Good Question

在科研探索的初期，最大的挑战往往不是缺乏想法，而是无法判断哪个想法真正值得投入时间与资源。good-question 是一个专为研究者设计的 AI Agent Skill，它不生产廉价的灵感列表，而是通过严格的逻辑框架，帮助你将模糊的兴趣、文献 Gap 或初步构想，打磨成具备重要性、可证伪性与可行性的高质量科研问题。

核心亮点：七重检查、评审模拟、结构化产出

1. 七重严格检查标准

good-question 基于 Alon, Fischbach, Platt, Heilmeier 等经典科研思维方法，确保每个问题至少通过以下检验：

• It matters：回答它能改变理论、方法或实践。
• It is specific：可被具体证据触及，而非宽泛主题。
• It has rivals：存在多个竞争性解释，而非单一假设。
• It can fail：有明确的结果能削弱或推翻它（可证伪性）。
• It is feasible：能在现实约束下启动可信的 Pilot。
• It teaches even when negative：即使假设不成立，也能产生有价值的边界信息。
• It is grounded：依赖公开来源的证据，区分推断与共识。

2. Good Question Card 产出

每次交互通常输出一张结构化的卡片，包含：

• 暂定题目 & 核心研究问题
• 为什么值得做 & 挑战的默认假设
• 竞争性解释 & 关键判别证据/实验
• 什么结果会推翻它
• 两周内可做的 Pilot 计划
• 最强评审质疑 & 下一步动作

3. 多角色模拟与领域适配

• 角色切换：根据语境自动切换为导师（指导方向）、评审（寻找漏洞）、合作者（补充细节）或基金官员（评估影响）。
• 领域 Playbooks：内置生态、遥感、AI4Science、社会科学、生物医学等领域的专用指南，识别该领域常见的弱问题与评审攻击点。

适用场景与工作流

快速开始

1. 安装

Codex:

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

Claude Code:

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

(其他支持 Skill 的 Agent 可将 SKILL.md 作为主流程加载)

2. 常用指令

打磨粗略想法：

“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]”
(建议补充：领域、已有资源、时间限制、目标)

压力测试 Proposal：

“用 $good-question 压力测试这个 proposal，重点找评审最可能攻击的地方：[proposal 摘要]”

改写文献 Gap：

“用 $good-question 把这个文献 gap 改写成更有理论贡献的问题：[gap 描述]”

领域简报与问题形成：

“用 $good-question 先做一个基于公开来源的 domain brief，再帮我形成候选问题：[领域或方向]”

能力边界与原则

• 不编造共识：需要当前领域信息时，显式进入增强检索，明确区分证据与推断。
• 不包装垃圾：如果一个问题只有新颖性但无法证伪、无受众或负结果无价值，它会建议重写、搁置或放弃。
• 严格门禁：发布前通过 pressure-cases 和 source-audit 检查，确保抵抗方法先行、空泛影响等常见失败。