Skip to content

zms618/research-idea-discovery

v3.5.0

Paper-grounded research discovery from failures, successful mechanisms, apparent contradictions, and real-world needs, with motivation and evidence checks.

GitHub

Research Idea Discovery

简体中文 | English | 科研技能集总览

Evidence-Driven Research Idea Discovery, Feasibility Validation & Scientific Review

一款面向 ChatGPT 网页版的科研创新发现与验证个人插件，由 Research Idea Discovery Skill 及其辅助 Skills 驱动。它不把“生成 Idea”当作终点，而是带你从已有研究证据中发现问题、挑战解释，并判断什么值得投入时间与资源。

这是安装在 ChatGPT 网页端使用的个人插件，不消耗 Codex 专用额度。 本页下方提供从 Plugin Creator 创建到在新对话中选择插件的完整教程。

读论文时就开始提出问题，而不是读完几十篇才想创新点。 从真实实验走向可证伪问题，再判断它是否重要、是否已被解决、是否值得验证。

支持计算机视觉、多模态学习、机器人、机器学习及用户指定的其他领域，可按目标会议、期刊或研究目标调整范围。它不是为了凑出一个 Idea；证据不足时可以建议缩小问题、继续调研或停止。

本插件在 ChatGPT 网页版中使用，不消耗 Codex 专用额度。ChatGPT 模型、消息和工具使用仍受用户账号与套餐限制。可选 Python 脚本只在具备本地 Python 执行环境时运行，不能假设 ChatGPT 网页会直接执行它们。

v3.5：边读论文，边发现值得研究的问题

Research Idea Discovery 把论文当作证据、基线和学术脉络，而不是读完后才整理的背景材料。面对每篇关键论文，它鼓励读者追问：结果到底说明了什么？什么仍未被证明？最强的替代解释是什么？哪一个低成本实验能区分这些解释？

四种有证据的问题入口

入口从哪里开始要检验什么
从失败出发论文真实报告的失败、退化或边界案例在核对样本、指标、划分和预算后，失败能否被复现？
反向拆解成功机制一项效果显著的成功方法提升来自作者声称的机制，还是参数量、训练预算、预训练或普通正则化？
审查表面矛盾不同论文看起来相反的结论任务、数据、骨干、划分、指标与算力是否可比？不可比时先提出公平对照，不把差异称作科学矛盾。
从真实应用倒推医院、机器人或工业场景中的实际困难能否转成重要、可测量、可验证的科学问题，而不只停留在轶事？

每条线索尽量连成一条证据链：

论文 → 定位到的实验 → 已知与未知 → 研究问题/假设 → 最强替代解释 → 无新方法的最小检验

这让科研思考发生在阅读过程中，而不是先堆很多论文再凭印象“找创新”。原文结论、合理推测和待验证假设必须分开；抽象报告的贡献或公开的代码链接本身不能证明实验可复现。

先判断问题，再决定是否需要新方法

默认以 Problem-driven 为主：先确认问题真实、重要且尚未解决，再考虑方法。Method-driven 仍可作为灵感来源，但迁移一个热门模块或技术只能生成假设，必须重新通过独立的问题动机审查（M0），并证明它比简单替代方法更必要。

对适合“论文锚定”的快速启动任务，v3.5 可建议选取一小组角色不同的关键论文，边读边建证据地图与动机候选；文献不足时仍可走开放问题探索路径，不强迫凑满论文数。完成动机筛选后，流程再进入近邻查新、数据与代码资产核验、机制必要性检查和最小决定性实验。动机门槛不通过时，建议补证、缩题、转向或停止，而不是硬造方法。

科学深度与研究速度分别判断

插件会把研究价值和启动速度当作两个不同问题：

  • Scientific Depth：解决后会改变什么理解？问题是否重要、机制是否未解、预测是否可证伪？
  • Research Velocity：数据、代码、权重和许可是否可用？首个诊断实验需要多少资源和时间？

高科学价值但短期受资源阻碍的方向，和很快能跑却贡献有限的方向，应分别说明。v3.5 可帮助制定有条件的短期 GO/STOP 检查点，但不会承诺两周内完成论文或预测任何会议录用。

v3.5 工作路径

关键论文与研究机会图谱 → 多个动机候选 → M0 问题准入 → 近邻与可复现性调查 → 必要机制与方法设计 → 最小决定性实验 → GO / REFINE / PIVOT / STOP / RESEARCH MORE

这是一套允许回退与迭代的证据审查流程，不是保证产出 Idea 的流水线。结构检查器能检查记录是否齐全，不能验证论文结论是否真实、方法是否新颖或实验是否成功。

为什么不只是 Idea Generator？

常见的 Idea 生成容易停留在模块拼接、术语包装或先设计模型再寻找动机。Research Idea Discovery 把“提出”与“审查”连在一起：主动找危险近邻，检查数据和 Baseline 是否可用，反复质疑动机与机制必要性，并优先设计能推翻假设的实验。它也允许结论是 REFINE、PIVOT、STOP 或 RESEARCH MORE，而不是对每个想法都给出肯定评价。

核心能力

发现研究机会

从文献中的失败现象、方法边界、隐含假设和研究矛盾出发，提出可证伪的研究假设。重点是问题和机制是否有实质贡献，而不是添加 Router、Adapter 或 Attention 等模块本身。

验证数据与实验可行性

研究者不必先提供已经核实的数据集。工作流会寻找公开数据集或可衍生数据、开源 Baseline、预训练权重、标签和评估协议，并检查低成本验证路径。工具可用时，本地脚本还能检查受限样本、字段和哈希；元数据发现或清单填写本身不等于真实访问、许可核验或实验完成。

审计近邻与机制新颖性

不仅按标题和关键词比较论文，还检查问题、核心假设、计算机制、训练目标、评测协议和方法边界，识别换名创新、模块堆叠和已有机制的简单变体。检索记录用于提高可追溯性，不代表穷尽了所有相关工作或证明了创新性。

反复审查动机与科学逻辑

工作流先检查问题是否真实重要，再分析危险近邻和机制必要性，随后根据近邻结果重新审查动机，最后才组织科学论证：

M1 动机初审 → N 新颖性审查 → L 机制逻辑与必要性 → M2 动机复审 → S 科学论证

核心问题是：新机制为什么能解决问题？简单基线是否足够？近邻工作是否已经解决？实验能否区分新机制与替代解释？

设计最小决定性实验并接受反证

优先安排能快速证实或推翻假设的小规模实验，检查简单竞争方法、机制消融、强 Baseline、负面结果和计算开销。若 Baseline 与新机制持平或更好，流程会要求重新审查机制、动机和主张。未实际运行的实验必须标注为计划，不得写成已验证结果。

深度调研交接与研究记忆

证据仍不足时，可生成针对当前缺口的 ChatGPT Deep Research 调研提示词，供用户手动发起调研并将报告带回原流程。候选 Idea、近邻、淘汰原因和实验反馈可保存在本地工作目录，帮助后续复查；这不是 ChatGPT 云端自动记忆或后台任务。

导师式研究决策报告

完成证据审查后，插件可将结果整理为面向研究决策的导师式报告，覆盖通俗的问题解释、研究动机、相关工作定位、可证伪假设、证据支持的潜在贡献、科学故事、审稿风险、可行性和下一项决定性实验。主张会标注为 VERIFIED、CONDITIONAL、UNKNOWN 或 HYPOTHESIS，并区分 Idea、Evidence、Contribution 与 Paper Claim；报告格式不会把未核实内容变成已验证结论。

Research workflow

研究机会发现：文献调查 → 失败分析 → Idea Seeds

价值筛选：数据搜索与锚定 → 可行性 → 动机初审 → 新颖性 → 机制逻辑 → 动机复审

科学验证：假设 → 科学论证 → 审稿式质疑 → 最小决定性实验

决策：GO / REFINE / PIVOT / STOP / RESEARCH MORE

这是一套允许回退和迭代的研究流程，而不是一次生成答案的流水线。完整阶段顺序、角色分工与证据门槛见主 SKILL.md 及其 references/ 文件。

在 ChatGPT 网页端创建和安装插件

本仓库是开源 Skill/插件源码，并不表示它已经自动安装到 ChatGPT 账号或上架公共目录。可在 ChatGPT 网页端通过 Plugin Creator 创建个人插件；入口受账号、工作区和当前产品功能影响。

  1. 在 ChatGPT 网页新建对话并选择或提及 Plugin Creator。

  2. 发送下面的创建提示词。它是针对本仓库的提示词模板；创建器能否读取 GitHub、是否能直接安装，取决于当前账号和工具权限。

    请根据以下 GitHub 仓库创建并安装一个名为 Research Idea Discovery 的 ChatGPT 个人插件：

https://github.com/zms618/no-heartburn-academic-skills

以 skills/research-idea-discovery/skills/research-idea-discovery/SKILL.md 为主规范，并保留该项目目录内的 references、examples 和其他辅助 Skills。重点遵循证据驱动的 Idea 发现、数据与实验可行性核验、机制级近邻审查、动机与逻辑复审、最小决定性实验和明确的停止/转向建议。

不要把检索线索或计划中的实验写成已验证证据；不要声称 ChatGPT 网页会自动运行仓库中的 Python 脚本。ChatGPT 网页端使用无需 Codex 任务或为本 Skill 单独配置 API Key。创建后请按界面流程安装到我的个人插件列表。

  3. 检查插件说明和引用路径；如果创建器无法读取 GitHub，可上传该项目目录中的 skills/research-idea-discovery/SKILL.md 与所需 references。

  4. 在新 ChatGPT 对话中选择该个人插件，再指定领域、目标和想执行的研究阶段。

个人插件不会因此出现在 ChatGPT 公共目录。模型、联网检索、文件和工具功能仍取决于 ChatGPT 账号、所选模型及其权限。可选插件安装方式见 OpenAI 官方说明。

使用示例

从研究方向发现候选问题

我的方向是多模态领域泛化，目标是顶级计算机视觉会议。请从相关研究中的具体失败现象出发，寻找候选科学问题；调查可用数据和 Baseline，再严格审查研究动机、新颖性、机制必要性与验证成本。每一步区分已核实证据和待验证假设。

审查已有 Idea

请像严格审稿人一样评估这个 Idea。先找最危险的近邻工作，再判断研究问题是否真实、机制是否必要、简单替代方案能否达到同样效果，以及哪些实验最可能推翻我的主张。证据不足时请建议 REFINE、PIVOT、STOP 或继续调研。

准备深度调研交接

目前还没有足够强的候选。请总结已检索范围、淘汰的方案和关键证据缺口，生成一份可复制到 ChatGPT Deep Research 的定向调研提示词。不要声称你已自动启动 Deep Research。

可选本地工具

scripts/ 提供文献检索元数据、数据集发现与样本检查、可行性卡片验证、研究工作流状态门、审稿/实验记录、候选 Idea 台账和 Deep Research 报告交接等工具。它们用于本地辅助与记录，不会替代论文全文核验或学术判断。部分本地数据源可能支持可选 API Key；网络访问、数据许可、凭据和实际实验执行都需要相应权限。

特别注意：scripts/pilot_bridge.py 只在显式传入 --execute 时运行用户指定的本地命令；默认是 DRY_RUN。执行前应先检查命令和工作目录。ChatGPT 网页不会替用户执行该脚本。

在本项目目录运行测试：

python -m unittest discover -s tests -v

使用各脚本的 --help 查看命令选项。不要把 Dry Run、空日志或仅有计划的实验记录表述为真实执行结果。

设计原则与边界

  1. 可行性优先：没有可信验证路径的构想不能包装成成熟方案。
  2. 创新不等于加模块：术语变化和模块组合不自动构成实质创新。
  3. 先证明动机，再讲故事：论证应由问题、机制和证据支撑。
  4. 证据胜过自信：明确标注已核验、推测和未验证内容。
  5. 先尝试证伪：优先设计可能推翻核心假设的实验。
  6. 允许没有好 Idea：证据不够时，说明不确定性并建议下一步。

该 Skill 不保证发现全新方向、完整覆盖文献或被任何会议录用。联网调查的广度取决于可用来源与工具；真实数据访问和 GPU 实验依赖授权及执行环境。所谓审稿角色是流程视角，不代表部署了多个独立模型。Deep Research 交接目前是提示词生成和用户手动回传，不会自动启动云端研究任务。

目标不是说服你某个 Idea 很好，而是让它经得起反复质疑之后，仍然值得投入科研时间和资源。

🙏 Acknowledgements & Inspirations

Research Idea Discovery 在设计过程中受到以下开源科研项目的工作流与研究方法启发，感谢作者和贡献者分享这些资源：

在这些启发之上，本项目独立组织了面向研究 Idea 的证据审查流程：Idea 发现 → 可行性验证 → 动机复审 → 新颖性审查 → 机制与逻辑核验 → 科学论证 → 实验反馈。以上致谢表示概念或工作流层面的启发，不代表官方合作、背书或完整集成上游项目。致谢不替代许可证义务；若实际复制、修改或分发上游代码、文档或模板，仍须核对并遵守对应许可证。

版本与许可

当前版本为 v3.5.0。发布变化记录在 CHANGELOG.md，首页只保留当前项目说明。仓库采用 MIT License，见 ../../LICENSE。