析 → 生成临床决策支持报告。

它还会查文献——100+ 数据库里包括 PubMed、arXiv、CrossRef，但它的文献检索是为了找数据和支持假设，不是为了写综述。

Nature Skills：写论文

它管的是步骤 4-6。10 个 Skill 覆盖论文从草稿到发表的全过程。

科研绘图（nature-figure）：Nature 级别的图表，Python/R 双后端，10 种图表类型。不是 matplotlib 默认配色那种，是配色、字体、标注都符合顶刊标准的那种。

学术润色（nature-polishing）：12 步流水线，每句不超过 30 词。不是简单改改语法，是按 Nature 的表达标准重塑你的句子结构。

审稿模拟（nature-reviewer）：模拟 3 位审稿人 + 交叉综述。投稿前先让 AI 审一遍，把会被挑的问题提前修掉。

其他：论文起草（Abstract/Intro/Results/Discussion）、引用管理（ENW/RIS/Zotero）、数据可用性声明、审稿回复（零遗漏逐条回复）、论文转 PPT、双语精读、学术搜索。

逐项对比

你应该用哪个

如果你在做实验、跑数据、查数据库：Scientific Agent Skills。

它是执行层——帮你调 API、写分析脚本、处理大规模数据。适合有具体分析需求的科研人员。

如果你在写论文、准备投稿：Nature Skills。

它是表达层——帮你把结果写成 Nature 水准的论文。适合任何需要写英文论文的人。

如果你两个阶段都有：两个都装。

实际工作流是这样的：

Scientific Agent Skills          Nature Skills
─────────────────────          ─────────────
查数据库 → 跑分析 → 得到结果  →  画图 → 润色 → 审稿模拟 → 投稿

先用 Scientific Agent Skills 跑完分析拿到结论，再用 Nature Skills 把结论包装成能发表的论文。先干活再包装，先做研究再写论文。

一个更直观的类比

Scientific Agent Skills 是实验员——帮你泡胶、跑电泳、测序列、做对接。

Nature Skills 是论文编辑——帮你排版、润色、查引用、模拟审稿。

你两个都需要。没有实验员出不了数据，没有编辑论文发不了 Nature。

Scientific Agent Skills 帮你做出结果。Nature Skills 帮你把结果发出去。