🔬 DeepSeek Harness 科研工作站模板
基于 DeepSeek Harness (DSH) 的端到端 AI 辅助科研工作流模板。 开箱即用 — 一键安装 Agent 预设，选择「科研工作站」即可开始科研。
📦 快速开始
1. 安装 DeepSeek Harness
从 DeepSeek Harness 官网 下载并安装桌面版。
2. 安装科研工作站预设（一键）
将本仓库解压后，在仓库根目录运行安装脚本：
Windows（PowerShell）：
.\install-windows.ps1
macOS / Linux：
chmod +x install-macos-linux.sh && ./install-macos-linux.sh
脚本会：
- 把
preset/（agent.cordis.yml+preset.yml+ 19 个技能）复制到~/.dsh/.agent-presets/research/，注册为 DSH 的「科研工作站」预设； - 把
tools/里的辅助工具（mem记忆图谱、pdfreadPDF 读取）安装到~/bin（需 Node ≥ 22.13 与 Python ≥ 3.9；pip install pymupdf pdfplumber；mem ingest另需pip install zstandard）； - 提示可选安装第三方
officecli（Word/Excel/PPT 自动化，见下）。
只想要预设、不要工具：
.\install-windows.ps1 -SkipTools/./install-macos-linux.sh --skip-tools
3. 启动科研会话
打开 DSH → 新建会话 → 选择预设 「科研工作站」(research)，然后：
"帮我创建一个新项目：基于深度学习的蛋白质结构预测"
"开始文献综述，检索最新的Transformer架构在蛋白质折叠中的应用"
"设计实验方案，对比ESMFold和AlphaFold3的预测精度"
4. 激活科研数据目录（可选但推荐）
将本仓库的 .dsh-research/ 目录复制到你的 DSH 工作目录下，科研助手就会用它
作为结构化的研究状态注册表：
你的工作目录/
├── .dsh-research/ # ← 复制此目录
├── ... (你的其他文件)
🗂️ 仓库结构
DSH-Research-Workstation-Template/
├── preset/ # Agent 预设本体（安装脚本复制到 ~/.dsh/.agent-presets/research/）
│ ├── agent.cordis.yml # 预设组合：persona + 全部标准能力 + 技能目录
│ ├── preset.yml # 预设元数据（名称/描述）
│ └── skills/ # 19 个技能（16 个科研技能 + officecli/pdf-reading/memory-network）
├── tools/ # 随包辅助工具（mem 记忆图谱、pdfread PDF 读取）
├── .dsh-research/ # 科研数据注册表模板（复制到工作目录使用）
├── install-windows.ps1 # Windows 一键安装
├── install-macos-linux.sh # macOS/Linux 一键安装
├── README.md / README_EN.md / QUICKSTART.md
├── CHANGELOG.md # 版本变更记录
├── CONTRIBUTING.md # 贡献指南
├── CODE_OF_CONDUCT.md # 行为准则
├── SECURITY.md # 安全策略
└── LICENSE # MIT
.dsh-research/ 各文件说明
| 文件 | 用途 | 核心字段 |
|---|---|---|
projects.json | 科研项目管理 | id, name, description, status, field |
papers.json | 文献检索与阅读记录 | id, title, authors, doi, abstract, keywords |
notes.json | 研究笔记（文献/方法/分析） | id, title, content, tags, type |
methods.json | 研究方法设计 | id, name, paradigm, strategy, data_collection |
experiments.json | 实验方案与结果 | id, name, hypothesis, protocol, results |
data.json | 数据集管理 | id, name, type, file_path, variables |
analysis.json | 数据分析记录 | id, name, method, results, interpretation |
drafts.json | 论文撰写草稿 | id, title, sections, target_journal |
citations.json | 参考文献库 | id, title, authors, doi, type |
reports.json | 研究报告索引 | id, title, file_path |
🧪 支持的科研范式
- 自然科学：实验设计、定量分析、假设检验、可复现研究
- 社会科学：调查、案例研究、扎根理论、混合方法
- 跨学科：计算社会科学、网络分析、文本挖掘
📊 可用统计方法
匹配 SPSS/R 算法标准：
- 描述统计、t检验、ANOVA、回归分析
- 非参数检验、卡方检验、效应量、置信区间
- 结构方程模型(SEM)、多层线性模型(HLM)
- 元分析、生存分析、聚类分析
- 项目反应理论(IRT)、心理测量学分析
- 质性分析、主题分析、扎根理论编码
📚 引用格式支持
- APA 7th / MLA 9th / Chicago (Author-Date & Notes-Bibliography) / GB/T 7714
🧠 内置技能库
安装预设后，通过 skill 命令加载，提供分领域深度指导（每个技能含决策表、
公式、代码示例、陷阱清单）：
| 技能 | 领域 |
|---|---|
research-methodology | 研究方法论 |
statistical-analysis | 统计分析（SPSS对标） |
paper-writing | 学术论文写作 |
frontier-research | 前沿科学/开放科学 |
academic-apis | 学术数据库API |
fsqca | 模糊集定性比较分析 |
sem | 结构方程模型 |
meta-analysis | 元分析 |
experimental-design | 实验设计 |
survival-analysis | 生存分析 |
multilevel-modeling | 多层线性模型 |
network-analysis | 网络分析 |
item-response-theory | 项目反应理论 |
grounded-theory | 扎根理论 |
nlp-text-mining | 文本挖掘 |
machine-learning-research | 机器学习研究 |
officecli | Office 文档操控（可选工具） |
pdf-reading | PDF 读取（可选工具） |
memory-network | 跨会话记忆图谱（可选工具） |
🛠️ 可选工具
| 工具 | 作用 | 安装 |
|---|---|---|
mem | 跨工作区/会话的持久记忆图谱（SQLite，零依赖） | 随包安装（需 Node ≥ 22.13；ingest 另需 Python + zstandard） |
pdfread | PDF 文本/表格/元数据/页面渲染读取 | 随包安装（需 Python ≥ 3.9 + pymupdf/pdfplumber） |
officecli | Word/Excel/PPT 读写编辑（第三方开源） | irm https://d.officecli.ai/install.ps1 | iex（Win）/ curl -fsSL https://d.officecli.ai/install.sh | bash（macOS/Linux） |
🔄 完整科研工作流
选题与文献综述 ──> 研究方法设计 ──> 数据收集 ──> 数据分析 ──> 论文撰写
│ │ │ │ │
▼ ▼ ▼ ▼ ▼
projects.json methods.json data.json analysis.json drafts.json
papers.json experiments.json citations.json
notes.json reports.json
🌍 开放科学实践
- 预注册：研究方案可预先在 projects.json 中注册
- 开放数据：data.json 支持关联公开数据集
- 可复现：analysis.json 记录完整分析代码和参数
- 预印本：支持 arXiv 等预印本检索与引用
📄 许可证
MIT License — 自由使用、修改和分发。
🤝 贡献
欢迎提交 Issue 和 Pull Request 改进这个科研模板！