从“能检索”到“能训练”：科研文献工作流的两个 Codex Skill 实践

在科研工作中，文献管理往往陷入一种熟悉的混乱：PubMed 导出的摘要散落在各处，PDF 文件堆积在文件夹中，Markdown 笔记与审稿意见交织在一起。当需要撰写论文时，快速定位证据成了一项耗时费力的工作；而当试图构建科研助手或领域模型时，如何将这些资料转化为可靠的知识库和训练数据，更是让许多研究者头疼不已。

两个 Skill 的定位与分工

市面上的工具并不少见：PDF 解析、向量检索、大模型生成……但真正的问题往往不在于「能否生成」，而在于生成结果的可信度与可追溯性。这段话究竟来自哪篇论文的哪个版本？RAG 检索到的内容是否真的支持我准备得出的结论？同一篇论文生成的问答会不会在训练集和测试集中同时出现？这些问题暴露了科研文献进入 AI 系统时最关键的缺失：一条可追溯、可验证、可复现的数据链路。

Literature RAG Skill：把散乱文献变成可追溯的证据库

为了解决这一链路问题，两个针对不同环节的 Codex Skill 应运而生。它们分别处理两个容易被混淆、但本质上完全不同的问题：Literature RAG 负责「证据管理」，Training Data Builder 负责「训练样本构建」。前者确保文献资料能够被准确检索和溯源，后者确保进入训练流程的数据经过充分审核和合规确认。

Training Data Builder Skill：把获准资料变成可审计训练数据

第一个 Skill 专注于文献与检索层。它能够处理 PubMed CSV/XML、PDF、Markdown、SOP 和研究笔记等多种格式，完成盘点、清洗、标准化和去重。更重要的是，它为每个文档和文本块建立稳定的 doc_id 和 chunk_id，保留 PMID、DOI、页码、来源文件、检索式和文件哈希，确保每一条检索结果都能追溯到原始文献。 然而，这个 Skill 有一条核心规则值得强调：检索命中只是候选证据，不等于科学结论已经成立。从「内容相关」到「可以支持这句话」，中间仍然需要证据等级判断、原文核对和科学审核。因此，这个 Skill 的目标不是让模型回答得更大胆，而是让证据边界更清晰。

两个 Skill 如何协同工作

第二个 Skill 专注于训练数据层，适用于预训练文本、SFT 数据、多轮对话、Preference/DPO 数据、科学问答以及领域适应等多种场景。它首先要求定义完整的数据契约：模型需要学会什么行为、训练样本的基本单位是什么、输入输出的字段定义、来源与许可记录方式、审核状态的流转……只有在契约明确后，才进入样本生成、筛选和审核环节。 这个 Skill 同样有明确的边界：它不负责 GPU 配置、学习率、LoRA 参数或训练框架的选择。它的终点是交付一个来源清楚、分组正确、经过审核并可以交给训练流程的数据集发布包——而非模型权重。

如有侵权，请联系删除。