Introducing Science Superpowers — 一个为 AI 研究智能体打造的全方位计算科学方法论。它能让你的智能体像严谨科学家一样用数据做研究，而不是像急于求成的自动补全那样瞎猜。 https://t.co/3gFVS9iOFh

K-Dense-AI/science-superpowers

来源: https://github.com/K-Dense-AI/science-superpowers

Science Superpowers

Science Superpowers 是一套为你的研究智能体准备的完整计算科学方法论，基于一组可组合的技能以及初始指令构建，确保智能体真正使用它们。

它是对 Superpowers（https://github.com/obra/superpowers）（一套软件开发方法论）在不同领域的重新实现：用数据做科学。架构相同——通过会话启动引导程序自动触发的技能——但工作流是研究生命周期，核心纪律是预注册，而非测试驱动开发。

工作原理

从你启动智能体的那一刻开始。一旦它发现你试图研究某件事，它不会直接跳到在你的数据上运行代码。相反，它会后退一步，帮助你把一个模糊的兴趣转化为精确、可证伪的问题。

问题明确后，它将该工作建立在已有文献和标准方法的基础上，设计分析，并预注册假设、预测和决策规则——在查看结果之前。这种区分——验证性 vs. 探索性，锁定预测后再看数据——正是保护工作免受 p 值操纵和 HARKing（事后假设）侵害的关键。

然后，它在可复现的工作区（固定环境、固定随机种子、不可变的原始数据）中执行预注册的计划，通过根因方式调查异常，而不是悄悄丢弃不方便的数据，在最终报告前用重新生成的证据验证每一个声明，并对结果进行红队测试。

由于技能会自动触发，你无需做任何特殊操作。你的研究智能体自然拥有 Science Superpowers。

基本工作流

1. framing-research-questions（问题框架化）—— 在任何分析前激活。将粗略的兴趣转化为精确、可证伪的问题，包含假设、所需数据以及什么算作答案。保存问题文档。
2. surveying-prior-work（已有研究调研）—— 将问题和方法建立在已知信息之上：标准方法、已知混杂因素、先验效应量。
3. designing-the-analysis（分析设计）—— 将工作分解为可执行的分析步骤，包含具体数据集、变量、模型/检验、统计功效以及决策规则。
4. preregistering-analysis（分析预注册）—— 铁律。在查看任何结果之前，锁定假设、方向性预测和决策规则，以及验证性/探索性的划分。
5. setting-up-reproducible-analysis（设置可复现分析）—— 隔离、可复现的工作区：固定环境、固定随机种子、不可变原始数据、干净的基线。
6. subagent-driven-analysis（子智能体驱动分析）或 executing-analysis（执行分析）—— 按照预注册计划执行，并设置审查检查点。
7. investigating-anomalous-results（异常结果调查）—— 当结果看起来不对劲时激活。先进行根因调查，然后才考虑调整。
8. verifying-results-before-claiming（声称前验证结果）—— 证据先于声明：重新运行、检查假设、鲁棒性、复现。
9. requesting-red-team-review（请求红队审查） / receiving-critical-review（接收批判性审查）—— 在相信或报告结果之前进行对抗性审查。
10. reporting-and-archiving-findings（报告并归档发现）—— 复现性检查，然后撰写稿件/预印本/迭代/搁置/丢弃，最后归档代码+数据+环境。

智能体在任何任务前都会检查相关技能。 强制工作流，而非建议。

内含技能

技能库

框架构建

• framing-research-questions（问题框架化）—— 将兴趣转化为可证伪的问题（入口关卡）
• surveying-prior-work（已有研究调研）—— 将问题和方法建立在现有文献基础上

规划与预注册

• designing-the-analysis（分析设计）—— 详细的、可执行的分析计划
• preregistering-analysis（分析预注册）—— 在查看结果前锁定预测和决策规则（包含统计谬误参考）

执行

• subagent-driven-analysis（子智能体驱动分析）—— 每个分析步骤使用全新子智能体，配合两阶段审查
• executing-analysis（执行分析）—— 带检查点的内联批处理执行

纪律

• investigating-anomalous-results（异常结果调查）—— 针对意外结果的四阶段根因过程
• verifying-results-before-claiming（声称前验证结果）—— 证据先于声明

审查

• requesting-red-team-review（请求红队审查）—— 派遣一位怀疑论审查者攻击分析
• receiving-critical-review（接收批判性审查）—— 以严谨态度回应批评，而非表演性同意

工作区与报告

• setting-up-reproducible-analysis（设置可复现分析）—— 隔离、可复现的工作区
• reporting-and-archiving-findings（报告并归档发现）—— 决定如何报告；归档代码、数据、环境
• dispatching-parallel-investigations（派遣平行调查）—— 并发独立调查

元技能

• writing-science-skills（编写科学技能）—— 按照测试方法论创建新技能
• using-science-superpowers（使用 Science Superpowers）—— 技能系统介绍

理念

• 预注册 —— 在查看结果前陈述预测和决策规则
• 验证性 vs. 探索性 —— 始终标注，绝不模糊
• 可复现性 —— 固定环境、固定随机种子、不可变原始数据
• 证据优先于声明 —— 在宣布发现前进行验证
• 根因优先于修补 —— 调查异常；不悄悄丢弃数据

安装

安装方式因工具而异。如果你使用多个工具，请为每个工具单独安装 Science Superpowers。

Cursor

在 Cursor 智能体聊天中，从插件市场安装，或者将 Cursor 指向此仓库作为插件。sessionStart 钩子（hooks/hooks-cursor.json）会自动加载引导程序。

Claude Code

注册指向此仓库的市场（.claude-plugin/marketplace.json），然后安装 science-superpowers 插件。SessionStart 钩子（hooks/hooks.json）会加载引导程序。

Codex

使用已提交的 Codex 清单文件 .codex-plugin/plugin.json。

Gemini CLI

安装为扩展；gemini-extension.json 将上下文文件指向 GEMINI.md，该文件会加载引导程序和 Gemini 工具映射。

OpenCode

参见 .opencode/INSTALL.md。

Google Antigravity

Antigravity 原生支持 Agent Skills（相同的 SKILL.md 格式），并在会话启动时读取 GEMINI.md / AGENTS.md / .agent/rules/ 作为常开规则。安装技能并加载引导规则——参见 .antigravity/INSTALL.md。

贡献

参见 AGENTS.md / CLAUDE.md 获取贡献者指南，以及 skills/writing-science-skills/SKILL.md 获取创建和测试技能的完整指南。

许可证

MIT 许可证——参见 LICENSE 文件。本项目重新实现了 Jesse Vincent 的 Superpowers（https://github.com/obra/superpowers）的架构。