你们家里有高校老师的应该都懂，这事儿有多折磨人。
不是写论文难，是「套模板」难。一篇文章想投五个期刊，就要改五种格式。字体、行距、双栏、参考文献的格式……每个期刊的要求都不一样，稍不注意就被打回来重改。
说实话，在 Claude code 这种通用 agent 出来之前，这事儿 AI 真干不了。
降维打击：让最聪明的 AI 写「秘籍」，让最便宜的 AI 照着练
我的策略很简单，四个字：降维打击。
什么意思呢？就是用最强的模型把路探出来，把成功路径固化成一本「武功秘籍」，然后让普通模型照着秘籍去执行。
第一轮：让 Codex 自己摸索
我直接在 Codex（ChatGPT 的终端编程 Agent，类似 Claude Code）里，调用了最强的代码模型 GPT-5.2。
把原始论文、目标期刊的模板一起扔进去，简单描述了一下任务，让它自己探索怎么完成。
结果呢？跑了一个多小时，出来的东西只能说……凑合。我大概能给个七八十分吧。最大的问题是双栏排版丢了，格式也不太对。
这说明光靠模型自己「悟」，还是差点意思。
第二轮：场外求助，让 AI 先「调研」再「干活」
我没有死磕 Codex。
我打开了 ChatGPT 网页端。之前花了 10 块钱上了个 team 车队，能用 GPT-5.2 Pro——目前最强的 ChatGPT 模型。
但这次我没让它直接改论文，而是让它做调研。
我说：你去联网深度调研一下，完成这种『论文套模板』的任务，最佳的工作流是什么？要求是使用 Codex 这种编码 Agent 来执行。
23 分钟后，它给了我一篇七八百字的文档，详细描述了完成这个任务的正确路径。
我把这篇文档复制回 Codex，结合它之前已有的成功经验，让它综合分析。
这一下，路径终于通了。
第三轮：用 Skill Creator 把路径「封装」起来
路径通了，下一步是「固化」。
Codex 最近刚支持 Skill，我把之前在 Claude Code 里用的那些 Skill 搬了过来，特别是官方那个叫 Skill Creator 的「元技能」——它是专门用来创建其他 Skill 的。
我让 Codex 用 Skill Creator，把刚才那个成功路径打造成一个标准化的 Skill。
它成功了。
以后用户只要输入自己的论文和目标期刊模板，就能自动跑这个流程。
第四轮：换个「便宜模型」来验证
有了 Skill，我换了工具。
这次我用 Claude Code，但底层模型换成了 Kimi（编程能力一般，但便宜）。
结果呢？Kimi 跑得很快，效果我大概能给 80 分。但还是有小毛病：标题格式不太对，对齐方式有问题。
第五轮：迭代优化，逼近 90 分
我把 Kimi 跑出来的问题反馈给 Codex，让它研究这些问题对应的 Skill 缺陷在哪里。
经过多轮测试、反馈、迭代，这个 Skill 终于稳定在了 90 分以上。
最让我震惊的是：这个 Skill 对模型完全不挑食。
我在 Claude Code 里试了 Kimi、GLM-4.6、DeepSeek，都能跑出差不多的好结果。
你想想，如果不用 Skill，想达到同样效果，你每次都得用 GPT-5.2 Codex 这种超强模型，花一个多小时去「硬算」。
但有了 Skill，成功路径被锁死了。即使是「小菜鸡」模型，拿着这本秘籍也能打死老师傅了。
SGP：和 AI 对齐的「心法」
聊到这儿，可能有人会问：你是怎么让那个「架构师」（GPT-5.2 Pro）把 Skill 写得那么好的？
其实没什么秘密，我用了一个特别简单的沟通框架，我管它叫 SGP。
S 是 State，现状。 就是告诉 AI：我手里有什么？在这个案例里，就是原始论文和目标期刊的 PDF 模板。
G 是 Goal，目标。 就是告诉 AI：我要什么？我要一个完美符合格式的 Word 文档，而且不能改动原文内容。
P 是 Process，过程。 就是让 AI 帮我推导：怎么做？是先改字体还是先分栏？遇到公式怎么处理？
SGP 不是什么高深理论，它就是「把话说明白」的艺术。
很多人用 AI 效果不好，不是模型不行，是自己都没想清楚要什么。你自己都稀里糊涂的，AI 怎么可能给你好结果？
在这个案例里，我就是通过 SGP，让 GPT-5.2 Pro 彻底理解了我的意图。它才能写出那个完美的调研文档，进而生成那个完美的 Skill。
这不是奇淫技巧，是行业大趋势
其实，这种玩法正在变成行业标准。
我最近关注到，目前市面上已经有很多专门的 Skill 商店 了。
比如 Smithery.ai，它现在已经整合了超过 7000 个社区贡献的 Skill 和扩展。
类似的还有很多，我上篇文章里面有给大家推荐过我常用的。Anthropic：求你们别再造 agent 了，skills才是所有人正确的进化路径
什么意思呢？
以后你不需要自己从零开始写「论文排版 Skill」。你直接去商店里搜一下「Nature 期刊排版」或者「IEEE 双栏模板」，花几块钱买一个别人写好的 Skill，挂载到你的 Kimi 或者 DeepSeek 上，立马就能用。
甚至 Anthropic 自己都在布局这件事。Claude Code 现在自带了 Marketplace，还专门针对生命科学领域发布了官方的 Skill 库，里面有 PubMed 检索、单细胞 RNA 质控这些专业工具。 Anthropic Life Sciences Marketplace
经验，正在变成可以流通的商品。
你在某个行业摸爬滚打十年积累的 Know-How，以前只能烂在肚子里，或者写成 PPT 给新人培训。
现在，你可以把它封装成 Skill，放到商店里卖钱。
四、人的价值，反而更大了
聊到这儿，可能有人会焦虑：AI 连经验都能封装了，还要我们干嘛？
说实话，我的感受恰恰相反。
我觉得人的价值更大了。
你想啊，Skill 再强，它也只是把「已知的复杂问题」流程化、固定化了。
但是，「定义问题」这件事，还是在你手里。
是你决定了要写这篇论文，是你决定了要投哪个期刊，是你通过 SGP 告诉了 AI 什么叫「好」、什么叫「不好」。
那个「论文排版 Skill」之所以能成，不是因为 GPT-5.2 有多聪明，而是因为我基于我的观察和我的真实需求反复在迭代
AI 不会凭空产生 Skill。Skill 的源头，永远是人类的行业经验。
所以，我觉得没必要焦虑 AI 会替代我们。至少目前为止，任何 Skill 都没有突破人类能力的边界。它只是把人类已经会做的事情，变得更快、更便宜、更标准化了。
我们现在要做的，不是去和 AI 比算力，而是专注于自己的行业。
把你肚子里的 Know-How 整理出来，把你在这个行业积累的经验，通过 SGP 梳理清楚，封装成 Skill。
让 AI 去做那些重复的、低成本的执行。
而你，安心做那个定义规则、掌控全局的人。