ARTICLE · 1096857
已经会用 AI 了,为什么还要认识 GitHub?
最近和两位家人的交流，让我特别想写一篇文章，介绍 GitHub。
我的姐夫是一位医学博士。他知道 AlphaFold，但从来没有用过 GitHub。和他交流时，我给他推荐了不少科研项目。AlphaFold 只是其中一个大家比较熟悉的名字，顺着科研这个方向往下看，还有许多与研究工作直接相关的工具和成果。
另一次是和表哥聊天。他自己创业，有公司、有工厂，事业也做得很成功，而且一直在持续学习。最近聊起 AI，我发现他已经做了不少研究，但居然不知道 GitHub。
这两次交流让我很有感触。一个深耕医学，一个经营企业，他们有专业知识、有实践经验，也在主动了解 AI。但一个可能与他们的工作产生联系的资源入口，还没有进入他们的视野。
在我看来，GitHub 是 AI 时代很值得认识的一座宝藏。而开始利用它，可能只需要在和 AI 对话时，多问一句话。
先记住这一句话
看下 GitHub 里面是否已经有了类似的项目。
当你已经把需求告诉 AI，正在讨论怎么实现时，可以直接接上这句话。让具备联网检索能力的 AI 先去找找：其他人有没有遇到过相似的问题，有没有做出相关工具，又留下了哪些可以利用的成果。
比如，你想把一批 PDF 整理成可以检索的资料库，想把每周重复做的表格处理自动化，或者想为某个科研任务寻找分析工具。先找一找已有项目，往往能帮助你判断该从哪里开始，也可能省下一段重复摸索的路。
我们很容易一上来就问 AI：“你能帮我做一个吗？”其实，在动手之前，还值得多问一句：“有没有人已经做过了？”
GitHub 里，究竟有什么？
科研成果、实用工具和工作方法，都可能成为解决问题的起点。
GitHub 是一个托管项目、协作开发的平台。你可以把上面的一个“仓库”理解成一个项目的工作空间，里面可能有程序代码、使用说明、示例，也能看到修改记录和围绕项目展开的讨论。
对于我们今天要讨论的用途，最值得关注的是那些公开分享的项目。有人把自己做出的工具放上去，有研究团队公开论文对应的实现，也有人继续改进已有成果，让它们更容易使用。具体怎样使用、修改或分享，需要遵循项目的许可说明。
就拿与医学和科研相关的项目来说，范围远比一个 AlphaFold 更广。下面这些例子，可以帮助我们看见这座“宝藏”里不同的东西。
理解生命与分子。AlphaFold 2 提供蛋白质结构预测的官方实现；Boltz 探索生物分子的结构与相互作用，其中 Boltz-2 还涉及结合亲和力预测。这些成果与具体的科学问题联系在一起。
处理医学影像。MedSAM 研究如何分割医学影像中的目标区域，提供模型、演示和教程。对于相关方向的研究者，这意味着可以进一步接触具体方法，评估它与自己的研究任务是否匹配。
把成果做得更容易使用。ColabFold 为 AlphaFold 等蛋白质结构预测工具提供更方便的使用流程，包括 Google Colab 在线笔记本，降低一部分环境配置门槛。一个成果公开之后，还会有人接着改善它的使用体验。
还有一类项目，与“已经在用 AI”的人关系更加直接。比如 Scientific Agent Skills，原名 Claude Scientific Skills，把文献检索、数据分析、科研绘图、写作等任务的操作方法、工具说明和示例整理成 Skills，供支持这类能力的 AI 助手使用。
可以把这类 Skills 理解成给 AI 准备的专业工作指南。真正使用时，还需要合适的 AI 工具和相应环境；它展示的可能性很具体：人们正在把专业工作中的方法积累下来，让 AI 有更明确的步骤和工具可以参考。
这里积累着研究成果、实用工具，也积累着其他人为了解决问题走过的路。
AI 让这些资源离你更近
带着自己的目标，让 AI 帮你理解和选择。
过去，即使知道 GitHub，打开一个项目也可能停住：说明是英文的，术语不熟悉，安装步骤看起来很复杂。一个项目公开在那里，与自己能不能利用它，中间仍然隔着距离。
现在，我们可以让 AI 辅助寻找项目、阅读说明、比较方案。如果某个 AI 无法直接读取网页，也可以把项目说明提供给它，再请它结合自己的需求解释。
对非程序员来说，这意味着可以围绕一个具体目标，逐步弄清楚眼前的资源。需要什么数据、现有电脑能不能运行、有没有更简单的使用方式，都可以成为接下来与 AI 讨论的问题。
你在行业里积累的经验也会派上用场。什么问题值得解决、什么结果有实际意义、怎样才算完成，往往需要你来判断。AI 帮助跨过一部分技术和语言门槛，专业判断则帮助你选对方向。
从自己的一个目标开始
假设你每周都要合并几个 Excel 文件，统一字段、去掉重复记录，再生成一张汇总表。你可以先把这个需求说明白，然后接着问：
看下 GitHub 里面是否已经有了类似的项目。结合我的需求，帮我找几个合适的，并说明它们能直接做什么，还需要补什么。
AI 找到结果以后，继续把问题落到自己的条件上。你用什么电脑、希望怎样操作、能接受多少配置工作，都会影响选择。一个功能很强的项目，也未必是最适合你的起点。
我不写代码，使用 Windows，希望操作尽量简单。哪个更适合我？需要哪些软件，有没有额外费用？
选好方向后，先用少量示例文件完成一次处理，检查结果是否符合预期。具备文件操作和执行能力的 AI 工具，可以在授权范围内协助操作；如果当前工具只能聊天，就让它给出清楚的步骤，带你完成。
先带我用几份示例文件跑通，检查合并、去重和汇总的结果，再考虑处理全部文件。
科研任务也可以从同样的思路开始：讲清研究目标和数据情况，让 AI 找相关项目，再结合方法、适用范围与运行条件筛选。找到工具之后，结果是否可靠、是否适用于自己的研究，仍然需要专业验证。
找到项目，继续走到结果
GitHub 上的项目有不同的成熟度。有些已经提供方便使用的软件，有些需要配置环境，还有些主要是研究代码。Star，也就是星标，能帮助了解关注度；是否适合自己，还要看项目实际做到了什么。
因此，让 AI 推荐时，值得要求它给出原始项目链接，并依据项目说明解释选择理由。对于重要的使用条件，让它指出出处；对于能否完成目标，最好用一次小规模尝试来验证。
已有项目可能直接满足需求，也可能只解决其中一部分。知道哪些成果可以利用、哪些地方还需要调整，本身就能帮助我们更准确地安排下一步。
下次和 AI 聊需求时，多问一句
我想把 GitHub 介绍给姐夫、表哥，也介绍给更多非程序员，正是因为他们已经有自己的目标和问题。他们熟悉自己的领域，也有能力判断什么东西真正有价值。
当这些经验遇到 GitHub 上已有的成果，再加上 AI 的辅助，就可能找到新的解决办法。值得迈出的第一步很小：拿一个正在困扰自己的具体问题，试着找一找。
下一次向 AI 描述完目标，记得补上这一句：看下 GitHub 里面是否已经有了类似的项目。
项目用途依据上述官方仓库说明，核对日期：2026 年 9 月 29 日。GitHub 基本功能可参考 GitHub 官方文档。文中的表格处理场景为示例，具体科研项目的效果与适用性需按各自任务验证。