三剪客 · AI 科研全流程

科研真正拖慢人的,往往不是想不出点子,而是流程断在半路:想法留在聊天记录里,文献散在几个文件夹,
实验配置只活在终端的历史滚动里,等到写论文时已经想不起当初为什么做了那个消融。

这套流程把「选题 → 文献 → 实验 → 写作」四段接成一条线。每一段都给输入契约、可执行步骤、
留痕模板和收尾检查清单,让下一步永远能接上上一步。

它不替你产出结论,也不替你做判断。它负责的是让每一步都有痕迹、可回溯、可被别人复算——
想法为什么被淘汰、某个数字从哪次运行来、某条引用出自哪篇原文,随手就能翻出来。


权限与用途说明

能力是否申请用途
网络访问需要检索与核对公开文献信息时使用(标题、作者、年份、出处、DOI、语种);显式调用 scripts/run.py 时会请求 api.a7w.cn 的大模型与文档问答接口。不向任何站点上传你的稿件、数据或实验配置——除了你自己主动用 --file/--text 交给大模型整理的那部分材料
读取文件需要读取项目目录内的笔记、检索结果、实验日志、结果文件、.bib 与草稿,用于生成综述矩阵、实验台账与写作骨架
写入文件需要只在项目目录内新建或更新工作区文件(选题池、文献卡、综述矩阵、实验台账、草稿骨架)。不覆盖已有文件,除非你明确要求
凭证只在调用算力时读取你自己的 KeyKey 从 --key、环境变量 A7W_API_KEY 或 ~/.a7w/config.json 读取;不内嵌、不写入任何交付文件。需要机构订阅才能打开的数据库,由你在浏览器里自己完成访问
子进程 / 后台常驻不需要不装后台服务、不常驻进程。只有你要求跑本地脚本时才执行一次性命令

本 Skill 不内嵌任何密钥。若你想接入自建的检索服务,凭证放在你自己的环境变量里;
本 Skill 只按变量名读取,不会把它写进任何交付文件。

不跑 scripts/run.py 时,这份方法论完全不联网:发散、整理、写骨架都能离线做完。

涉及人类受试者、个人隐私数据、生物样本或其他受监管材料的研究,
合规与伦理判断必须走你所在机构的正式审查流程,本 Skill 不能替代。


触发场景

  • 「我只有一个大概方向,不知道能不能做成一个题。」
  • 「帮我看看这个方向近三年还有没有空位,主要在争什么。」
  • 「我这个想法好像有人做过了,帮我确认一下到底做到哪一步。」
  • 「实验跑出来跟预期反了,接下来该怎么走。」
  • 「帮我把这堆结果整理成论文的图表顺序和段落骨架。」
  • 「投稿之前,请你按审稿人的角度先把我的稿子挑一遍刺。」

快速开始

最小可用路径:先立工作区,再走四段。

第 1 步:立工作区(一次就好,之后所有产物都落在这里)

research/
├─ 00-选题池.md          # 候选选题 + 打分 + 淘汰理由
├─ 01-文献卡/            # 一篇文献一张卡
├─ 02-综述矩阵.md        # 把文献卡横向摊开,找空白
├─ 03-实验台账.md        # 每次运行一行,配置/命令/结果路径
└─ 04-草稿/              # 骨架、图表清单、正文

第 2 步:发散——把方向原话丢进来,要求出 8~12 个候选,并明确「不要现在评好坏」。
看 references/01-选题与头脑风暴.md。

第 3 步:验证——对留下的 2~3 个候选各做一轮检索,确认是真空白还是你没搜到。
看 references/02-文献检索与综述.md。

第 4 步:落地——写一句可证伪的主张,据此定基线、变量、重复次数,开台账。
看 references/03-实验设计与复现.md。

第 5 步:成文——先定图表,再写正文;投稿前跑一遍审稿人视角预演。
看 references/04-论文写作与投稿.md。

每段开工前把该段的检查清单贴到对话里,收尾时逐条打勾再进下一段。

想少手抄:四段里那些「要动手做」的动作已经做成命令——
scripts/run.py 的 extract / summarize / matrix / review / doc-qa,
全部走 api.a7w.cn,零第三方依赖。命令与参数见下面「怎么用(命令行)」。不跑脚本时,
这份方法论完全不联网。


工作流路由

用户要什么看哪份
把模糊方向变成 1~3 个可证伪的候选选题references/01-选题与头脑风暴.md
生成检索式、筛选标准、文献卡与综述矩阵,定位空白references/02-文献检索与综述.md
设计实验、选基线、定重复次数、维护实验台账references/03-实验设计与复现.md
组织论文骨架、图表顺序、投稿自检与返修应对references/04-论文写作与投稿.md

怎么用(命令行)

四段流程里那些要动手做的动作(抽取、摘要、对比、就着一份文档提问)已经接到
api.a7w.cn 上,零第三方依赖,本机只要有 Python 3.8+。配 Key:

python scripts/a7w.py login --key sk-xxxx      # 验证并保存到 ~/.a7w/config.json
export A7W_API_KEY=sk-xxxx                     # Windows: set A7W_API_KEY=sk-xxxx
# 或临时指定:python scripts/run.py summarize --file x.md --key sk-xxxx

拿 Key:到 算力集市 注册领取,新用户有赠送点数;
1 元 = 100 点(1 点 = 0.01 元),失败全额退回。

0. 先查模型名,别猜

python scripts/run.py models --filter deepseek
python scripts/run.py models --category text

1. 文献卡:从一份材料里抽结构化字段(阶段二)

python scripts/run.py extract --file 01-文献卡/paper-2024-x.md --out card.json
python scripts/run.py extract --file note.md \
  --fields "研究问题,方法,数据与样本,主要结论,局限,可复用点,待核对项"

输出是 JSON,字段固定,方便直接进综述矩阵。材料里没有的字段会写
「未提供(需回原文核对)」,不会替你编。

2. 摘要:把长材料压成带出处的要点(阶段二 / 四)

python scripts/run.py summarize --file 长综述.md --length medium --out 摘要.md

3. 综述矩阵:多份材料横向对比,找空白点(阶段二)

python scripts/run.py matrix --file a.md --file b.md --file c.md \
  --out 02-综述矩阵.md
python scripts/run.py matrix --dir 01-文献卡/ --out 02-综述矩阵.md

产出 Markdown 表 + 「可能的空白点」(逐条标明是「确认没人做」还是
「本次材料里没搜到」)+ 「冲突与分歧」。

4. 审稿人预演:投稿前先挑一遍刺(阶段四)

python scripts/run.py review --file 04-草稿/正文.md --venue "目标会议" --out 预演.md

5. 文档问答:就着一份公网文档提问(阶段一 / 二)

python scripts/run.py doc-qa \
  --url "https://arxiv.org/pdf/1706.03762" \
  "这篇的核心主张是什么?有哪些消融实验?"

doc-qa 走平台的文档问答应用,只吃公网 HTTP(S) 地址(一次 1~8 个),
不支持本地文件;要问本地文件,把内容用 --text 贴进 extract / summarize。

6. 裸调一次大模型(自己给 system)

python scripts/run.py chat --system "只输出 JSON" --prompt "给我 3 个字段名" --json
python scripts/run.py chat --prompt "解释一下注意力机制" --stream

接入 api.a7w.cn 的真实端点

动作接口关键参数备注
抽取 / 摘要 / 对比 / 审稿预演POST /api/v1/chat/completionsmodel、messages、temperature、max_tokens、streamOpenAI 兼容协议;换 base_url 与 model 名即可,Key 与账单不变
模型清单GET /api/v1/models—字段是 model_code / model_name;上架很快,先查再猜
公网文档问答POST /api/v1/apps/file_qa/chatfile_urls(数组,1~8 个公网地址)、question、mode(sync/async)、stream正文在 result.answer,用量在 result.usage
文档结构化解析POST /api/v1/apps/file_qa/parsefile_urls、parse_mode、preserve_original=true(固定 true,传 false 会被拒)异步;剧本/小说/大纲类解析
访谈录音转写POST /api/v1/apps/voice_tts/sttaudio_url(公网音频地址)或文件上传、language、ignore_timestamps同步;转出来的逐字稿再喂给上面的抽取/摘要

裸调用:

curl -sS https://api.a7w.cn/api/v1/chat/completions \
  -H "Authorization: Bearer $A7W_API_KEY" -H "Content-Type: application/json" \
  -d '{"model":"deepseek-chat","messages":[{"role":"user","content":"用一句话解释 RAG"}]}'

curl -sS -X POST "https://api.a7w.cn/api/v1/apps/file_qa/chat" \
  -H "Authorization: Bearer $A7W_API_KEY" -H "Content-Type: application/json" \
  -d '{"file_urls":["https://example.org/paper.pdf"],"question":"核心主张是什么?"}'

三条必须记住的口径:

  1. code == 1 才算业务成功(不是 0)。HTTP 200 不等于调用成功。
  2. 实际扣费看 usage.points_cost(同步接口有时是 usage.actual_points);1 元 = 100 点,失败全额退回。
  3. 大模型按点 / 百万 Token 计,输入输出分别计价;

file_qa 实测输入 2,600 点/百万 Token、输出 13,000 点/百万 Token
(实测:124 输入 + 70 输出 = 1.2324 点 ≈ 0.012 元)。压 --max-tokens 是控成本的主旋钮。

「不编造引用」这条纪律已经写进 scripts/run.py 的 system prompt:
材料里没有的字段一律写「未提供(需回原文核对)」,不生成、不补全、不猜测
参考文献条目、作者、年份、DOI 与数字。但这不能替代你回原文核对。


能力边界

覆盖:

  • 把一句模糊方向收敛成 1~3 个候选选题,给出打分、淘汰理由和「若结果相反会怎样」
  • 生成检索式与纳入/排除标准,产出文献卡与综述矩阵,标出可能是空白的位置
  • 设计实验计划(假设 → 预测 → 最小实验、变量、基线、消融、重复与方差报告)
  • 维护实验台账,让每个数字都能追到某次运行、某份配置
  • 按目标会议的通行结构组织写作骨架、图表顺序与投稿前自检
  • 全程留痕:每条结论都标注来自哪份材料、哪次运行
  • 四段里的动手动作有命令行落地:scripts/run.py 的 extract(结构化抽取)、

summarize(带出处摘要)、matrix(综述矩阵与空白点)、review(审稿人预演)
走 /api/v1/chat/completions;doc-qa 走 /api/v1/apps/file_qa/chat;
纪律(不编造引用、缺失字段标「未提供」)写在 system prompt 里

不覆盖:

  • 不替你判断选题的学术价值,也不替你决定做什么方向
  • 不代替你阅读原文。检索到的条目必须由你打开核对,本 Skill 不对自动抓取内容的准确性作保证
  • 不生成、不补全、不猜测参考文献条目。无法核对来源的引用一律留空并标注,绝不编造
  • 不代替你运行实验,不改你的训练或评测代码,不解释你没有提供的结果文件
  • 不承诺录用。投稿结果由期刊或会议的评审决定,本 Skill 只能帮你把材料准备齐、把漏洞暴露得早一点
  • 不提供法律、伦理或数据合规的正式意见
  • 不对 scripts/run.py 的模型输出负责。它是「整理器」不是「事实来源」:

抽出来的字段、写出来的摘要与空白点判断,都必须由你回原文复核后才能进稿件


依赖条件

  • 一句写下来的方向描述,一句话就够,但必须写下来
  • 项目目录可读写
  • 需要检索时有网络;完全离线时只能做发散、整理与写作
  • 要核对文献,需要你自己具备打开原文的权限(预印本站点、机构订阅等)
  • 文献管理工具可选(任意引用管理器或纯文本清单),没有也能跑完整条流程
  • 可选:想用命令行做抽取 / 摘要 / 对比 / 审稿预演 / 公网文档问答,需要

Python 3.8+(零第三方依赖)与一把 api.a7w.cn 的 API Key


已知限制

  • 检索只覆盖可公开获取的来源,覆盖面不等于穷尽;预印本与数据库收录之间有时间差
  • 中英文之外的语种支持有限,非英语文献容易漏
  • 选题打分卡是启发式排序工具,换个人打分会不同,不构成任何评价结论
  • 跨数周以上的项目需要你定期把台账同步回文件,否则早期上下文会丢
  • 需要专有数据、专有算力或安全审查的方向,只能做规划,不能在本流程内执行
  • 对同一份材料的两次整理可能措辞不同,凡涉及数字与引用,以你项目里的原始文件为准
  • scripts/run.py 的抽取 / 摘要 / 对比是模型输出,会有遗漏与措辞漂移;

「未提供(需回原文核对)」是纪律不是保证,凡引用与数字一律回原文核对
建议先用 --dir 限定范围、用 --max-tokens 压输出

  • doc-qa(file_qa/chat)只吃公网 HTTP(S) 文档地址,一次 1~8 个;

本地文件与需要登录才能打开的文献,本流程内不代取

  • 平台模型清单上下架频繁,本文写下的模型名(如 deepseek-chat)只是示例,

请用 python scripts/run.py models 现查


自检清单

进入下一段之前,逐条打勾:

  • [ ] 选题能写成一句可证伪的主张,含比较对象与评价指标
  • [ ] 每个候选选题都写清了「若结果相反会怎样」
  • [ ] 每条引用都能打开原文核对,标题、年份、出处一致
  • [ ] 综述矩阵里的空白点标明了是「确认没人做」还是「我没搜到」
  • [ ] 实验计划写明了基线、自变量、控制变量、随机种子与重复次数
  • [ ] 实验台账每次运行都有配置、命令与结果路径
  • [ ] 图表在写正文之前已经定稿
  • [ ] 稿件里每个数字都能追到某次运行或某张原始表
  • [ ] 稿件没有编造的引用,也没有未声明的 AI 生成内容
  • [ ] 用脚本产出的文案已标注是模型整理结果,且每条结论都回原文核过
  • [ ] 你本人通读并认可终稿的每一句话

参考文件

文件用途
references/01-选题与头脑风暴.md发散框架、收敛打分卡、选题锐化的三步流程与检查清单
references/02-文献检索与综述.md检索式构造、三关筛选、文献卡模板、综述矩阵与引文核对纪律
references/03-实验设计与复现.md假设转实验、变量与基线设计、重复与方差、实验台账与负结果处理
references/04-论文写作与投稿.md叙事与骨架、图表先行、投稿前自检、审稿人预演与返修应对
scripts/run.py算力接入层:extract / summarize / matrix / review / doc-qa / models / chat,走 api.a7w.cn
scripts/a7w.py零依赖客户端:login / whoami / apps / points / schema / call / task 七个子命令

联系我们

  • 技术微信:9872659 —— 加好友时说一下是从哪个 Skill 找过来的,直接给你配套的 API Key 与能跑的示例。
  • 要算力 / 要 API Key:算力集市 · 注册领 API Key —— 一个 Key 调用全部 AI 算力,注册、充值、创建 Key 都在这里。
  • 更多 AI 插件与接口:AI 插件市场。

相关链接

链接地址说明
算力集市 · 注册领 API Keyapi.a7w.cn一个 Key 调用全部 AI 算力;注册、充值、创建 Key 都在这
AI 插件市场aigc.a7w.cn浏览全部 AI 插件与接口说明
三剪客 · 一句话批量出片ks.a7w.cn短剧二创 / 影视解说 / 矩阵号批量混剪桌面客户端
视频超清 · 在线批量超分vr.a7w.cn网页版视频超分,批量处理,最高 4K
0人公司 · AI Agent 平台a7w.cn主站,了解整套 AI Agent 生态

同类文章