good-question

1. 基本信息

项目	内容
名称	good-question
作者/维护者	Liang Ren（Rimagination，清华大学生态与环境方向博士生）
来源链接	https://github.com/Rimagination/good-question
许可证	MIT License（数据来自 LICENSE 文件）
GitHub Stars	257（数据来自 GitHub API）
Forks	17（数据来自 GitHub API）
最新版本	v0.2.0（数据来自 GitHub Releases）
安装方式	`git clone` 到本地 skills 目录

2. 功能介绍与亮点

一个专注于“研究问题打磨”本身的 agent skill：把模糊兴趣、文献空白、proposal 草稿或卡住的项目，转化为具备重要性、可证伪性、竞争性解释与两周内可行初步验证的“好问题卡”（Good Question Card）
内置四种工作模式（导师 / 评审 / 合作者 / 基金），根据用户所处阶段自动切换角色——早期困惑时像导师一样比较选项，已有草稿时像评审一样先找攻击点
来源审计与领域简报机制：当判断依赖当前领域进展时，先做基于公开来源的领域简报，明确区分“有来源支持”“推断”“未知”三类结论，不把“没查到”说成“没人研究过”
提供生态学、遥感、AI4Science、社会科学、生物医学、人文解释型研究、工程系统等领域的定制指南（docs/field-playbooks.md），说明各领域常见弱问题、评审易攻击点与选用模式
方法论有明确文献支撑，参考文献含《Science》Strong Inference、DARPA Heilmeier Catechism、《Nature Human Behaviour》等 14 篇具名来源，而非无来源的提示词堆砌

3. 适用场景

固定分类：内容创作与知识管理

研究生、青年学者在选题阶段面对多个“看起来都能做”的想法，需要判断哪个真正值得投入
已有文献空白或初步想法，需要检验其重要性、可行性、可证伪性并设计两周内可执行的初步验证
撰写基金或 proposal 前，需要预判评审最可能攻击的薄弱环节并提前修补
项目卡住、方向依赖近期领域进展时，需要基于公开来源重新定位问题边界

4. 跨 Agent 兼容性

Claude Code：原生支持 ✅——README 提供专用安装命令 git clone ... ~/.claude/skills/good-question
Codex：原生支持 ✅——README 提供专用安装命令 git clone ... ~/.codex/skills/good-question
OpenClaw：未验证——项目文档仅泛泛说明“其他 agent 可将 SKILL.md 作为主流程”，未见针对 OpenClaw 的专门确认
Hermes Agent：未验证——同上，未见专门确认

以上判断均基于已抓取的 README 与 SKILL.md，未为兼容性单独发起搜索。

5. 推荐理由

多数研究类 skill 解决的是“怎么做研究”，good-question 解决的是更前置也更容易被忽视的一步——“这个问题到底值不值得做”；它用重要性、可证伪性、竞争性解释、两周初步验证等可核查标准取代直觉判断，还内置来源审计防止编造领域共识，帮研究者在投入大量时间前先做一次有依据的自我审查。

6. 评分

维度	分数	说明
受欢迎程度	5	GitHub 257 stars、17 forks，创建约 7 周；暂未发现独立第三方平台的具名讨论
可用性	9	单条 `git clone` 命令即可安装，零外部依赖；SKILL.md、README（中英双语）、领域适配指南、评测样例（evals/）一应俱全；近 1 个月内有新版本发布
安全性	9	见下方安全检查清单

安全检查清单：

shell 权限：纯提示词/文档类 skill，无任何脚本或代码执行
联网外发：不主动联网；仅在用户明确要求“领域简报”等场景下按标准检索流程使用宿主 agent 已有的检索工具，未见私自外发数据
凭据存储：不要求任何 API key 或凭据
可疑指令：通读 SKILL.md、README 与 references/ 未见混淆代码或隐蔽指令
作者信誉：维护者具名（Liang Ren），GitHub 账号 2019 年创建、100 followers、33 个公开仓库，个人简介注明清华大学生态与环境方向背景，可交叉核实
License：MIT，明确
维护活跃度：仓库创建于 2026-06-01，最近一次发布为 2026-06-30，近一个月内有实质更新

7. 跟同类 Skills 相比的优势

竞品	定位	与 good-question 的差异
academic-research-skills（Imbad0202）	覆盖“检索→写作→审稿→发表”全流程的论文写作多智能体流程	面向已确定选题后的论文生产环节；good-question 专注选题前的问题打磨，二者衔接在流程的不同阶段
AI-Research-SKILLs（Orchestra Research）	覆盖 AI 研究全生命周期的 98 个技能库	提供执行层面的大量工具集；good-question 不提供执行工具，只做问题本身的诊断与收敛，且被其列为方法参考来源之一
Auto-Empirical-Research-Skills（brycewang-stanford）	面向经济学与社会科学实证研究的 1151 个技能，覆盖因果推断到期刊投稿	专精特定学科的计量与投稿自动化；good-question 学科中立，聚焦问题本身而非某一学科的分析方法
scientific-agent-skills（K-Dense-AI）	覆盖科研数据分析与文献工作的通用科研技能集	偏重数据分析与文献处理执行；good-question 不处理数据，只解决“该不该做这个问题”的前置判断

8. 用户评价

该技能目前在第三方平台尚无具名用户评价。

9. 其他补充

支持中英双语交互：检测到中文输入时默认输出中文版“好问题卡”
docs/field-playbooks.md 面向研究者本人（而非 agent），列出各学科常见弱问题、评审易攻击点与模式选择建议，可独立阅读
项目声明与“good-story”（如可用）技能存在分工边界：good-question 负责问题本身，good-story 负责已有证据的叙事组织

10. 安装使用方式

# Claude Code
git clone https://github.com/Rimagination/good-question.git ~/.claude/skills/good-question

# Codex
git clone https://github.com/Rimagination/good-question.git ~/.codex/skills/good-question

安装后直接对话触发，例如：

用 $good-question 帮我把这个粗略想法打磨成一个好的科研问题：
[你的想法]

也可用于压力测试 proposal、改写文献空白、生成领域简报或核查文献是否真正支持某个论断。

11. 注意事项

定位是“研究问题诊断工具”，不替你做文献综述、数据分析或论文写作，需要与其他技能配合使用
领域知识不足时会显式进入“增强检索”并区分证据与推断，但检索效果依赖宿主 agent 自身的检索能力
OpenClaw、Hermes Agent 兼容性未经项目文档或本次调研证实
单一维护者项目，外部贡献者提交记录较少，长期可持续性有待观察