对很多国内科研人员来说，ChatGPT 确实好用，但稳定性、使用成本和各类隐形门槛，在实际工作中构成了不小的阻力。
ChatGPT Plus 每月 20 美元，API 需单独计费，且 Plus 本身有额度限制，再加上账号注册、网络环境和境外支付等现实问题，整体体验对国内用户并不算特别省心。
最近腾讯自研的 Agent 产品 WorkBuddy 在社区里讨论度很高。从反馈来看，它的使用门槛也比较低。而且在中文理解和本土工具生态上确实有优势。模型方面也比较开放，内置了多个国产模型，同时兼容主流的技能扩展协议。
所以，我们用 WorkBuddy 搭科研 AI 工作台，再装上 Nature Skill，完整跑一遍科研流程。
本文统一用一个 AI 课题演示：CalibRAG：基于“不确定性 + 证据充分度”的自适应 RAG 科研问答方法。
文中的 benchmark、实验结果和部分稿件均为模拟数据，只用于功能演示，不代表真实科研结论。
另外，我们整理了 WorkBuddy 安装配置教程 + Nature Skill 18 个功能汇总 + 每个 Skill 的详细调用提示词，复制后替换成自己的研究方向就能用。关注公众号，私信[B819]，小助理免费发给你。
一、安装和使用 WorkBuddy
1. 安装和登录
(1) 先下载安装 WorkBuddy。
官方地址：https://www.workbuddy.ai/
(2) 下载安装包后直接双击安装，安装目录可以自行修改，其余基本保持默认即可。
(3) 安装完成后点击 Sign in，进入登录页面选择对应方式注册或登录。
安装本身没什么复杂的，基本一路下一步即可。
2. 语言和 API 配置
登录之后，建议先做两个设置。
(1) 设置中文
点击左下角头像，进入 Settings → System Setting → Display Language 选择中文。
(2) 配置模型 API
WorkBuddy 内置了几个国产模型，不过我们这里还是演示一下如何用自己的 API。演示里使用的是 DeepSeek。
a. 进入设置-模型，点击添加模型。
b. 分别填写：提供商/接口地址、API Key 和 模型名称（注意是型号名）。
这是我非常喜欢的功能，可以配置多个模型，切换也非常方便。
3. 安装和调用 Skill
(1) 模型配置好以后，我们开始安装 Nature Skill。
a. 方案 A（推荐）：新建一个任务，直接输入网址+“克隆并安装”+目标。
从 https://github.com/Yuan1z0825/nature-skills 克隆并安装 nature skill
b. 方案 B：
(2) 安装完成之后，有两种比较方便的调用方式。
a. 方法 A：点击输入框左下角的「+」，找到 Skill，选择想要调用的功能。
b. 方法 B：直接输入 /**
环境准备到这里就完成了，下面正式进入科研流程。
二、WorkBuddy + Nature Skill
Nature Skill 最近在科研 AI 圈的热度很高，它覆盖了文献检索、阅读、实验、绘图、写作等完整的科研流程。
实际用下来，确实比较实用，作者把科研过程中经常需要反复强调的规则，都整合到了这个 Skill 里，用起来很顺手。
18 个 Skill 如果逐个讲，会变成一篇很长的使用手册。这里不展开功能细节，直接拿前面的 CalibRAG 课题跑一遍，看看从查文献到投稿前检查，大概能做到什么程度。
这次走的流程是：
检索论文 → 精读论文 → 整理研究方案 → 画论文 Figure → 写正文 → 润色 → 查参考文献 → 模拟审稿
演示中的 benchmark、实验结果和部分论文内容均为模拟数据，只用于展示功能。
1. 先查文献：nature-academic-search
第一步先确认这个方向到底有没有人做过。
我们调用 nature-academic-search，告诉它研究问题和重点关注方向，并限定文献年份范围。
最后得到的是一份按相关性整理的候选论文，可以先快速判断这个方向目前大概做到了哪里。效果可以说是超出预料的好。
2. 精读核心论文：nature-paper-card
接下来我从刚刚的检索结果里选一篇感兴趣的论文，继续调用 nature-paper-card。
我们把论文 PDF、自己的研究方向，以及最关心的问题交给它。
它会把论文的方法、关键实验和结论边界拆出来，并且回答我们关心的问题，比单纯生成一份论文摘要更适合用来判断这篇工作和自己课题的关系。
3. 生成研究方案：nature-proposal-writer
看完已有工作后，开始整理我们自己的 CalibRAG。
这个演示里的想法很简单：已有方法会判断一个问题需不需要 retrieval，但决定检索以后，第一次返回的证据也不一定够。因此我们希望同时考虑 retrieval 前的不确定性 和 retrieval 后的 evidence sufficiency。
我们调用 nature-proposal-writer，把核心科学问题、已有 hypothesis、文献调研结果和研究约束交给它，让它继续整理 baseline、实验设计、ablation、评价指标以及可能的风险。
最后出来的不是一句“创新点建议”，而是一套相对完整的研究方案，可以继续检查每个 claim 准备用什么实验来证明。
4. 有数据以后直接画 Figure：nature-figure
接下来进入实验结果。
这里准备了一组模拟 CSV，包括 4 个 QA datasets、5 种 RAG 方法，以及 accuracy、retrieval rate、citation support、latency、token cost、threshold sweep 和 ablation 等结果。
把数据文件交给 WorkBuddy 后调用 nature-figure，告诉它这张 Figure 想展示的主要结论、需要哪些 panel，以及最后需要输出 SVG、PDF、PNG 和 source data。
模型会直接生成完整图和绘图源代码，不过在绘图上，DeepSeek-v4 Flash 的效果的确没有 ChatGPT 好。
5. 根据 Figure 开始写正文：nature-writing
有了研究问题、实验和 Figure，接下来可以开始论文写作啦。
调用 nature-writing，提供核心科学问题、主要 claims、Figure、benchmark 和 ablation，同时明确实验的证据边界。
然后让它起草 Abstract、Related works、Results 和 Discussion。
为了方便观察效果，我把 Abstract 翻译成中文，可以看到表述非常清晰。
6. 润色正文：nature-polishing
为了测试润色效果，我们故意在 Discussion 里留了一些 AI 很喜欢写的强结论。
然后调用 nature-polishing，把原文、实验边界和不能修改的内容交给它。
可以看到 Skill 不只润色了语言，还主动识别了过界结论，并把结论收回到现有证据真正能支持的范围内。
7. 投稿前查一遍参考文献：nature-ref-verifier
AI 写论文还有一个很容易出问题的地方：参考文献。
这次我们准备了一份故意带有错误的 BibTeX，再调用 nature-ref-verifier，让它检查 DOI、arXiv ID、题目、作者、年份和 venue，并区分哪些错误可以直接确认，哪些还需要人工检查。
最后可以直接看到有问题的条目以及对应修正。
效果演示就到这里，Nature Skill 里还有不少功能没有展开，比如长期文献跟踪、文献转 PPT、论文转专利、模拟审稿和返修回复等。
不同研究阶段能用到的功能不太一样，大家可以根据自己的课题和工作习惯挑几个实际试一遍，看看哪些最适合接进自己的科研流程。
总结
对于想认真尝试 AI 辅助科研，又觉得直接使用 ChatGPT 门槛较高的国内科研人员，WorkBuddy 提供了一条更容易落地的路径。
在我们的演示中也可以看到，搭配好用的 Skill 效果非常不错。
如果你也想拿自己的课题完整跑一遍，我们已经整理好了：
-
• WorkBuddy 安装、登录和配置教程 -
• 18 个 Nature Skill 功能完整汇总 -
• 18 套可以直接复制、替换自己研究方向使用的详细 Prompt
关注公众号，私信关键词[B819]，小助理免费发给你。
想要更多AI使用技巧？回复关键词
B655：nature-skill功能测试
B675：Codex 使用前必做的几个设置：配置、权限和 Skill 一次讲清楚
F424：科研写作与绘图 Skills 汇总推荐
科研小白需安装的 11 个 SKills
B678：文献下载管理与综述Skill安装包：literature-review-workflow
B685：创新点设计与可证伪性检验Skill安装包：paper-novelty-design
B716：Zotero + Obsidian + Codex 联动教程
B721：GPT5.6 （Codex）安装指南和必装skill
B740：GPT做PPT-全流程提示词模板（异常好用）
B754：drawio绘图软件、skill、插件安装包和使用
B768：WorkBuddy安装排错手册 、 ARS 安装包及四大技能速查表