JOTO
Contact us
← AI 智库
Skill 技能

刚刚,微软官方公开了科研研究Skill

2026 年 11 月 21 日

微软刚公开的官方科研专属技能工具,完美解决选题卡壳、找文献越搜越乱的痛点。核心内容:1. 微软开源科研项目ResearchStudio的核心定位、全周期覆盖能力与组件详情2. ResearchStudio-Idea组件的具体安装步骤、操作指引与调用方式说明3. 面向大模型长文档信息遗漏课题的完整实战操作演示参考

论文存了一文件夹,自己的课题却还停在一句话。

继续搜索容易越找越晕,让 AI 想创新点,又常得到听起来合理、动手时无从下手的建议。

选题要弄清已有研究解决到了哪里、自己准备增加什么,以及与相近工作的差别。不妨试试微软开源的这套 ResearchStudio-Idea 把这些工作整理成了一组可以连续调用的 Skill。

| 01 项目介绍

刚刚,微软官方公开了科研研究Skill

项目地址

https://github.com/microsoft/ResearchStudio

ResearchStudio 是微软开源的科研 Skill 项目,可以在 Codex 和 Claude Code 中使用,涵盖整个研究周期——从未明确的研究方向到发表论文。这篇重点介绍它负责研究构思的前半部分 ResearchStudio-Idea。

刚刚,微软官方公开了科研研究Skill 配图 2

其中,Paper Search 负责搜索论文和合并重复记录,IdeaSpark 负责提出研究问题、具体方法和验证思路,Scoop Check 则比较候选贡献与已有工作的重合。

刚刚,微软官方公开了科研研究Skill 配图 3

| 02 安装和使用

在已配置好 Codex 或 Claude Code 的电脑上,打开终端运行项目的交互安装命令。

npx github:microsoft/ResearchStudio

按安装器提示选择 Idea 组件和使用的工具。

刚刚,微软官方公开了科研研究Skill 配图 4

安装后,可以在对话中点名 Skill,用自然语言交代研究方向。有些宿主也支持项目提供的 /paper-search、/idea-spark 和 /scoop-check 调用形式。

| 03 实战演示

1 找文献

这次,我们的研究课题是:

大语言模型处理长文档时,怎样减少遗漏关键信息的问题?

整篇论文交给 AI 后,回答仍可能漏掉条件、例外或分散证据。我们希望它把这个常见问题推进为具体研究方案。

先把上述研究问题交给 Paper Search,检索 2024—2026 年有关长文档信息利用、遗漏检测和问答方法的论文。

本轮检索得到 18 条唯一记录,过滤后保留 17 条,附有来源、相关性说明和阅读顺序。

刚刚,微软官方公开了科研研究Skill 配图 5

打开检索到的文献查看,《Lost in the Middle》和《AbsenceBench》分别指向中部信息利用与缺失检测,提醒我们区分“找到信息”和“发现漏项”。

两者需要不同的测试,先分清这一点,比继续堆积关键词更有助于选定研究对象。

刚刚,微软官方公开了科研研究Skill 配图 6

这个阅读顺序把问题现象、已有干预和评测方法连了起来,便于从入门阅读走向方案比较。不过由于没额外链接更多文献库的API,这次找到的清单中,仍混入两条待核实的书籍章节。

2 候选方案

接着,AI调用了 IdeaSpark 继续处理,完成独立准备文献和读取全文,提出了一份围绕“证据是否足够”的候选方法。

候选关注的是引用准确、内容却不完整的回答,例如引用都来自原文,却漏掉了改变结论的条件。

如果负责检查证据的模型始终能看全文,它可能自己补回遗漏内容,掩盖证据选择的问题。

刚刚,微软官方公开了科研研究Skill 配图 7

最后,AI 安排了一个“暂时看不到全文”的检查环节。

训练时,让一个参数固定的阅读模型只接收选中的证据,再联合替换若干片段,观察恢复参考答案的难度增加多少。

这个差异被用来训练证据选择,让模型更偏好能支持完整回答的片段组合。正式回答时,模型仍然可以读取全文。

刚刚,微软官方公开了科研研究Skill 配图 8

这个方案值得讨论的地方,是把“漏项”落实为对证据组合的具体干预,并交代了训练信号如何产生。

研究者能据此比较证据选择与训练目标的不同设计,比“提高信息覆盖率”这样的泛泛建议更容易落到方法上。

候选提出的负对照也有针对性。将衡量遗漏损害的训练信号打乱后重新训练,如果收益依然相近,就应重新解释方法为何有效。这给了研究者一个明确的放弃或修改依据。

刚刚,微软官方公开了科研研究Skill 配图 9

审查意见中,对效果归因的提醒最值得采纳。证据选择和答案生成共享参数,回答变好可能有多种原因,将收益全部归到证据选择上会夸大贡献。采纳这条建议,既能避免夸大贡献,也能让实验更有针对性地区分收益来源。

03 查查是否撞车

接下来,让Scoop Check 接收材料,查一下“训练时屏蔽全文、通过联合替换证据产生学习信号”这一具体主张,与已有方法有哪些重合。

可以看到,它把主张拆成问题定义、核心机制、关键洞见和应用领域四个维度。本轮保留了 24 条检索记录,选出 5 篇重点比较,报告给出的暂定结果为 Level 3,即中等重合。

刚刚,微软官方公开了科研研究Skill 配图 10

Highlight-Then-Summarize 是本轮重点比较的工作之一,已经研究如何组织证据、压缩为摘要并支持后续回答。报告将它与候选的训练信号构造方式作了具体区分。

刚刚,微软官方公开了科研研究Skill 配图 11

查新结果对这份候选的直接价值,是缩小了贡献的表述范围。“先找证据再回答”已有近邻工作,真正值得继续比较的是遗漏对照的构造和训练方式。

| 写在最后

ResearchStudio-Idea 适合已经有研究方向、还没把贡献想具体的人。这次演示中,候选能否被证伪、与先例差在哪,都有了可讨论的具体内容,用来准备选题讨论很合适。

完整 IdeaSpark 包含多轮生成和审查,耗时明显长于普通聊天。日常可以按任务选用其中一个工具,找论文用 Paper Search,已有具体贡献则直接用 Scoop Check。

对我来说,值得留下的是候选方法、负对照和最接近工作清单。

有了这些材料,下次讨论就能直接问哪项设计值得保留、哪篇论文必须补读,以及先做哪个对照。

立即咨询 JOTO

JOTO 提供覆盖企业智能体规划与搭建、AI 平台私有化部署、RAG 知识工程、AI 安全治理、FDE 驻场共创及持续运营优化的全周期 AI 落地服务,帮助企业把验证中的 AI 能力转化为安全、可控、可持续迭代的生产力。 联系 JOTO 获取 AI 落地咨询

想把这些做法用到你的业务里?

留下你的场景和痛点,我们帮你判断从哪一步开始。

联系我们
Contact Us

Start your enterprise AI rollout

Tell us your industry, team, and current pain points. We'll get back to you within one business day to help you decide what to tackle first, what data to prepare, and which platform fits.

WeChat
Scan to add us for a 1:1 chat
JOTO WeChat consultation QR code

Tell us what you need

Once we receive your details, we'll be in touch within one business day.