Top AI Repos — open-source AI, indexed and scored
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
Top AI Repos tracks AI repositories on GitHub and answers two different questions about each one: is it moving right now, and would you bet a product on it.
A portable agent skill for sharpening research questions.
| Date | Stars |
|---|---|
| 2026-07-31 | 263 |
| 2026-08-06 | 267 |
Today
+4 stars today
This week
— stars this week
This month
— stars this month
Momentum
16.0
growth rate 0.00%/day
# Good Question <picture> <source srcset="assets/good-question-integrated-banner-1280.webp" type="image/webp"> <img src="assets/good-question-integrated-banner-1280.png" alt="Good Question hero" width="1280"> </picture> <p align="center"> <img alt="License MIT" src="https://img.shields.io/badge/License-MIT-1F5E4A?style=for-the-badge"> <img alt="Hosts Codex and Claude Code" src="https://img.shields.io/badge/Hosts-Codex%20%7C%20Claude%20Code-D9A441?style=for-the-badge"> <img alt="Status Active Development" src="https://img.shields.io/badge/Status-Active%20Development-6B8F71?style=for-the-badge"> </p> <p align="center"> <a href="#zh-cn">中文</a> | <a href="#english">English</a> </p> <a id="zh-cn"></a> ## 中文 `good-question` 是一个帮助研究者梳理和打磨科研问题的 agent skill。 它适合这样的时刻：你有一个方向、一个文献空白、一个 proposal 摘要，或者一堆看起来都能做的想法，但还不确定哪个问题真正值得投入。它不会只给你一串灵感，而是帮你把想法整理成更可靠的研究问题：为什么重要，怎样用证据检验，可能有哪些解释，什么结果会推翻它，下一步该做什么。 ### 你可以用它做什么 | 你的状态 | 它会帮你做什么 | |---|---| | 只有一个模糊兴趣 | 把兴趣拆成可比较的候选问题 | | 找到了文献空白 | 判断这个空白是否真的有理论或实践价值 | | 已经有一个想法 | 检查重要性、可行性、可证伪性和两周内可做的初步验证 | | 想做机制解释 | 拆出竞争性假设和关键判别实验 | | 准备 proposal 或基金 | 模拟评审会攻击哪里，并给出修补方式 | | 方向依赖近期进展 | 先整理公开来源的领域简报，再定制问题 | | 项目卡住了 | 用边界条件、失败信号和条件变化重新定位问题 | ### 它会输出什么 通常会得到一张或几张“好问题卡”。中文用户默认会得到类似这样的本地化卡片： ```markdown **暂定题目：** ... **核心研究问题：** ... **为什么值得做：** ... **它挑战了什么默认假设：** ... **竞争性解释：** ... **关键判别证据或实验：** ... **什么结果会推翻它：** ... **两周内可做的初步验证：** ... **最强评审质疑：** ... **下一步动作：** ... ``` 重点不是把话说漂亮，而是让你能判断：这个问题值不值得继续推进。 ### 安装 Codex: ```bash git clone https://github.com/Rimagination/good-question.git ~/.codex/skills/good-question ``` Claude Code: ```bash git clone https://github.com/Rimagination/good-question.git ~/.claude/skills/good-question ``` 其他 agent 也可以使用：把 `SKILL.md` 当作主流程，把 `references/` 当作按需加载的方法卡即可。 ### 快速开始 最简单的用法： ```text 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] ``` 如果你愿意提供更多上下文，效果会更好： ```text 领域： 当前想法或困惑： 已有数据 / 方法 / 资源： 时间限制： 目标：论文 / 开题 / 基金 / 初步验证 / rebuttal 我最担心的问题： ``` 更多常用入口： ```text 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] ``` ```text 用 $good-question 把这个文献空白改写成更有理论贡献的问题： [空白描述] ``` ```text 用 $good-question 先做一个基于公开来源的领域简报，再帮我形成候选问题： [领域或方向] ``` ```text 用 $good-question 先做来源核查，检查这些文献是否真的支持我的文献空白和贡献声明： [你的文献空白 / 关键声明 / 文献列表] ``` ### 不同领域怎么用 如果你来自生态、遥感、AI4Science、社会科学、生物医学、人文解释型研究或工程系统，先看 [`docs/field-playbooks.md`](docs/field-playbooks.md)。 它不是给 agent 的方法卡，而是给研究者的使用指南：每个领域应该提供什么上下文、常见弱问题是什么、好问题通常长什么样、评审最容易攻击哪里，以及该选择导师/评审/合作者/基金哪种模式。 ### 它如何工作 `good-question` 的流程很简单，但会比较严格： 1. 先判断你现在处在什么状态：模糊兴趣、文献空白、已有想法、proposal，还是卡住的项目。 2. 根据语境切换导师、评审、合作者或基金模式。 3. 如果需要领域定制，就先整理简明的领域简报，区分来源证据、推断和未知。 4. 对生态、遥感、AI4Science、社会科学、生物医学等场景，按需加载轻量领域适配器。 5. 如果用户要求第一性原理或规则冲突判断，就把第一性原理当作校准工具：检查问题价值、关键假设、竞争解释、可推翻条件和证据边界，但不绕过来源核查、领域证据或竞争性假设。 6. 用结构化视角生成候选问题，但不把候选问题直接当成答案。 7. 用重要性、可行性、可证伪性、证据杠杆和负结果价值来收敛。 8. 把“主题、方法、文献空白”这类比较弱的表述改写成真正的问题。 9. 做最后的评审式压力测试：如果评审会拒，先修到能站住。 ### 什么是好问题 在这个项目里，一个 good question 至少要通过七个检查： 1. **有意义。** 回答它会改变理论、方法、实践、政策或下一步研究。 2. **够具体。** 它不是一个宽泛主题，而是一个可被证据触及的问题。 3. **有竞争解释。** 至少存在两个或三个可能解释，而不是只有一个偏爱的假设。 4. **可以被推翻。** 有结果会削弱、修正或杀死它。 5. **现实中能启动。** 研究者能在现实约束下启动一个可信的初步验证。 6. **负结果也有价值。** 即使主要假设不成立，也能产生有价值的边界、机制或方法信息。 7. **需要时有依据。** 如果问题依赖当前领域状态，它必须能追溯到公开来源，或明确标注为推断。 ### 第一性原理如何辅助项目 第一性原理在 `good-question` 里不是一套新的总规则，而是帮助用户把研究问题拆回最基本的判断：为什么值得做，哪些是假设，哪些有证据，什么结果会推翻它，下一步最小测试是什么。 它主要辅助三件事： - **避免问题过大：** 把宏大的方向收束成可以用证据检验的具体问题。 - **看清隐藏假设：** 区分真正的约束、可争辩的假设和已经有来源支持的判断。 - **保留不同解释：** 要求保留竞争性解释和可能失败的测试，而不是只给出一个看似顺畅的答案。 这和项目现有体系并不冲突：科学哲学文献指出，不同学科中的第一性原理地位并不完全相同 [11][12]，原则推理也需要保留可错性和经验校验 [13]；因此它会配合强推理、问题化和来源核查使用，而不是替代它们 [4][5][14]。 ### 方法来源 这个 skill 不是凭空写出来的一套提示词。它把一些可靠来源中的科研思维动作沉淀成可复用流程： | 来源线索 | 这个项目吸收了什么 | |---|---| | Alon, Fischbach, Stanford Engineering [1][2][3] | 选问题是一种可训练能力，要比较问题、识别陷阱，不要方法先行 | | Platt [4] | 好问题应该能产生竞争性假设和判别实验 | | Alvesson & Sandberg [5] | 不要只找文献空白，要挑战文献背后的默认假设 | | Heilmeier Catechism [6] | proposal 必须说清楚目标、受众、风险、成功标准和失败标准 | | Hamming, Nielsen [7][8] | 科研品味来自长期维护重要问题清单和可攻击机会 | | Peters [9] | 好问题常常来自对文献、不确定性和约束的反复重写 | | Orch
Excerpt of 14,869 characters
Read on GitHubWould you bet a product on this? Bounded 0–100 and slow moving.
matched fp:742430427fbd753a, topic:ai-agents