科研人看过来！peer-review这个Skill把同行评审流程玩明白了🔥审稿效率直接翻倍-Skill优仓

这个Skill在做什么

做过学术审稿的人都懂那种崩溃感——一篇稿子几十页，方法论、统计分析、伦理声明、图表完整性……每一项都要逐一核查，漏掉任何一个细节都可能让审稿意见显得不专业。peer-review这个Skill就是专门为这个场景设计的，它把整个同行评审流程拆解成七个系统化阶段，从初步评估到最终定稿，每一步都有明确的检查框架。

核心功能

peer-review的核心是一套完整的科学评审工作流，覆盖从摘要到参考文献的全文审查。它不只是给你一张清单，而是针对每个章节提供具体的评估维度。

七阶段审稿流程：初步评估→逐节详审→方法与统计严谨性→可重复性与透明度→图表数据呈现→伦理合规→写作质量，每个阶段都有对应的关键问题清单。
统计分析专项检查：验证统计假设是否满足、效应量是否报告、多重比较是否校正、样本量是否有功效分析支撑，这些是审稿中最容易被忽视的技术细节。
可重复性评估：检查原始数据是否存入公开数据库、分析代码是否开放（GitHub/Zenodo等）、实验方案是否足够详细到可被复现。
报告规范合规性：内置对CONSORT、PRISMA、ARRIVE、STROBE等主流报告规范的核查支持，适配不同学科的投稿要求。
演示文稿专项审查：针对PPT/Beamer等学术报告，提供基于图像的视觉检查流程，包括字体大小、对比度、布局溢出等视觉问题的逐页核查。
结构化反馈生成：按照”总体评估→主要意见→次要意见→逐行批注→作者问题”的层级输出审稿报告，格式直接符合期刊投稿要求。

适用平台

peer-review Skill可以无缝集成到主流AI编程与写作助手中，作为这些工具的”最强外挂”显著提升上下文理解能力。无论你在用Cursor、GitHub Copilot、Claude Code、OpenAI Codex，还是Gemini Code Assist、文心快码、腾讯云CodeBuddy、华为云CodeArts，都可以直接调用这个Skill，让AI在审稿任务中获得完整的评审框架和领域知识，而不是凭空生成模糊的反馈意见。

实操代码示例

以下是调用peer-review Skill生成演示文稿图像并启动审查的核心命令：

# 将演示文稿PDF转换为逐页图像，供视觉审查使用
python skills/scientific-slides/scripts/pdf_to_images.py presentation.pdf review/slide --dpi 150
# 输出：review/slide-001.jpg, review/slide-002.jpg, ...

# 生成科学示意图以增强审稿文档的可视化表达
python scripts/generate_schematic.py "peer review workflow diagram" -o figures/review_workflow.png

Skill支持的工具集包括Read、Write、Edit、Bash，可以直接读取稿件文件、写入审稿报告、执行脚本转换，整个流程在本地环境中闭环完成。

优势分析

市面上不少AI写作工具也能生成审稿意见，但大多数只是对文章内容做表面总结，缺乏真正的方法论审查深度。peer-review的差异化在于几个关键点。

首先是领域无关性，它的评审框架适配原创研究、综述与Meta分析、方法论论文、短报告、预印本等多种稿件类型，不需要针对不同学科重新配置。其次是图表完整性检查，它明确包含对图像操作迹象的核查（如Western blot的拼接、重复图像等），这是一般审稿工具完全忽略的维度。第三是伦理合规全覆盖，从IRB批准到利益冲突披露，从动物实验的3R原则到数据造假风险，都在检查范围内。

应用场景

期刊编委与审稿人：接到审稿邀请后，用peer-review Skill快速生成结构化的初步评估框架，再结合自身专业知识填充具体意见，审稿时间可以从数小时压缩到重点核查阶段。
科研团队内部预审：论文投稿前，团队成员用这个Skill对稿件做一轮系统性自查，提前发现统计报告不完整、方法描述不可重复等常见问题，减少被拒稿的概率。
基金申请评审：评审科研基金申请时，Skill的方法论严谨性和实验设计评估模块同样适用，帮助评审人系统性地评估研究方案的可行性。
学术报告反馈：导师或答辩委员会成员在审查学生的学术演讲PPT时，可以用演示文稿专项审查模块，逐页检查视觉设计、内容密度和引用完整性。
预印本社区反馈：在bioRxiv、arXiv等平台上对预印本提供公开评论时，用这个Skill生成有据可查的结构化反馈，比随意评论更有建设性。