📑 本文目录
本周5个新Skill：正交Agent框架、学术研究全家桶与DuckDB数据ETL
每周扫描Skillhub上近300个候选技能，绝大多数是描述模糊的半成品或与内置功能重复。本周筛出5个之前从未在任何推荐文章中出现过的新技能，覆盖Agent架构设计、学术科研、数据工程三个方向。其中正交性Agent框架和学术研究Hub是我个人觉得最有落地价值的两个——前者解决了Agent能力堆叠导致的混乱，后者补齐了Hermes在学术论文检索这块的空白。
速查表
| 技能名 | 安装命令 | 一句话价值 |
|---|---|---|
| Orthogonal Agent Framework | skillhub install @lixingxun/orthogonal-agent-framework | 把Agent能力拆成规划/执行/记忆/评估四个正交维度，模块可替换可测试 |
| Academic Research Hub | skillhub install @anisafifi/academic-research-hub | 学术论文搜索+下载+文本提取+引用管理全流程，一站搞定文献调研 |
| academic-writing-refiner | skillhub install @zihan-zhu/academic-writing-refiner | 针对NeurIPS/ICML等顶会的CS论文写作润色，句式和用词专门优化 |
| Excel DuckDB ETL Runner | skillhub install @user_af28adda/excel-duckdb-etl-runner | DuckDB驱动的Excel/CSV/XLSX可复用ETL流水线，保留schema |
| Transformer Finetune Planner | skillhub install @0x-professor/dl-transformer-finetune | 自动生成Transformer微调run plan：超参、任务设置、模型卡片 |
Agent架构：Orthogonal Agent Framework
做Agent开发最头疼的问题之一是能力越加越乱。往一个Agent上堆function calling、堆memory、堆planning，最后代码耦合成一团，改一处动全身。这个技能提供一个正交性（orthogonal）的设计思路。
核心思路：把Agent的所有能力拆解到四个相互独立的维度上：
| 维度 | 职责 | 可替换组件举例 |
|---|---|---|
| 规划（Planning） | 任务分解、步骤排序 | ReAct、Tree-of-Thought、Plan-and-Execute |
| 执行（Execution） | 调用工具、产出结果 | function calling、code interpreter |
| 记忆（Memory） | 短期上下文、长期知识 | 向量库、摘要缓存、 episodic memory |
| 评估（Evaluation） | 质量打分、自我反思 | LLM-as-judge、规则校验、人工反馈 |
四个维度的接口解耦后，你可以单独替换某一维度而不影响其他三个。比如把规划模块从ReAct换成Tree-of-Thought，执行和记忆模块完全不用动。
适合场景：正在搭多步推理Agent、希望不同模块能独立测试和迭代的同学。如果你的Agent还停留在”一问一答”阶段，这个框架有点重，不必着急上。
对话示例：
用户：帮我设计一个研报复现Agent，能自动下载研报、提取策略、跑回测。
Agent（使用本框架后）：我会按正交四维来设计——规划层用Plan-and-Execute拆成”下载→解析→回测→对比”四步；执行层复用你已有的curl+pdfplumber工具链；记忆层用本地DuckDB存历史研报摘要；评估层用回测Sharpe和最大回撤作为自动校验。每个维度可独立替换，比如后续你想换更强的规划算法，只改planning接口即可。
避坑提示：这个技能是框架性的，装完不会自动改造你现有的Agent，需要你按它的接口规范手动重构。理解成本中等，适合有一定工程经验的人。
学术研究：Academic Research Hub + academic-writing-refiner
这两个技能组合起来，覆盖了学术工作的**输入（找文献）和输出（写论文）**两端。之前博客推荐过academic-paper-assistant（中文学术全流程）和academic-writer（LaTeX结构生成），但那是写作侧的工具。本周这两个里，Academic Research Hub专攻文献调研，academic-writing-refiner专攻顶会英文润色，定位完全不同。
Academic Research Hub
核心功能：当用户需要搜索学术论文、下载研究文档、提取文本、管理引用时触发。完整覆盖文献调研的”发现→获取→整理”链路。
为什么推荐：Hermes内置的web工具能搜论文，但没有结构化的引用管理和批量下载能力。这个技能把整个流程封装成几个明确的动作，适合做系统性的文献综述。
使用场景：
- 准备一篇量化方向的研究综述，需要批量抓取arXiv上近半年关于”动量因子”的论文
- 复现一篇研报时，需要追踪它引用的原始学术论文
- 建立个人论文库，按主题/年份/引用数自动归档
注意：arXiv等学术站对爬虫有限制，批量下载时建议加延迟。技能本身不绕过反爬，遇到403需要自己处理。参考博客之前踩过的坑——arXiv的PDF用 curl -sL -o /tmp/paper.pdf 配合pdfplumber提取比直接web_extract更稳。
academic-writing-refiner
核心功能：专门针对计算机科学顶会论文（NeurIPS、ICML、ICLR、ACL等）的学术写作润色。不是通用语法检查，而是针对学术英文的句式、用词、论证逻辑做专门优化。
与之前推荐的academic-writer区别：
- academic-writer（已推荐过）：侧重LaTeX模板和论文结构生成，解决”怎么组织章节”
- academic-writing-refiner（本周新）：侧重语言层面的精修，解决”这句英文写得不地道”
适合场景：
- 投稿前的最后一轮语言打磨
- 非英语母语作者把草稿改写成符合学术惯例的表达
- 把技术博客里的口语化表述转成论文级别的严谨表达
实测建议：这类润色技能的输出一定要人工复核，不能盲信。LLM有时会把正确但朴素的表达改成花哨但不准确的句子。建议用它提建议，最终定稿自己拍板。
数据工程：Excel DuckDB ETL Runner
这个技能和之前推荐过的chat2duckdb都基于DuckDB引擎，但定位完全不同：
| 对比项 | chat2duckdb（已推荐） | Excel DuckDB ETL Runner（本周新） |
|---|---|---|
| 定位 | 即席查询（ad-hoc query） | 可复用的ETL流水线 |
| 输入 | CSV/JSON/Parquet/Excel | Excel/CSV/XLSX |
| 产物 | 查询结果 | 带schema保留的数据管道 |
| 复用性 | 一次性 | 可参数化、可重复运行 |
为什么单独推荐：如果你的数据处理是一次性分析，chat2duckdb够了。但如果同样的Excel要每周/每天定时处理（比如券商每周发的行业数据表、每周更新的因子库），需要一个能固化schema、能复用的ETL runner，而不是每次重新写查询。
量化场景举例：
- 每周自动处理券商金工团队发的行业轮动Excel表，转成DuckDB里的结构化因子表
- 把多张格式不一的研报附表统一清洗成标准schema，喂给回测框架
- 保留原始列名和数据类型，避免每次手动cast
避坑：技能名带S_Excel前缀，安装时注意完整包名是 @user_af28adda/excel-duckdb-etl-runner。这类用户命名空间的技能（@user_xxx）版本更新可能不稳定，生产环境用之前建议先fork一份自己维护。
模型训练：Transformer Finetune Planner
核心功能：生成Transformer微调的run plan——把”我要微调一个模型做XX任务”这个模糊意图，拆解成具体的任务设置、超参数配置、模型卡片（model card）。
产出物：一份结构化的微调方案文档，包含：
- 任务类型（分类/生成/序列标注等）
- 推荐超参（学习率、batch size、epoch、warmup）
- 模型卡片（base model选择、数据要求、评估指标）
- 硬件估算（显存、训练时长）
适合场景：
- 第一次微调LLM，不知道怎么设超参
- 团队里需要把微调方案文档化，方便评审和复现
- 对比不同微调配置的预期效果，做方案选型
诚实评价：这个技能生成的是计划文档，不是真正的训练代码。它会告诉你”建议学习率2e-5、epoch3-5”，但不会帮你跑训练。适合做方案设计和评审，实际训练还是要配合LLaMA-Factory、axolotl这类框架。另外Transformer微调的超参高度依赖具体任务和数据量，技能给的默认值是起点不是终点，需要自己实验调优。
实测总结
| 技能 | 实用性 | 学习成本 | 深度 | 日常使用频率 |
|---|---|---|---|---|
| Orthogonal Agent Framework | 高 | 中 | 深 | 项目期高频，日常低 |
| Academic Research Hub | 高 | 低 | 中 | 文献调研期高频 |
| academic-writing-refiner | 中 | 低 | 中 | 投稿期中频 |
| Excel DuckDB ETL Runner | 高 | 低 | 中 | 定期数据处理高频 |
| Transformer Finetune Planner | 中 | 低 | 浅 | 训练前中频 |
个人优先级建议：如果你做Agent开发，Orthogonal Agent Framework最值得花时间研究——它改变的是设计思维而非工具堆叠。如果你做量化研究需要频繁处理Excel数据，Excel DuckDB ETL Runner是即时能提效的工具。学术方向的同学，Academic Research Hub + academic-writing-refiner这套组合补齐了文献输入和论文输出两端。
所有技能用 skillhub install 包名 即可安装。安装后建议先用一个简单任务试跑，确认frontmatter完整、路径配置正确，再投入正式使用。遇到用户命名空间（@user_xxx）的技能，生产环境用前记得fork自维护。
相关阅读
- 本周值得安装的7个Hermes技能：从LLM路由到量化研究全覆盖 — 上一篇技能推荐，含chat2duckdb和preftrade的横向对比
- 从三个顶级Agent项目中提取设计模式，强化Hermes技能体系 — Agent架构设计的深度思考，与正交框架互补
- AutoMem论文解读：把记忆管理变成可训练技能 — Agent记忆维度的前沿研究，正交框架记忆层的理论支撑
- 5个让AI助手更强的新技能实测：正交Agent、学术研究、Wiki引擎、写作系统、设计架构 — 更早一批技能实测，可对比同类技能的演进