scientific-brainstorming
作者 K-Dense-AIscientific-brainstorming 是一款面向开放式科学思考的研究创意发想技能。可用它来探索跨学科联系、挑战既有假设、识别研究空白，并在你还没有明确数据集或最终假设之前，梳理早期项目想法。
这项技能得分 78/100，值得收录：它提供了一个边界清晰的科学创意发想工作流，结构也足够完整，能够支持实际使用，但还算不上高度自动化或深度程序化的技能。用户可以把它当作早期研究规划的稳妥头脑风暴助手，而不是依赖工具链或强自动化的工作流。
- 为开放式科学创意发想、跨学科连接和研究空白发现提供了清晰的触发场景和使用边界。
- 内容量较充实，包含较长正文和多个小标题，说明了原则以及适用时机，有助于提升 agent 可用性。
- 包含限制条件和操作指引，比通用头脑风暴提示更能减少试错和猜测。
- 没有脚本、参考资料或支持文件，因此该技能完全依赖书面说明，而不是可执行的工作流资产。
- 摘录内容表明它更适合早期创意发想，并且明确与假设生成区分开来；这可能会限制对数据驱动型研究工作流用户的帮助。
scientific-brainstorming 技能概览
scientific-brainstorming 的作用
scientific-brainstorming 技能是面向开放式科学思考的研究构思伙伴。它可以帮助你生成新方向、探索跨学科联系、挑战既有假设，并在你还没有紧凑数据集或完整假设时，挖掘潜在研究空白。
适合谁安装
这款 scientific-brainstorming 技能最适合研究人员、技术创始人、研究生，以及需要比通用提示词产出更高质量初始想法的领域专家。它适用于早期规划、组会/实验室讨论准备、项目提案构思和方法发现。
它有什么不同
这款技能针对的是协作式、对话式的头脑风暴，而不是直接给出答案。它最适合用在“扩展可能性空间”这一目标上，而不是用来验证某个结论或生成最终实验结论。如果你已经有观察结果，并希望从数据中得到可检验的假设，通常还是专门的 hypothesis-generation 技能更合适。
如何使用 scientific-brainstorming 技能
安装并查看该技能
按 scientific-brainstorming install 的仓库安装流程进行，然后先打开 scientific-skills/scientific-brainstorming/SKILL.md。这个仓库里没有辅助脚本或配套支持目录，所以真正的价值主要在技能文本本身，以及你如何把它的工作流迁移到自己的研究场景中。
给它一个“研究型”提示词
想更好地使用 scientific-brainstorming，不要只笼统地说“给我一些想法”。要明确提供领域、问题、约束、你已经尝试过什么，以及你希望输出什么。更好的提示词例如：“为农村诊所的低成本水净化方案 brainstorm 10 个研究方向，优先选择 6 个月内可测试的想法，并标出需要验证的假设。”
按迭代方式推进工作流
先发散，再收敛。先让它给出候选方向，然后再要求按可行性、新颖性或实验成本进行筛选。这个 scientific-brainstorming 指南最适合把第一轮结果当作“想法生成”，而不是最终方案。
先读信息密度最高的文件
先预览 SKILL.md，再看其中关于何时使用该技能、核心原则和工作流提示的部分。由于这个仓库很精简，几乎没有隐藏的实现逻辑；主要工作是把技能内容翻译成你自己的研究语境。
scientific-brainstorming 技能 FAQ
scientific-brainstorming 只是一个通用的头脑风暴提示词吗？
不是。scientific-brainstorming 技能的目标是把想法推向研究可用性：假设、空白、方法和实验路径。通用头脑风暴提示词往往只会给出较宽泛的建议，而缺少科学框架和可用约束。
什么时候不该用这个技能？
当你已经有数据并需要分析时、当你需要一个唯一明确的答案时，或者当你的任务主要是基于观察进行假设检验时，都不适合用 scientific-brainstorming。这些情况下，更专门的分析流程或 hypothesis-generation 工作流会更匹配。
scientific-brainstorming 适合初学者吗？
适合，只要用户能描述一个主题和一个目标。初学者在提供一个简单研究问题、一个大致领域，以及一两个约束条件时，收益最大。如果提示词为空或过于笼统，这个技能的帮助就会明显下降。
它适合团队研究和实验室规划吗？
适合。scientific-brainstorming 技能非常适合小组构思、文献讨论准备，以及在投入资源之前梳理可能的项目方向。它最强的场景是团队先追求广度，再根据可行性去细化方案。
如何改进 scientific-brainstorming 技能
提供真正有用的约束
scientific-brainstorming 之所以能输出更好的结果，关键在于给出有价值的限制：预算、时间线、可用仪器、目标人群、安全顾虑，或可接受的研究规模。约束会把宽泛的创造力变成你真正做得出来的点子。
要求多轮输出
可以先要一份想法列表，再要一份排序后的精简清单，最后再让它点评最优选项。这样能减少空泛的头脑风暴，让 scientific-brainstorming 技能更接近可决策状态。
明确什么算“好”
说明你更看重新颖性、可行性、可发表性、机制洞察，还是原型落地速度。只要模型知道评分标准，就能产出更符合目标的方案。
尽早纠正常见失效模式
最常见的失效模式，是想法有意思但不可执行。如果出现这种情况，就要求模型为每个想法补充假设、所需数据、潜在阻碍，以及一个最小实验。这样能让 scientific-brainstorming 把重点放在真实的研究推进上，而不是停留在好看但没法用的想法清单。