刚刚,微软官方公开了科研研究Skill
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
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

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。

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。

| 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。

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。

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。

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。

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。

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。

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。

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。

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


