每周AI工具|给AI装上5000个科研技能:BAAI开源DisCo,MLE-bench奖牌率从31%飙到73%

AI工具 AI科研专家 — 用AI做科研的效率工具

技能蒸馏 · 实验复现 · 代码调试 · 开源可复现

点击文末「阅读原文」直接使用

关注「AI-For-Precision-Health」 — 每天一篇AI科研实操干货

食品 · 医药 · 器械 · AI工具 · 科研Skill — 让AI真正帮你做科研。

AI能一分钟写出训练脚本，却总在四件事上翻车：数据怎么切、参数怎么设、报错怎么解、结果怎么验。

这不是模型不够聪明。2026年9月2日，北京智源人工智能研究院（BAAI）联合中国科学技术大学、中国人民大学、香港理工大学发布论文《Repo-To-Skill》，把一个长期被忽视的层级正式命名——操作性知识（operational knowledge）：区分"知道某个方法"和"让这个方法真正跑起来"的实践诀窍。他们做的工具叫DisCo，把1000个GitHub仓库蒸馏成5000多个可验证技能，塞给同一个AI。结果：MLE-bench（机器学习工程基准）奖牌率从31.11%拉到72.89%。今天我把这套逻辑拆开，再给你一份照着能做的上手流程——以及一处必须说清的诚实边界。

本文要点

① 传统科研智能体 = 模型 + 运行框架（harness），缺的是中间那层"操作性知识"——让方法真正跑起来的经验；② AREX-Skill Library 把1000个仓库压成5000+技能，按20领域178能力族组织，采用开放的 Agent Skills 格式（SKILL.md + references/ + scripts/）；③ 四个基准的提升（+134.3% / +34.4% / +9.2% / +14.0%）全部是论文作者自报，尚无第三方复现，官方称完整技术报告待发布；④ 上手只要 Node.js 22.19.0+ 和一条 npm 命令；技能还能导出到 Claude Code / Codex，不锁定在 DisCo 里。

创作来源说明：本文信息基于 arXiv 论文《Repo-To-Skill: Distilling GitHub Repositories Into AI4AI Skills》（arXiv:2609.02749，提交日 2026-09-02）、AREX-Skill 开源仓库说明文档、Agent Skills 开放标准规范（agentskills.io）及第三方技术媒体评测，检索时间 2026-09-15。四个基准数字均为论文作者自报口径，官方明确"完整技术报告即将发布"，目前无第三方独立复现，文中已逐处标注。

先把一个现代科研智能体的解剖结构说清。它由两块组成：一块是模型（model），负责理解、推理、规划和执行；另一块是运行框架（harness），负责编排、记忆、验证和迭代修正[1]。模型靠一代代前沿版本变强，harness 靠工程实践变好——听上去该补的都补上了。

可论文问了一个我很有共鸣的问题：这两块都不携带"领域专长"。模型的先验知识很广但是固定的，harness 管流程但不提供领域内容。那"该用哪个方法、什么时候用、怎么用才对"这部分经验，存在哪里？答案是：它广泛存在于仓库和论文里，但是写给人类读的，而且体量大到无法在一次任务中整包载入[1]。

我第一次看到"操作性知识"这个提法时愣了一下，因为这就是我每天在干的事。让AI帮你跑一篇论文的复现，卡住你的从来不是它不会写 for 循环，而是：这个数据集要不要去重？这个超参为什么论文写0.1而代码里是0.01？报这个 warning 该忽略还是该改？评估指标的口径和榜单一样吗？这些答案都不在模型权重里。没有这层知识，智能体只能在任务内靠试错烧掉预算，且任务之间不保留任何发现——每次都在重新发明轮子[1]。

我的判断是：过去一年大家都在卷"模型多强""框架多顺"，而这篇论文指出了第三个战场——把散落在代码仓库里的隐性工程经验，变成机器可以直接调用的结构化工件。这比再训一个更大的模型，对多数课题组都更现实。

先看"技能"到底长什么样。一个技能不是仓库摘要，而是一个自包含单元，要回答四件事：这个能力什么时候适用、该运行什么、怎么验证结果、实验失败时怎么恢复[2]。它打包用的格式是开放的 Agent Skills 格式——一个 SKILL.md（技能定义文件，负责范围界定、路由、工作流与验证）加上可选的 references/（聚焦指令与来源溯源）和 scripts/（可执行辅助脚本、诊断与检查）目录[2][3]。

这个格式本身值得单独说一句。Agent Skills 是由 Anthropic 发起并维护的开放标准，官网是 agentskills.io，目前已被 Claude Code、OpenAI Codex CLI、Gemini CLI、Cursor、VS Code、GitHub Copilot 等多个平台采用[3]。也就是说，AREX-Skill 蒸出来的技能不是绑在某一家的私有格式上——它是一批可以被多种智能体直接读的 Markdown 文件。

再说蒸馏的两种走法。论文区分得很清楚：一种是任务无关蒸馏（task-agnostic），面向整个机器学习领域广泛使用的仓库，把它们凝练成跨任务可复用的通用技能；另一种是任务导向蒸馏（task-oriented），针对你手上这个具体任务，现场生成它需要的技能[1]。前者的产物就是 AREX-Skill Library——从1000个广泛使用的机器学习仓库中提炼出5000多项技能，覆盖20个研究领域、178个能力族[1][2]。

关键在"技能图"和"路由器"。当一个仓库暴露多种能力时，它的技能会被组合成一张仓库技能图；请求进来后，路由器先把范围收窄到某个领域、某个能力族、某个仓库、某条工作流，智能体才加载匹配的那一支 SKILL.md[2][4]。我把这个设计读了三遍，因为它解决的正是"知识越多、上下文越爆"的死结——仓库技能根节点默认对模型隐藏，只有被路由到才加载，这就是它敢堆到上百个仓库而不撑爆系统提示的原因[4]。

四阶段构建流程也是公开的：scope（从锚点界定能力边界）→ ground（用可采信的证据接地）→ construct（构建候选技能图）→ verify & refine（验证并精修后才发布）[2]。我个人最看重的是最后一步——"可验证"写进了技能的定义里，而不是发布后再补。

我必须在这里停一下，把这组数字的成色说透。四基准的提升（MLE-bench +134.3%、PaperBench +34.4%、FrontierCS +9.2%、PassNet +14.0%）全部来自论文作者自己的仓库与论文摘要，目前没有任何第三方独立复现公开；官方仓库也明确写着"完整技术报告即将发布"[1][2][5]。评测设定是"固定 Codex + GPT-5.5 主干、固定 harness、固定执行预算，唯一变量是是否加载技能库"[5]——设计是干净的，但结论仍需等复现。另一个细节：作者把增益机制解释为预算效率而非"更聪明"——相关技能图让智能体更早到达解空间的可用区域，把固定预算更多花在真正的实验和验证上，而不是无导航的试错[5]。任务越难，增益越大；Codex 本来就有70.63分的 FrontierCS，只涨了9.2%。

三阶段全景

阶段一（Step 1-3）装上：环境自检 → 配置模型提供商 → 安装技能库并进入 Researcher 模式；阶段二（Step 4-7）用起来：跑受控对比任务 → 读懂一个技能的四段结构 → 把技能导出到你自己的智能体 → 用它做一次真实复现；阶段三（Step 8-10）造技能：把自家仓库蒸馏成技能 → 独立复现验证 → 版本维护与合规留痕。

先交个底：我本机的 Node 版本不满足要求、也没接境外模型提供商，所以下面这10步是我按官方仓库说明文档与论文逐条核对整理的，不是我的实机运行日志。所有命令都可在官方仓库复查，你照着跑能对上。

Step 1｜环境自检并安装 DisCo 命令行工具

📥 输入：一台装了 Node.js 的电脑；🤖 AI动作：让AI先核对 Node 版本是否 ≥22.19.0，不符则给托管安装器方案，命令行安装为 npm install -g --ignore-scripts @arex-skill/disco；📤 输出：可执行的 disco 命令；🔍 人审：跑 disco --help 能看到完整命令列表；⚠️ 失败处理：Node 版本过低别硬扛，用官方托管安装脚本自动准备用户级运行时。

Step 2｜配置模型提供商

📥 输入：至少一个模型提供商的密钥；🤖 AI动作：会话内执行 /login，或设置 OPENAI_API_KEY / ANTHROPIC_API_KEY / GEMINI_API_KEY 环境变量；📤 输出：可对话的 DisCo 会话；🔍 人审：发一个最小任务看是否正常返回；⚠️ 失败处理：报鉴权错误先查额度与区域限制——境外模型接口在国内需自备网络条件，这一步也是本项目对国内团队最大的实操门槛。

Step 3｜安装技能库并进入 Researcher 模式

📥 输入：Git 环境（安装技能库需要）；🤖 AI动作：执行 disco repo-skills install 拉取 AREX-Skill 库，再输入 disco 进入默认的 Researcher 模式；📤 输出：本地技能库 + 路由器就绪；🔍 人审：用 disco repo-skills status 核对技能覆盖率（离线检查记录的提交版本与已安装技能ID覆盖情况）；⚠️ 失败处理：更新时若与本地改动冲突会默认停止，加 --force 前必须先确认它已生成备份。

Step 4｜先跑一个"受控对比"任务

📥 输入：一个边界清晰的任务，官方给的入门示例是"在相同模型、负载与硬件约束下对比 vLLM 与 SGLang 的吞吐"；🤖 AI动作：Researcher 模式自动把请求路由到相关技能图，只加载匹配的 SKILL.md 分支；📤 输出：带命令与实测数据的可复现对比报告；🔍 人审：重点看"是否保留了复现所需的全部命令与硬件约束"——这是技能自带的验证要求；⚠️ 失败处理：结果不可复现时回到技能里的 validation 检查项逐条核对，别急着换模型。

Step 5｜读懂一个技能的 SKILL.md 四段结构

📥 输入：挑一个贴近你方向的技能（例如 AlphaFold2 结构建模）；🤖 AI动作：让AI解释它的四个部分——scope（何时适用）、routing（怎么被路由到）、workflow（该运行什么）、validation（如何验证结果）；📤 输出：一张"这个技能能干什么、不能干什么"的对照卡；🔍 人审：确认它写明了适用条件与失败恢复路径；⚠️ 失败处理：⚠️ 使用、复制、修改或再分发前，必须查该技能自己的 license 字段——库中每个技能都有独立许可证，不随仓库的 Apache-2.0 走[2]。

Step 6｜把选定的技能导出到你自己的智能体

📥 输入：目标智能体（Claude Code 用 ~/.claude，Codex 用 ~/.agents）；🤖 AI动作：进入 Creator 模式执行导出，例如 disco --creator -p "/skill:import-repo-skills-to-agent import vllm and sglang to ~/.claude"；📤 输出：目标目录下出现纯 SKILL.md + references/ + scripts/，不带任何 DisCo 运行时依赖；🔍 人审：重启目标智能体，确认新技能被重新加载；⚠️ 失败处理：同名技能会被覆盖，导出前先备份目标技能目录。

Step 7｜用技能做一次真实论文复现

📥 输入：你自己的任务与数据（比如复现一篇公开论文的主结果）；🤖 AI动作：智能体按技能里的 workflow 执行、按 validation 自检；📤 输出：复现结果 + 检查报告；🔍 人审：把关键数字与论文/公开榜单逐一对照（PaperBench 这类基准考的就是这个能力）；⚠️ 失败处理：卡住时先按技能内置的恢复指引走，而不是推倒重来——这正是"操作性知识"区别于临场试错的地方。

Step 8｜把你自己的仓库蒸馏成技能（Creator 模式）

📥 输入：你自己实验室积累的代码仓库路径；🤖 AI动作：disco --creator -p "Inspect /path/to/repo and draft a skill creation plan"，走完 scope→ground→construct→verify 四阶段；📤 输出：候选技能 + 构建记录（证据、验证检查、未解缺口都会留档）；🔍 人审：检查证据是否可采信、验证检查是不是真能跑起来；⚠️ 失败处理：证据不足就回 ground 阶段补，千万不要跳过验证直接发布——没验证的技能比没有技能更危险。

Step 9｜独立复现验证：换一个智能体再跑一遍

📥 输入：刚蒸馏出的技能；🤖 AI动作：让另一个没有创建时上下文的智能体，仅凭技能文件独立执行一遍；📤 输出：独立复现报告；🔍 人审：能否复现出同一结果——不能则不予发布；⚠️ 失败处理：若只在原环境下能跑，说明技能里缺环境约束，回 Step 8 补 compatibility 字段（平台、依赖、网络要求）。

Step 10｜版本维护与合规留痕

📥 输入：上游仓库更新；🤖 AI动作：执行 disco repo-skills update（会保留你本地创建或导入的技能）；📤 输出：更新后的技能库 + 变更记录；🔍 人审：记录来源提交版本与验证步骤，便于日后回溯；⚠️ 失败处理：官方托管技能ID发生冲突时，更新默认中止——强行覆盖前先看备份，并确认改动是否影响了你的复现基线。

💻 没有实验室怎么办？

这篇稿子从头到尾不需要任何实验室设备——一台上网的电脑就够。所有环节都发生在软件层：装命令行、路由技能、跑复现、蒸馏仓库。对做干实验、计算生物学、组学分析、AI4Science 的同学，这是一条零硬件门槛的切入路径；对湿实验方向的读者，也正好可以用它把"数据分析与复现"这一段单独练熟，再回到实验台上。

合规边界（三条硬线）：① 未发表数据不上云——技能库本身是公开内容，但你喂给智能体的实验数据是否出境，取决于你选的模型提供商，涉密课题请走本地/信创部署；② 许可证逐个查——仓库级材料是 Apache-2.0，但每个技能有独立 license，商用或再分发前必须看 SKILL.md 的 license 字段；③ 自报数字要复核——本文所有基准提升均为作者自报，你的课题若引用这些数字，请标注口径并等待第三方复现。

「模型决定AI能想多远，技能决定AI能不能真的把实验跑完——而后者，恰恰是你这些年攒下的、最没被数字化的资产。」

综合评分（捞仔主观打分，10分制）

概念价值：9（"操作性知识"这层被正式命名，直击科研AI的真痛点）｜ 方法可复现性：8（命令行与仓库全公开，门槛在境外接口）｜ 证据完备度：5.5（四基准均为作者自报，无第三方复现，技术报告待发布）｜ 对科研人实用度：8.5（把"只有师兄会跑"的流程变成可移植资产）｜ 综合：7.8

💬 你实验室里最想"蒸馏成技能"的是哪套流程？是某台仪器的数据处理，还是某篇论文的复现管线？评论区聊聊，我都会看。觉得有用请点个「在看」，转发给被"跑不通"折磨过的同学。