Rimagination/good-question

解决的问题

研究人员常常难以从宽泛的兴趣或模糊的文献空白转化为具体、高质量的研究问题。本项目通过提供一个结构化框架，在投入大量时间和资源之前，帮助研究人员精炼并压力测试研究想法，避免追求那些过于宽泛、缺乏竞争性假设或无法被证伪的“弱问题”。

如何工作

这是一个与 Codex 和 Claude Code 兼容的便携式代理技能，实现了严格的科学工作流程。该过程包括：

1. 诊断：识别用户当前的状态（例如，宽泛兴趣、现有提案或停滞项目）。
2. 模式选择：根据上下文在导师、审稿人或合作者等角色之间切换。
3. 情境化：构建领域简报并加载特定领域的适配器（例如 AI4Science 或生物医学），以确保基于证据。
4. 精炼：使用结构化视角生成候选问题，然后根据重要性、可行性及可证伪性进行收敛。
5. 验证：运行最终的“编辑部拒稿”关卡，确保问题足够稳健，能够经受专业评审。

适用人群

需要精炼研究方向、撰写资助提案或进行反驳的生态学、遥感、AI4Science、社会科学和生物医学等领域的学术研究人员和学生。

主要亮点

• 优质问题卡片：生成包含工作标题、核心假设、竞争性假设和两周试点计划的结构化输出。
• 多角色模拟：模拟不同视角（导师 vs. 审稿人），识别潜在异议并修复薄弱环节。
• 方法论根基扎实：基于 Heilmeier Catechism 和 Strong Inference 等公认的科学思维框架。
• 来源审计机制：包含验证文献空白和贡献主张是否由公开来源支持的机制。