这个 Skill 能做什么，适合哪些场景？
这是一个面向科研人员的实验日志记录技能，可将上传的图片、语音或文字整理成带 YAML frontmatter 的 Markdown 文件，并自动归档原始附件。它支持普通本地文件夹或 Obsidian vault 作为输出，可选用飞书 CLI 从群聊拉取材料。核心流程不依赖外部服务，所有数据本地保存。适用于需要规范记录实验过程、便于检索和追踪的科研团队。
接收用户上传的图片、语音或文字，或读取本地文件路径；通过视觉分析和文本解析提取结构化信息，对缺失字段向用户确认；生成实验 ID 和样品批次 ID；写出 Markdown 日志到指定输出根目录，并将原始附件归档到 raw/experiments 目录；可选集成 Obsidian 模板（实验索引、异常记录、设备追踪）和飞书 CLI 拉取群消息；最终告知用户生成文件和原始材料位置。
- 材料实验室的研究生，需要把每天的腐蚀浸泡实验照片和文字记录整理成标准化日志，方便后续查证。
- 电化学研究者，想用 Obsidian 的 Dataview 自动生成实验列表和异常汇总，但不想手动整理。
- 课题组成员在飞书群分享实验图片和语音，希望自动汇总成带 ID 的实验日志。
- 需要追溯同一批样品跨多天的实验记录，保证 sample_batch 一致以支持关联查询。
如何安装这个 Skill？
- 发布者身份未经验证，安装使用前建议自行审查技能内容。
- 依赖 vision_analyze 等未明确的模型能力，实际输出质量可能因模型而异，建议在真实实验材料上测试。
- 可选的飞书集成需要 bot 权限，使用前请确保 bot 权限最小化，并注意组织数据安全。
- 未提供回滚机制，写入本地文件后若需撤销需手动处理，注意备份。
- Shell / 命令行
- 本地文件系统
通过 npx skills 安装整个仓库：npx skills add Yuan1z0825/nature-skills --global --agent codex --skill nature-experiment-log --yes --copy，或克隆仓库后手动复制 skills/nature-experiment-log 目录到 agent 的技能目录。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/Yuan1z0825/nature-skills.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/skills/nature-experiment-log" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 记录今天的腐蚀浸泡实验，图片已上传，输出到我的 Obsidian vault。
安装后，在 agent 会话中直接上传实验图片、音频或文字，并指出输出方式（如 Obsidian vault 路径或本地文件夹）。例如："记录今天的腐蚀浸泡实验，图片已上传，输出到我的 Obsidian vault。" 若需飞书集成，确保 bot 已加入群并配置好权限。
这个 Skill 有哪些优点和局限？
- 标准化 YAML frontmatter 便于程序化检索和 dataview 查询
- 原始材料自动归档，保持可追溯性
- 支持普通文件夹和 Obsidian 两种输出，灵活
- 明确要求对模糊字段主动询问，不猜测写入，保证数据质量
- 目前标记为 Draft，尚未在真实案例上测试
- 需要用户自定义体系代码和设备代码，上手有一定门槛
- 飞书集成依赖单独的 feishu-cli-integration skill，需额外配置权限
- 缺少自动化测试，边界场景可能有问题
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| Nature 实验日志标准记录 本页 | 46 · 谨慎使用 | ★ 47k | 3 天前 | Apache-2.0 |
| Trackio 实验追踪技能 | 53 · 谨慎使用 | ★ 38k | 1 个月前 | MIT |
| II-Commons 检索技能 | 56 · 谨慎使用 | ★ 16 | 4 个月前 | Apache-2.0 |
| Trackio 实验追踪 | 43 · 不推荐 | ★ 11k | 3 天前 | Apache-2.0 |
| TAO DAFT 数据集格式转换 ✓ NVIDIA · 官方 | 54 · 谨慎使用 | ★ 3.5k | 3 天前 | Apache-2.0 |
FollowSkills 如何评估这个 Skill？
该技能明确要求用户确认输出方式与目标目录，未指定时返回可保存的Markdown而不擅自选择路径，具备一定的用户确认与最小权限意识。核心流程不依赖外部服务，可选飞书集成需bot权限且仅在使用时获取，降低了越权风险。但缺乏关于数据流透明度的详细说明（例如如何处理敏感实验数据），也没有明确的回滚机制。发布者身份未经验证，但仓库有Apache-2.0许可证和明确的维护者信息，增加了归属清晰度。扣分因为权限确认和回滚机制不完整。
指令整体自洽，流程步骤清晰，但依赖vision_analyze等未明确说明的具体能力，且没有测试或错误处理细节。静态阅读无法验证执行，故可靠性不能超过10分；此处因缺乏明确的失败反馈机制和异常输入处理说明，给予较低分。
技能目标明确，受众清晰（实验科研人员），提供了丰富的触发场景示例（上传图片、语音、文字），且中文支持良好，适合中国用户。但能力边界描述不够精确，例如没有明确说明不支持哪些输入类型或无法处理的情况。环境适配性较好，核心功能不依赖海外服务，但飞书和Obsidian集成需要额外配置，可能限制部分用户。扣分因为边界和触发条件不够精确。
文档结构清晰，有README、SKILL.md、manifest.yaml和references，提供了示例和模板，信息层次合理。许可证明确（Apache-2.0），版本号存在（manifest.yaml 1.0.2），但缺少changelog和已知限制的明确说明。维护责任在README中有提及，但技能自身的维护路径不明确。扣分因为版本历史和已知限制不完整。
技能设计合理，能完成实验日志标准化的核心任务，输出格式明确（Markdown+YAML）。但缺乏实际运行证据，静态评估无法验证输出直接可用性。示例为虚构数据，未提供真实案例验证。扣分因为缺乏有效性证据和对比优势说明。
仅有仓库CI测试（针对其他技能），没有针对本技能的测试。示例均为虚构，无第三方验证。静态阅读无法独立复现，证据不足，故给予低分。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →