物理教授三個(gè)月橫掃 36 個(gè)難題可復(fù)現(xiàn) AI 科研框架背后藏著技能化的秘密【免費(fèi)下載鏈接】skillsPublic repository for Agent Skills項(xiàng)目地址: https://gitcode.com/GitHub_Trending/skills3/skills2026 年 10 月 1 日哈佛大學(xué)理論物理學(xué)家馬修·施瓦茨Matthew Schwartz在 Anthropic 科學(xué)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(gè)月這位量子場(chǎng)論學(xué)者與 19 位合作者一起帶著 Claude 從約 400 個(gè)候選問題中篩選推進(jìn)最終完成了 36 篇學(xué)術(shù)手稿橫跨粒子物理、宇宙學(xué)、生態(tài)學(xué)、群體遺傳學(xué)、經(jīng)濟(jì)學(xué)、語(yǔ)言學(xué)等 18 個(gè)領(lǐng)域。一時(shí)間教授三個(gè)月橫掃 36 個(gè)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(gè)一鍵科研的黑箱而是一套把 AI 能力封裝進(jìn)可復(fù)用流程的工程框架——它和 Anthropic 官方技能庫(kù)anthropics/skills所代表的Agent Skills「技能化」范式在底層邏輯上高度同構(gòu)。本文結(jié)合社區(qū)情報(bào)與倉(cāng)庫(kù)源碼拆解這套可復(fù)現(xiàn)框架的運(yùn)轉(zhuǎn)機(jī)制并給出普通人把一次性科研流程封裝成可復(fù)現(xiàn)技能包的具體路徑。一、三個(gè)月、18 個(gè)領(lǐng)域、36 個(gè)難題一份被嚴(yán)格量化的科研戰(zhàn)績(jī)先還原成果本身。施瓦茨的核心貢獻(xiàn)不在于讓 AI 做科研——這他今年 3 月就干過了。彼時(shí)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(dòng)力學(xué)論文。當(dāng)時(shí)的體驗(yàn)像雇傭了一個(gè)能力極強(qiáng)、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(shí)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(xué)的阻抗失配概念描述自己的反思兩個(gè)系統(tǒng)各自運(yùn)轉(zhuǎn)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(xué)家想要的與 AI 擅長(zhǎng)的事情之間就存在這種失配——Claude 和 GPT 確實(shí)擅長(zhǎng)科學(xué)但它們并不是科學(xué)家。與其逼模型像人類學(xué)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(xué)科當(dāng)前卡殼的難題其實(shí)在數(shù)學(xué)、物理或計(jì)算機(jī)領(lǐng)域早有成熟解法只是該領(lǐng)域的學(xué)者并不知情——而 Claude 各行各業(yè)都懂一點(diǎn)、代碼功底扎實(shí)、讀論文和處理數(shù)據(jù)的速度是機(jī)器級(jí)的。這個(gè)選題策略直接決定了后面三個(gè)月的產(chǎn)出結(jié)構(gòu)粒子物理Claude 把散落在 Wolfram、C、Python、Julia 中的費(fèi)曼積分計(jì)算方法統(tǒng)一移植進(jìn)同一套框架約 20 分鐘復(fù)現(xiàn)了施瓦茨當(dāng)年花幾星期寫出的程序結(jié)果還指出了他當(dāng)年某步算法的低效之處并給出更優(yōu)方案。隨后團(tuán)隊(duì)從對(duì)數(shù)函數(shù)推進(jìn)到高階橢圓函數(shù)短短幾周從頭至尾求解 30 個(gè)復(fù)雜積分——其中 15 個(gè)是用新途徑復(fù)現(xiàn)的已知結(jié)果另外 15 個(gè)是此前從未有人算出的。生態(tài)學(xué)中性生物多樣性理論中艾蒂安 2005 年推導(dǎo)出的方程整整 20 年無人能在真實(shí)大規(guī)模數(shù)據(jù)上解出。Claude 解出它并應(yīng)用在巴拿馬巴羅科羅拉多島全球監(jiān)測(cè)最透徹的熱帶森林樣地計(jì)算結(jié)果揭示該森林樹種構(gòu)成的實(shí)際更替速率是中性理論允許極限的4.5 倍。群體遺傳學(xué)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(fù)雜積分套用在含約 73 萬(wàn)人蛋白編碼區(qū)的 gnomAD 數(shù)據(jù)庫(kù)上隨后引入數(shù)學(xué)計(jì)算機(jī)輔助證明中的不等式證書工具分析了千人基因組計(jì)劃中 113 位岡比亞人基因組的57 億對(duì)相鄰?fù)蛔儼l(fā)現(xiàn)其中約 95% 的偏離現(xiàn)象可用基因轉(zhuǎn)換機(jī)制解釋。經(jīng)濟(jì)學(xué)團(tuán)隊(duì)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(fù)現(xiàn)包將約 3 萬(wàn)個(gè)程序從 MATLAB、Stata 等商業(yè)軟件平替移植為開源代碼并逐個(gè)核對(duì)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(duì)不上496 篇通過代碼重構(gòu)實(shí)現(xiàn) 10 倍以上加速923 篇跑出了擴(kuò)展分析——而過去同類學(xué)術(shù)復(fù)現(xiàn)研究的樣本量往往只有幾十到上百篇。語(yǔ)言學(xué)與三位語(yǔ)言學(xué)家合作構(gòu)建 AccStack 數(shù)據(jù)庫(kù)收錄6072 種語(yǔ)言的重音與聲調(diào)數(shù)據(jù)覆蓋全球約七成已知口語(yǔ)語(yǔ)言并附 16 萬(wàn)部音系學(xué)文獻(xiàn)書目。工程調(diào)度同樣值得關(guān)注。所有 Claude Code 會(huì)話部署在谷歌云虛擬機(jī)上獨(dú)立運(yùn)行每個(gè)科研項(xiàng)目一個(gè)會(huì)話另設(shè)主控會(huì)話統(tǒng)籌全局、分配算力并驗(yàn)收成果還配置了專職對(duì)抗性審稿人會(huì)話在內(nèi)部挑刺底層密集運(yùn)算全部下派給后臺(tái)子智能體sub-agents。這個(gè)設(shè)計(jì)還有個(gè)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(huì)熔斷某個(gè)底層子智能體不至于讓整個(gè)項(xiàng)目的長(zhǎng)會(huì)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(shí)間流速概念某項(xiàng)目只算了三天模型卻感嘆整整兩年的浴血奮戰(zhàn)面對(duì)棘手計(jì)算默認(rèn)大力出奇跡硬跑幾天想不到先寫個(gè)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(gè)未經(jīng)證明的小引理往往就是整個(gè)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怼Ｒ虼怂麍?jiān)持所有分析圖表必須由人類肉眼審閱。二、框架拆解可復(fù)現(xiàn)科研流水線的本質(zhì)是技能化表面看BootLoops 是一套運(yùn)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(qū)動(dòng)。它的出發(fā)點(diǎn)在施瓦茨的本行粒子物理散射振幅計(jì)算。過去 20 年物理學(xué)家發(fā)展出S 矩陣自舉法不斷施加物理約束把可能結(jié)果排除到只剩一個(gè)再通過半數(shù)值自舉在少數(shù)特殊點(diǎn)把積分算到極高精度有時(shí)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(xué)、物理和計(jì)算機(jī)科學(xué)幾乎沒有單一學(xué)者能樣樣精通需要海量代碼編寫更重要的是結(jié)果極易檢驗(yàn)——任何人跑兩個(gè)腳本就能把最終答案與原始積分逐位比對(duì)。這被確立為著名的BootLoops 標(biāo)準(zhǔn)一個(gè)費(fèi)曼圖只有在完整的函數(shù)解析形式已知、且能通過一個(gè) Python 腳本在普通筆記本上算到任意精度時(shí)才算真正被攻克。官網(wǎng)直言設(shè)立此標(biāo)準(zhǔn)是為防范 AI作弊——面對(duì)需要對(duì)齊的 30 位有效數(shù)字模型根本沒有蒙混過關(guān)的空間。這套框架包含三個(gè)清晰分層而每一層都能在 Agent Skills 的技能化哲學(xué)中找到對(duì)應(yīng)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(xué)方程往往在截然不同的學(xué)科中反復(fù)登場(chǎng)費(fèi)曼積分中一大類在形式上與貝葉斯統(tǒng)計(jì)的證據(jù)積分完全一致而在群體遺傳學(xué)、系統(tǒng)發(fā)育學(xué)、生態(tài)學(xué)、單細(xì)胞測(cè)序中這類積分隨處可見以往學(xué)者靠蒙特卡洛抽樣近似結(jié)果帶著統(tǒng)計(jì)噪聲——實(shí)際上它們本可用數(shù)學(xué)物理的成熟工具求出解析解。這個(gè)跨學(xué)科翻譯的過程本質(zhì)上就是為模型尋找它擅長(zhǎng)的輸入形態(tài)。2. 工具層——把方法封裝成資產(chǎn)。BootLoops 官網(wǎng)上已列出 50 多個(gè)工具一部分由 Claude 原生編寫另一部分是對(duì)社區(qū)成熟工具的移植與改進(jìn)其中兩個(gè)核心費(fèi)曼積分引擎 AMFlow 和 Blade理論方法和最初程序出自北京大學(xué)馬滟青團(tuán)隊(duì)。施瓦茨透露大量預(yù)算都花在反復(fù)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(xué)者拿到手就能直接用。這正是技能化最核心的動(dòng)作把一次性的成功計(jì)算沉淀為可復(fù)用的腳本與標(biāo)準(zhǔn)。3. 驗(yàn)證層——人類專家把關(guān)。當(dāng)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(lǐng)域的重大成果他無從反駁。于是他逐個(gè)引入領(lǐng)域資深專家——生態(tài)學(xué)家奧德懷爾、群體遺傳學(xué)家德賽都認(rèn)可技術(shù)推導(dǎo)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(zhuǎn)向研究同一條染色體上相鄰成對(duì)突變的關(guān)聯(lián)。幾乎每次求證的結(jié)論都如出一轍——模型負(fù)責(zé)技術(shù)推導(dǎo)人類負(fù)責(zé)學(xué)術(shù)品味?，F(xiàn)在把視線從 BootLoops 移回本地倉(cāng)庫(kù)。打開 anthropics/skillsAgent Skills 官方實(shí)現(xiàn)會(huì)發(fā)現(xiàn)這套科研框架與技能庫(kù)的設(shè)計(jì)哲學(xué)高度同構(gòu)。倉(cāng)庫(kù) README 開宗明義技能是instructions、scripts、resources的文件夾Claude 按需動(dòng)態(tài)加載用于提升特定任務(wù)的完成質(zhì)量。每個(gè)技能自包含在一個(gè)文件夾內(nèi)核心是 SKILL.md 這樣的說明文件——這對(duì)應(yīng) BootLoops 工具層里每一個(gè)能跑腳本的可復(fù)用單元。再看技能的結(jié)構(gòu)規(guī)范template/SKILL.md 展示了最小形態(tài)YAML frontmatter 只需name和description兩個(gè)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(shè)計(jì)的底層機(jī)制講得更透漸進(jìn)式披露Progressive Disclosure技能采用三級(jí)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(shí)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(shí)無需載入上下文。這與 BootLoops高精度數(shù)值 腳本比對(duì)的輕量驗(yàn)證思路一致讓常駐開銷最小化把重資源放到需要時(shí)才加載。description 是主要觸發(fā)機(jī)制技能是否被調(diào)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(diǎn)把觸發(fā)場(chǎng)景全部寫進(jìn)去對(duì)抗模型欠觸發(fā)的傾向。這對(duì)應(yīng)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(yù)篩選。工具沉淀原則skill-creator 特別強(qiáng)調(diào)如果多次測(cè)試運(yùn)行中子代理都獨(dú)立寫了相似的輔助腳本比如都寫了個(gè)create_docx.py這就是強(qiáng)烈的信號(hào)——應(yīng)該把腳本打包進(jìn)技能的scripts/目錄寫一次讓每次調(diào)用復(fù)用。這正是施瓦茨把 50 多個(gè)計(jì)算工具移植、改進(jìn)、統(tǒng)一封裝的同一動(dòng)作。倉(cāng)庫(kù)里的成品技能就是這套哲學(xué)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(yàn)證器——輸出前先validate_gif()檢查是否符合 Slack 規(guī)格對(duì)應(yīng) BootLoops 標(biāo)準(zhǔn)必須能驗(yàn)證。skills/xlsx/SKILL.md 更是把零公式錯(cuò)誤用公式而非硬編碼結(jié)果每條假設(shè)都要注明出處寫成強(qiáng)制規(guī)范并捆綁scripts/recalc.py做強(qiáng)制重算校驗(yàn)skills/theme-factory/SKILL.md 則把 10 套配色字體方案封裝為可復(fù)用的設(shè)計(jì)資產(chǎn)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(duì)問題、封裝工具、人工驗(yàn)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(cāng)庫(kù)的 skill-creator 技能已經(jīng)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(wù)流水線固化成技能包。第一步從對(duì)話歷史中提取工作流。skill-creator 的流程起點(diǎn)是Capture Intent如果當(dāng)前對(duì)話里已經(jīng)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(cuò)、輸入輸出格式把它寫下來。施瓦茨把散落在四種語(yǔ)言里的積分方法統(tǒng)一移植進(jìn)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(duì)報(bào)告可能花了半天但把那天的步驟、腳本、校驗(yàn)規(guī)則存進(jìn)一個(gè) SKILL.md下次就是一句提示詞的事。第二步知識(shí)封裝 工具沉淀。按 skills/skill-creator/SKILL.md 給出的技能解剖結(jié)構(gòu)組織內(nèi)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(jié)果recalc 必須跑通這類規(guī)則之所以有效是因?yàn)樗鼈儽粚懗闪孙@式規(guī)范而非依賴模型臨場(chǎng)發(fā)揮——把領(lǐng)域里踩過的坑寫成指令就是把自己的經(jīng)驗(yàn)技能化。第三步驗(yàn)證、迭代、打包。技能不是寫完就完事skill-creator 要求為每個(gè)技能準(zhǔn)備 2–3 條真實(shí)測(cè)試提示詞用帶技能與不帶技能的基線對(duì)比跑分收集時(shí)間與 token 數(shù)據(jù)生成 benchmark再由人審閱輸出、迭代改進(jìn)。倉(cāng)庫(kù)里還配備了完整的工程工具鏈skills/skill-creator/scripts/quick_validate.py 校驗(yàn) SKILL.md 的 frontmatter 是否符合規(guī)范name 必須 kebab-case、description 不能含尖括號(hào)、長(zhǎng)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(yàn)再打包skills/skill-creator/scripts/run_loop.py 則負(fù)責(zé)自動(dòng)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(cè)試集得分最高的 description防止過擬合。這條閉環(huán)對(duì)應(yīng)施瓦茨框架的驗(yàn)證層也復(fù)刻了他的關(guān)鍵動(dòng)作把打磨好的工具封裝為普適通用的工具鏈讓其他學(xué)者拿到手就能直接用——打包發(fā)布正是技能化從個(gè)人效率工具走向團(tuán)隊(duì)資產(chǎn)的最后一步。最后必須劃清邊界。施瓦茨在文章結(jié)尾的告誡值得每個(gè)人記住無論大語(yǔ)言模型進(jìn)化得多聰慧絕大多數(shù)實(shí)質(zhì)性科學(xué)突破仍來自對(duì)真實(shí)世界數(shù)據(jù)的觀測(cè)與提煉AI 不可能把漫長(zhǎng)的探索閉環(huán)壓縮成一個(gè)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(xué)術(shù)生態(tài)的重構(gòu)當(dāng) AI 一夜算完一個(gè)難題青年學(xué)者為何還要申請(qǐng)三年期的基金底層實(shí)際執(zhí)行者如何在署名機(jī)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(shí)不是36 篇論文而是一套可復(fù)現(xiàn)的方法論一個(gè)不綁定模型的 harness、一套防作弊的可驗(yàn)證標(biāo)準(zhǔn)、一批跨學(xué)科移植封裝的工具加上人類專家對(duì)品味的最終把關(guān)。這與 Agent Skills 的技能化范式殊途同歸——模型負(fù)責(zé)理解與執(zhí)行代碼與文檔負(fù)責(zé)沉淀與復(fù)用。對(duì)每個(gè)普通人而言把曾經(jīng)做對(duì)的一次封裝成永遠(yuǎn)可復(fù)現(xiàn)的技能包或許就是從這個(gè)故事里最值得抄走的作業(yè)。【免費(fèi)下載鏈接】skillsPublic repository for Agent Skills項(xiàng)目地址: https://gitcode.com/GitHub_Trending/skills3/skills創(chuàng)作聲明：本文部分內(nèi)容由AI輔助生成（AIGC），僅供參考