JohnStrong

Perception, Navigation, Automation

[Amto @XAMTO_AI]

兄弟们，程序员跪着啃源码的时代终于要翻篇了！🔥

这玩意儿叫 Understand Anything，GitHub 直接冲到 59.2k 星，Trending 第一，真不是吹的。

它能把整个代码库变成可点可问的知识图谱：

1️⃣ 点函数秒出依赖关系，谁调谁一目了然

2️⃣ 直接开口问“支��流程怎么走”，答案秒回

3️⃣ 改代码前跑一下 /understand-diff，哪块会爆提前知道

Claude Code、Cursor、VS Code 全支持，一行命令搞定。

20 万行屎山，10 分钟从懵逼到通透，真香。
🔗：https://t.co/8RxgwFsTsu

[Xudong Han @Xudong07452910]

斯坦福这篇最新论文让我重新想了一个在多 Agent 系统设计里很少被认真质疑过的假设：一定要有一个「总管 Agent」来协调其他 Agent 的工作吗？

文章的核心观点：在多 Agent 系统里，让一个中央调度 Agent 去负责「接收任务、分发子任务、收集结果、合并输出」，这套流程随着子任务数量增加会变成通��和集成的瓶颈。去掉这个中心点，让 Agent 直接通过共享上下文协调，反而更高效。

作者接着提出 DeLM（去中心化语言模型框架）：核心结构是一个「共享可验证上下文」，意思是所有 Agent 都能读写的公共基底，不经过中央控制器路由。每个 Agent 从任务队列里异步认领子任务，读取已有进展，做本地推理，把压缩验证后的结论写回。写回内容必须经验证才能被后续 Agent 使用，防止错误信息在 Agent 间传染。这套设计在软件工程测试时扩展性和长上下文推理上均有改进。

我觉得「共享可验证上下文」这个设计最值得注意。以前多 Agent 系统的信息汇集靠中央 Agent 整合，整合能力受中央 Agent 的上下文窗口限制。DeLM 把「信息汇集」变成了公共读写基底，每个 Agent 只写自己验证过的结论，这样一来信息流动方式变了，瓶颈就消失了。这是一个去掉「信任中心节点」的协作模型，值得认真对照一下你现在的多 Agent 架构。

以前我们关注多 Agent 的任务拆解，以后可能更要关注 Agent 协作时的信息流动基础设施是否本身成为瓶颈。

https://t.co/Q60UctJksd

[vivek @itsreallyvivek]

https://t.co/ZhOgyq7Vgn

[paperpaper @paperpaper886]

最近在带入组的本科实习生，发现怎么读论文其实是科研训练里最容易被忽略的一步。
推荐一篇每个科研新人都该读的经典短文：S. Keshav 的 How to Read a Paper。

文章提出了非常实用的“三遍读论文法”：
第一遍，5 到 10 分钟快速扫读：标题、摘要、引言、章节标题、结论和参考文献。
目标是回答 5C：
Category, Context, Correctness, Contributions, Clarity。
也就是判断这篇论文是什么、和谁相关、假设是否合理、贡献是什么、写得清不清楚。
第二遍，认真读论文主线，但先跳过证明细节。重点看图表、实验设置、结果是否清楚、引用了哪些关键工作。
第三遍才进入深度理解：尝试像复现一样重建作者的思路，检查假设、方法、创新点和潜在漏洞。

放在今天看，这个方法和 AI 辅助读论文其实很契合。
第一遍可以让 AI 帮忙快速总结论文的研究问题、核心贡献和主要结论，但自己一定要判断这篇文章是否真的值得继续读。
第二遍可以让 AI 帮忙解释方法、实验设置、图表和不熟悉的概念，但不能只看 AI 总结。关键图表、实验设计和结果数字一定要回到原文核对。
第三遍可以让 AI 扮演 reviewer，帮你追问：这篇文章的假设是否成立？实验是否支持结论？有没有 missing baseline？有没有潜在的数据泄漏、评价偏差或过度 claim？

读论文不是“读完”就行。真正重要的是知道什么时候快速跳过，什么时候认真理解。
尤其在 AI 工具越来越强的情况下，科研新人更需要训练自己的判断力。
AI 可以帮你压缩信息，但不能替你决定一篇论文是否重要、是否可信、是否值得借鉴。

https://t.co/8gUc4HbLwR

[0xFuck.ETH @0x404page]

卧槽兄弟们，GitHub 上真的有一堆免费到离谱的项目。

很多能力已经能直接干掉你正在月付的软件。

1. TradingAgents
AI 多 Agent 量化交易框架
https://t.co/TUb3q0uILN…

2. LibreChat
一个界面接入 ChatGPT、Claude、Gemini 等多个模型
https://t.co/UUMftLSOU4…

3. HyperFrames
HeyGen 开源的视频生成引擎
https://t.co/OZKS8R1qnj…

4. Fincept Terminal
开源版彭博终端
https://t.co/3QGYCnWJqV…

5. MoneyPrinterTurbo
AI 一键生成短视频
https://t.co/XenuwHKMwg…

6. Agentic Inbox
Cloudflare 开源 AI 邮件助手
https://t.co/g92N5IMxIG…

7. VoxCPM
AI 声音克隆工具
https://t.co/nWDB88AF0m

8. Flowsint
开源 OSINT 情报分析工具
https://t.co/dNp65L5v0e…

9. agent-skills
Claude Code 技能���
https://t.co/y7RnzfKJT8…

10. Nango
开源 API 集成平台
https://t.co/xBK94t6Pgj

兄弟们，这些真不是玩具项目。

很多你还在交月费的软件，GitHub 上已经有人做出开源平替了。

一句话：

别只会收藏 AI 工具网站了。

真正狠的东西，很多都藏在 GitHub 里。

[Ilir Aliu @IlirAliu_]

MIT Press published a robotics textbook.
Then put it on GitHub for FREE. 📌
"Introduction to Autonomous Robots" covers everything:

kinematics, sensors, actuators, motion planning, localization, computer vision, and neural networks... from mechanisms all the way to algorithms.

It's written for undergraduates. Which means it's actually readable.

Most robotics textbooks assume you're already deep in the field. This one builds everything from the ground up, step by step, with real examples. Stanford's Mac Schwager called it "much-needed" (because it genuinely is).

Four professors at the University of Colorado Boulder spent years building it from lecture notes. MIT Press published it. Then they open-sourced the whole thing under Creative Commons.

PDF. Free. GitHub.

If you're trying to understand how autonomous robots actually work (not just the frontier research, but the foundations), this is where to start.

📌 [https://t.co/bw8zoK8MmB]

Share this with your fellow roboticist!

——

Weekly robotics and AI insights.
Subscribe free: https://t.co/9Nm01QUcw3

[Ilir Aliu @IlirAliu_]

ETH Zurich just open-sourced their entire 2026 robot learning course.

Not a MOOC. The actual course. Slides, lecture recordings, coding assignments, GitHub repo.

The curriculum goes from imitation learning and RL all the way to Vision-Language-Action models and foundation models for robotics.

Guest lectures from the co-founder of Physical Intelligence. The creator of Diffusion Policy. Pieter Abbeel. Dieter Fox.

12 weeks. Free. No signup.

If you want to understand where robot intelligence is actually heading… this is the reading list the field is using right now.

📍[https://t.co/eKsIjILi60]

——

Weekly robotics and AI insights.
Subscribe free: https://t.co/9Nm01QUcw3

[The Assembly @InTheAssembly]

有 3 只中国小盘股，正好处在中国 AI 硬件建设的卡脖子环节。

全部港股上市，西方几乎零覆盖。

请看：

[青峰见财讯 @QingFengJianZX]

强烈推荐电力板块龙头：电价底部反转+边际弹性，电力板块有望迎来价值重估

科技资金外溢找确定性板块，电力板块确定性利好会从6月份持续到年底。第二产业复苏和厄尔尼诺提升用电量，而火电和绿电弹性最大；夏季会出现各地月度现货电价提升趋势。9月开始谈判2027年年度长协，现在煤价和用电量基础上，各省大概率会提升��

以广东为代表，电力供需呈现“电量宽松、电力紧平衡”状态，4月以来广东用电量超���期+机组检修导致现货电价大涨，今年厄尔尼诺预期增强，南方气温偏高，南方电网负荷连创新高，#电价博弈弹性增强，边际收益改善。复盘2014年以来4次厄尔尼诺事件中电力板块行情结果显示，在强厄尔尼诺事件中期，电力板块胜率较高。

# 电力能源替代价值显现，电力板块有望迎来价值重估。美伊冲突和霍尔木兹海峡的封锁进一步引起全球能源通胀，加剧全球缺电问题，能源供给的自主可控和清洁高效利用重要性凸显。国内方面，“十五五”规划建议明确提到促进清洁能源高质量发展，电源侧的消纳和外送格局有望改善；同时我国用电量保持稳健增长，算力发展激发电力需求，1-3月全社会累计用电量2.5万亿kWh，同比增长5.2%，其中充换电服务业、互联网数据服务业用电量增速分别达到53.8%、44%。我国电力供需格局出现边际改善迹象，电价有望触底反弹。

# 电算协同+氢基能源赋能绿电，抬升电力附加值属性。四部门编制《关于促进人工智能与能源双向赋能的行动方案》提出，到2027年，支撑人工智能创新发展的安全、绿色、经济的能源保障体系初步构建，清洁能源与算力设施互动能力显著提升；到2030年，人工智能算力设施的清洁能源供给保障能力达到世界领先水平，人工智能与能源双向赋能取得明显成效。《关于促进新能源集成融合发展的指导意见》和《关于促进新能源消纳和调控的指导意见》等文件鼓励绿电与绿色氢氨醇协同，推动新能源非电利用。绿电与算力、氢基能源协同发展，推动绿电就地消纳，将低附加值的绿电与高附加值产品绑定，绿电价值或迎重估。

标的推荐：火电龙头【华能国际】、【华电���际】、【国电电力】；绿电龙头【龙源���力】、【三峡能源】；转型电解铝【百通能源】；算电协同【金开新能】；绿色氢基能源【电投绿能】；水电来水偏丰，【长江电力】、【华能水电】、【川投能源】、【南网储能】；核电密集投产期临近，【中国广核】、【中国核电】

[Jealousy 尼卡 @eastweb3eth]

Serenity 白发女股神 Skill

最近 Serenity 绝对是美股赛道热度最高的人物。原因还是因为其有极强的能力。

这个库把 @aleabitoreddit 全部推文观点蒸馏后做成的skill。安装好以后，你就可以跟它对话。它可以替你用 Serenity 的思维框架来分析股票、拆解供应链，就像 Serenity 成为了你的私人股票投资助理。

让 AI 用 Serenity 式投研方法，筛出上涨逻辑更清楚的���票和基金方向。

仓库：https://t.co/bsrfnqiWvS

最后，还是风险提示，股票投资是有风险的，大家购买之前一定要DYOR~

我是尼卡，平��会持续分享 AI、美股、Web3 相关有用又有趣的工具和项目，感兴趣的话欢迎关注，下次见～

[Metamental | 方外��域 @yijiangren]

紫苏叶理论：AI 时代，最贵的不是金枪鱼，而是那片不能断供的叶子

最近认真看了很多 @aleabitoreddit 的内容。
一开始我觉得她最厉害的地方是收益率。

今年到目前为止4500%的收益率，从刚开始到现在大概是31000%，AXTI、AAOI、SIVE、RPI，一个个小票被她提前挖出来，然后在争议、嘲笑、质疑声中完成重估。
这种故事很刺激，但是我在研究交易和投资方法上，比较注重实用主义。
既然她能打出这么高的收益率，那么到底用的是什么方法。

研究之后，我发现她不是在寻找下一个英伟达，是在寻找英伟达背后，那些小到没人愿意看、冷到没人愿意写、但一旦断供整个 AI 产业链就会卡住的东西。
这就是我理解中，她的紫苏叶理论。

紫苏叶理论

所谓紫苏叶理论，最经典的比喻来自岛国的寿司店。
食客走进顶级寿司店，眼睛盯着的永远是金枪鱼大腹、海胆、鱼子酱。
它们昂贵、显眼、性感，是所有人都能理解的高价值资产。

但真正让一整套料理成立的，可能是一片来自特定产地的小小紫苏叶。

它不贵、普普通通、它不会出现在菜单最显眼的位置。
但它去腥、提��、装饰、定调。
没有金枪鱼，菜单可以少一道菜。
没有紫苏叶，整套餐可能就端不上来。

映射到 AI 投资里，英伟达是金枪鱼，微软、谷歌、OpenAI、Meta 是金枪鱼，数据中心、GPU、模型参数、CapEx 指引，都是摆在台面上的主菜。

但她看的不只是主菜，她往下拆。

GPU 之间怎么通信？
数据怎么传输？
万卡、十万卡集群同时工作时，最先撑不住的是哪里？
如果训练和推理规模继续扩大，瓶颈到底是在芯片本身，还是在互联、光源、衬底、外延、封装、对准、材料纯度这些更底层的物理环节？

普通人看到 AI，想到的是模型。
稍微懂一点的人，想到的是 GPU。
再深入一点的人，想到的是 HBM、电力、液冷、数据中心。

但Serenity的方法是继续往下。
她不是像我们一样从叙事出发，而是从物理限制出发。
这是紫苏叶理论真正厉害的地方。

AI 到最后不是 PPT 里的指数曲线，而是一个个真实世界里的物理问题：铜线有衰减，电信号有损耗，散热有上限，光耦合需要纳米级对准，外部激光光源需要稳定供应，化合物半导体需要高质量衬底，特殊材料需要极高纯度，产能扩张需要设备、认证和时间。
金融市场和华尔街只喜欢讲增长。
她喜欢问：增长撞到墙的时候，墙在哪里？
这句话，是整个紫苏叶方法论的核心。
比如 CPO，也就是光电共封装。
我们普通投资者听到这个词，第一反应是又一个 AI 概念。

但从产业逻辑看，它并不是凭空冒出来的热点，而是 AI 集群规模扩大之后，传统铜线互联在功耗、带宽、延迟和散热上不断逼近极限之后，必须出现的一种工程答案。
当数据不再只是从一台机器流向另一台机器，而是在成千上万张 GPU 之间高速交换，连接本身就从配角变成了主角。
这个时候，问题不再是“谁的芯片算得快”。
而是“数据能不能以足够低的损耗、足够低的功耗、足够高的带宽送过去”。
如果送不过去，再强的 GPU 也会被困在自己的孤岛里。

所以她开始拆 CPO。
从光纤阵列单元，到微透镜。
从外部连续波激光光源，到 DFB 激光器。
从 InP 衬底，到 MBE 外延设备。
从高纯度红磷，到 SOI 衬底。

每拆一层，她问的都不是这个概念有没有热度。
而是三个更加底层的问题
第一，这个东西是不是物理上必须存在？
第二，这个东西有没有可替代方案？
第三，如果需求突然放大，谁的产能最难复制？

这和普通炒题材完全不一样，反倒是有点像马斯克说的第一性原理。
普通题材投资，是先看到一个宏大叙事，再去找名字最响、流动性最好、讨论最多的股票。
Serenity 的路径反过来，她先从产业链最底层寻找不可替代性，再看这个不可替代性有没有被市场定价。

这就是为什么她会看AXTI。
在市场还没真正理解 AI 光通信之前，她就盯上了 InP，也就是磷化铟衬底。
这东西听起来冷门得不能再冷门。
不性感，不好传播，也不适合普通人茶余饭后聊天。
但它是光通信、激光器、光电器件的重要底层材料。
如果未来 AI 基础设施越来越依赖高速光通信，那么这种材料就不是边角料，而是地基。
更关键的是，做这类衬底的公司很少，产能不是说扩就能扩，质量不是说追就能追，客户认证不是说过就能过。
这就是典型的紫苏叶。
小、冷、不起眼。
但卡住了别人。
她看 SIVE 也是同样的逻辑。
很多人讨论 CPO，只会讨论博通、迈威尔、英伟达这些大公司。
但她盯的是外置连续波激光光源。
因为 CPO 不是一句���进铜退就完了。
要把光引进去，要有稳定可靠的光源；要让封装内的光电转换成立，就必须有足够成熟、足够高功率、足够可量产的激光方案。

于是，一个瑞典小公司就突然从边缘进入了 AI 基础设施的中心。
这就是她的思维习惯：不是看谁最大，而是看谁最窄。
最大的公司未必最有弹性，最窄的环节，才可能拥有最高的重估斜率。

树莓派

树莓派那一战，其实是紫苏叶理论的另一个变体。
表面上看，RPI 和 CPO、InP、激光器完全不是一类东西。
一个是教育开发板公司，一个是半导体材料和光通信链条。
但底层逻辑是一样的：同样的需求冲击，打在不同体量的公司身上，财务影响是天差地别的。
当 OpenClaw、PicoClaw、NanoClaw 这些工具开始火起来，我们的第一反应是：AI 又进化了，苹果 Mac Mini 可能受益。
但苹果太大，几万台、几十万台 Mac Mini 的需求变化，对苹果来说只是水面上的一点波纹。
可树莓派不一样��
它市值小，收入基数小，市场预期低，长期被贴着“教育硬件”“爱好者玩具”的标签。
一旦它从“学生买一块玩玩”变成“创业公司一次买几十块、上百块，用来部署本地 AI agent swarms”，它的可寻址市场就变了。
不是产品变了，是产品在新场景里的位置变了。
这也是我觉得 Serenity 很强的一点：她不只是看到需求变化，她能把需求变化翻译成财务影响。
大部分人看到 OpenClaw 火了，只会说AI好强。
她会继续问：谁会买硬件？买多少？一次性买还是持续买？会不会绕开云服务？为什么不用 AWS？什么场景必须本地部署？
这个需求打到苹果身上是噪音，打到树莓派身上是不是营收弹性？
这才是真正的研究。
后来财报验证，也确实让很多人闭嘴。
当初媒体急着给树莓派贴 meme stock 标签，说这是散户狂热，说这是 mass stupidity，说股价会 crash back to reality。
但 Serenity 从一开始讲的就不是轧���，不是表情包，不是散户抱团。
她讲的是 TAM 扩张、营收弹性、估值错配和市场共识失灵。

真正的交易员

这就是她和很多网红交易员最大的不同。
真正好的投资研究，不怕被质疑。
它怕的是没有可验证的路径。
Serenity 的很多判断，恰恰都有一条从物理限制到产业需求、从产业需求到公司收入、从公司收入到估值重估的链条。
当然，这并不意味着她永远正确。
紫苏叶理论也不是万能钥匙。
小市值、冷门、卡脖子，这三个词听起来很美，但每一个背后都有风险。

小市值意味着流动性差。
冷门意味着信息不透明。
卡脖子意味着一旦替代路线出现，估值也可能瞬间坍塌。
材料公司可能被周期反噬。
设备公司可能订单延迟。
光通信公司可能被大客户压价。
一个技术路线如果被验证，股价可以十倍；如果路线切换，也可能一夜回到原点。

所以我很欣赏 Serenity 的地方，不是她永远自信，而是她经常知道自己在赌什么。
她会讲风险。
会讲替代方案。
会讲为什么自己认为这个环节更难绕开。
也会用 AI 模型做反向辩论，让不同模型攻击自己的逻辑。

这点其实很重要。
很多人用 AI 是为了让它赞同自己。
Serenity 用 AI 是为了让它反驳自己。
这背后是一种很少见的研究纪律：我不是来证明自己对的，我是先假设自己可能错，然后看这个逻辑还能不能站住。
这也是为什么她的内容和普通喊单帖不一样。
喊单帖通常只有结论。
她的内容永远有路径。

从 GPU 到互联。
从互联到光通信。
从光通信到 CPO。
从 CPO 到激光器、衬底、外延、材料和封装。
从技术路线到供应商。
从供应商到产能。
从产能到收入。
从收入到估值。

最后才是股票。
很多人是先爱上一只股票，再给它找理由。
她更像是先画出一张物理世界的地图，然后看地图上哪个关口还没有被市场发现。
所以，紫苏叶理论真正值得学习的，不是买小票。
更不是��被 Serenity 点名就冲。
如果只学到这一层，那很危险。

值得我们学习的

她真正值得学习的是一种研究顺序
一问产业的物理瓶颈在哪里
二问这个瓶颈有没有唯一性
三问唯一性有没有商业���路径
四问商业化路径有没有财务弹性
最后第五问才问市场有没有定价

顺序不能反。
如果先看涨幅，再找故事，那叫追热点。
如果先看叙事，再找标的，那叫炒概念。
如果先看物理约束，再找财务弹性，再等待共识修正，那才接近 Serenity 的方法。

我觉得这也是为什么她会在中文区突然出圈。
过去几年，AI 投资被讲得太宏大了，大模型改变世界，算力就是石油，英伟达卖铲子，数据中心是新时代电厂。
这些都对，但当所有人都站在同一个叙事入口，alph只会越来越少。
Serenity 提醒了我们另一件事：AI 不是飘在云里的神话，AI 是落在地上的材料、设备、线缆、光源、晶圆、封装、工厂、物流、认证和产能。
越往下，越脏，越累，越冷门。
但也越可能藏着真正的定价错误。
最大的alpha，有时候不是来自更宏大的想象力，而是来自更具体的耐心。

别人看见金枪鱼。
她去找紫苏叶。
别人看见英伟达。
她去找谁让英伟达的系统真正跑起来。
别人看见 AI 时代的海啸。
她去找海啸来临前，最先被冲垮、也最先被重建的那座桥。

这才是紫苏叶理论最打动我的地方。
它不是神化一个人，也不是鼓励散户去盲目追逐冷门小票，大部分自己追的小票都会以失败告终。
它真正提供的是一种新的观察角度：当一个大时代开始扩张时，不要只盯着最亮的灯，去看灯泡后面的电线，去看电线后面的铜、绝缘层、变压器、工厂和开关，去看那些没有名字、没有流量、没有故事感，但一旦消失，整个系统就会停摆的东西。

市场总是喜欢奖励显眼的东西。
但真正的瓶颈，往往藏在不显眼的地方。
这就是 Serenity 的紫苏叶理论。
也是我觉得我们最该从她身上学到的东西：不要只问什么最贵，要问什么最不能断。
诸君，共勉。

[阿西_出海 @axichuhai]

https://t.co/dCFu4cJPR6

[娜美知识库 @fhwofjow51260]

推荐一个开源项目 next-ai-draw-io，已经冲到 30k Stars，还登上过 GitHub 热榜第一。

它最狠的地方是：一句话就能生成复杂架构图。

架构图、流程图、思维导图都能一键生成，内容还能继续编辑，做完直接导出。甚至可以上传手绘草图，让 AI 帮你自动变成正式图表。

写方案、做汇报、画系统设计图的人，真的可以省不少时间。

https://t.co/yBtn8RS7QH

[Vincent | 信号＞噪音 @VincentLogic]

NVIDIA 刚开源的这个 LocateAnything 模型，真的有点强。🤯

以前那种视觉定位模型，生成坐标是一个数字一个数字往外蹦（像挤牙膏一样），又慢又不稳定。
这个新模型用了“并行边界框解码”，直接一步预测完整坐标，速度快多了，框得也准。

不管是找视频里的物体，还是识别UI界面、OCR文字，它都能搞定。
最关键是模型很小，只有 3B 参数（约7.8GB），消费级显卡也能本地跑！🏠💻

做计算机视觉或者多模态的朋友，这个必须得试试。
项目已开源，手慢无！👇

[Rohan Paul @rohanpaul_ai]

A 178 page survey study for refreshing math and generative AI foundations from University of Huddersfield.

The Little Book of Generative AI Foundations.

[Frank Dellaert @fdellaert]

Arxiv paper: https://t.co/aR86gldTAs

[散户研习社 @sanhuyanxishe]

谁能成为6月主线？

[吴川 @WuChuanIJ]

紧盯“特斯拉FSD审批与落地节点”：
重点关注伯特利、世运电路、联创电子。这三家直接挂钩特斯拉HW5.0硬件迭代与FSD算力板需求，属于弹性最大的先锋标的。
布局“数据合规与地图”暗线：
特斯拉FSD要在国内跑通，数据不出境是底线。四维图新作为具备国资背景及甲级测绘资质的企业，在数据合规存储和地图服务上具有稀缺性。
把握“国内车企反制”的域控与底盘龙头：
面对特斯拉的压力，国内车企会加速L3/L4级别车型的量产。德赛西威（域控大脑）和浙江世宝（线控转向执行）是国产替代与智驾升级绕不开的核心资产。

[Palantir @PalantirTech]

Start your engines.

[Ren @FakeMaidenMaker]

上交博士写给科研人的 Nature 投稿全套工具(8k Stars)

搞科研写论文，最烦的就是：句子写得太长编辑直接退稿、用词总差那么一口气、对应章节时态用错、hedging 强度拿捏不准、画出来的图不符合 Nature 风格、审稿意见回复格式怎么对齐都别扭，每一关都能耗掉你好几天。

Yuan1z0825/nature-skills——专门为投 Nature 系列顶刊准备的 9 个 skills 合集，Codex 和 Claude Code 都能装，论文写作全链路覆盖。

GitHub：https://t.co/xdyQyoL00T

主要功能：
1️⃣ nature-polishing：把你的英文稿润色成 Nature 风格，句子压到 30 词以内、时态对应章节、hedging 强度刚好、英式英语全套
2️⃣ nature-figure：一键生成 Nature 风格 matplotlib 多面板配图，5 类样例直接套用，再也不用对着 guideline 手调 dpi
3️⃣ nature-citation：严格的 CNS 引用检索，支持导出 ENW / RIS / Zotero RDF，引用核实不用手查
4️⃣ nature-response：逐条回复审稿意见，自带意见分诊、行动映射、风险检查，格式对齐省心
5️⃣ nature-paper2ppt：把论文直接做成中文 PPTX 期刊会演示稿，组会不用再手搓

适合正在写论文、冲顶刊、做科研的朋友收藏使用。