AI4S Skills — agent skills for AI for Science

AI4S Skills — agent skills for AI for Science

AI4S Skills 是一组面向 AI for Science 研究工作流的 agent skills：topic exploration、literature survey、experiment suite、paper writer、mindmap rendering、integrity auditor，并通过 ai4s-agent 串联成从研究方向到论文/实验包的流程。它的亮点不是“又一组 prompts”，而是把科研产物的真实性、可运行性和可审计性写进 skill 契约。

为什么对用户重要

用户的 llm-wiki 不只是记录 AI 新闻，而是在构建可复用的 agentic workflows。AI4S Skills 展示了高质量 domain skill package 应该长什么样：每个 skill 有明确输入输出，跨 skill 通过共享 slug 和 output 目录传递产物，并强制 citation、number、experiment、review disclosure 的 provenance。它可作为 External-Agent-Skills-Design-Patterns 的强样本。

机制 / 一阶原理

AI4S Skills 的 workflow 是：

1. research-explorer 从 broad direction 生成 topic matrix、初步文献和候选主题。
2. literature-survey 产出长篇综述、BibTeX、taxonomy figures。
3. experiment-suite 生成实验设计、可运行代码、results.json、图和报告。
4. paper-writer 复用综述和实验，写成论文。
5. integrity-auditor 对论文/PDF/DOI/arXiv 进行图像、数值、逻辑审计，并做证据分级。

其一阶原则是：长链条 agent 工作流必须用文件化中间产物 + provenance + integrity audit连接，而不是让一个对话上下文扛到底。

和已有 wiki 概念的关系

• External-Agent-Skills-Design-Patterns：AI4S 是多 skill 编排、输出契约和真实性约束的案例。
• AutoResearch：它把自动研究从想法扩展到综述、实验、论文和审计。
• LLM-Wiki：适合把 AI4S 的中间产物摄入 wiki，形成研究主题的 durable synthesis。

对 Hermes / llm-wiki 的可执行启发

1. 设计复杂 skill 时使用 shared slug + output tree，让后续步骤可恢复、可检查、可重跑。
2. 对所有“数字”和“引用”加标签：measured、simulated、illustrative、fetched URL，避免 LLM 把示例当事实。
3. 给 llm-wiki 的 research ingest 增加 integrity audit 步骤：检查引用是否真实、数值是否可追溯、图表是否来自 raw。
4. 将长任务拆成 explorer / synthesizer / experimenter / auditor，而不是一个超长 prompt。

失败模式与边界

AI4S 的 README 强调 expert review，这一点不能忽略。自动生成综述和论文即使有真实 citations，也可能选题偏、实验弱、统计不足或论证过度。对用户而言，它最值得吸收的是 workflow contract 和 provenance discipline，而不是把生成论文本身视为可靠科研结论。

写入记录

• 2026-07-03 09:00 CST：新增 AI4S Skills source 页，分析科研 agent workflow、provenance discipline 和对 Hermes skill package 的启发。