# 🎓 tw-grad-lab-skills — 用 Agent Skills 幫你找台灣研究所的教授與實驗室
一組給 Claude Code、Codex 等 coding agent 使用的 Agent Skills。先幫你跨校找出「可能」適合的實驗室，再深入調查你最在意的那幾位教授，最後產出一份有憑有據、標明來源的 HTML 報告。它不幫你做決定，只幫你少走一點冤枉路。
► 「 GITHUB 」
# 💡 專案緣起
我自己也在準備研究所。找實驗室的時候，最痛苦的不是資訊太少，而是資訊太散：教授的研究方向在系網、近期論文在 Google Scholar、實驗室風氣要翻 Dcard 跟 PTT、到底適不適合我還得自己在腦中拼湊。每一檔候選教授都要重複一次這個流程，開一堆分頁、比來比去，最後還常常漏掉一些其實不錯、只是學校名氣沒那麼響的實驗室。
所以我把這個流程做成兩個 Agent Skills。核心理念很簡單:
- 它不是幫我做決定，而是幫我先把候選名單整理清楚 —— 剩下的還是要自己去寫信、去面談確認。
- 有幾分證據說幾分話。官方來源歸官方，社群風評歸社群風評，並且清楚標示哪些「未經查證」。
- 廣撒網，不要只盯著台成清交政。強實驗室常常藏在中字輩、科大或私校裡。
如果你也正在找研究所，希望它對你也有幫助 🙌
# 🧩 這是什麼：Agent Skills, 不是又一個網站
這個專案沒有後端、沒有資料庫、甚至不需要 Python。它是兩個 Agent Skills—— 放進支援 skills 的 coding agent (Claude Code、Codex⋯⋯) 後，就多出兩個斜線指令。你用自然語言跟 agent 對話，它負責上網搜尋、交叉比對、整理證據，最後直接生成一份 HTML 報告給你看。
換句話說：報告是 agent 依照技能裡的規範「當場產生」的，而不是我寫死的一份範本。技能的價值在於那套流程與規範 —— 問什麼、去哪找、怎麼標註證據、報告長什麼樣。
repo 收錄兩個技能，通常搭配使用：先用 find-grad-labs 找出候選名單，再用 investigate-grad-lab 深挖你最在意的幾位。
# 🔎 技能一: /find-grad-labs — 探索合適的實驗室
這個技能負責「從零到候選名單」。它會先跑一輪結構化訪談，把你的條件問清楚，再開始跨校搜尋、比較，最後產出報告。
# 先問清楚，再開始找
在搜尋之前，它會用問答蒐集這些資訊:
- 研究主題 / 子領域 —— 例如 NLP/LLM、電腦視覺、MLSys、RL, 可以複選
- 學生背景 —— 就讀學校、科系、GPA / 班排，以及有沒有研究 / 實習 / 競賽經歷 (這會直接拿來校準落點，但只當作有保留的估計，不是錄取機率)
- 目標學校與類型 —— 公立 / 私立、研究型 / 應用型
- 目標系所 ——CSIE、電機、資料科學、AI 學程、資管⋯⋯(不預設，因為強實驗室常常不在最明顯的系所)
- 地區、指導風格、生涯目標、限制條件 (獎學金需求、硬性條件等)
# 廣撒網 + 落點分級
我最在意的兩個設計都在這裡:
- 跨層級搜尋：就算主題集中在頂大，它也會刻意去找中字輩國立大學、科技大學 (台科、北科、雲科⋯⋯) 與相關私校，最終名單必須跨越一個以上的層級。如果某主題在頂大以外真的很稀缺，它會直說，並且列出「搜尋過但排除的學校」與原因 —— 不會給你一份「又全是四大」卻不解釋的名單。
- reach /match/safety (衝刺 / 穩健 / 保底): 用你的學校與成績，把候選教授分成落點，讓名單務實而不是全部都是衝刺。但這些標籤是有保留的建議，絕不輸出錄取機率數字或任何保證，也會提醒你錄取還牽涉面試、SOP、推薦信、名額、推甄 vs 考試等這裡沒涵蓋的因素。
# 產出
一份 HTML 報告，包含：偏好摘要、涵蓋度 / 透明度說明 (名單的層級與地區分布、排除了哪些學校)、候選教授卡片 (附落點標籤與「學生風評」小區塊)、比較矩陣、研究領域地圖、跨落點的推薦，以及依教授分組、可點擊的完整來源清單。
# 🔬 技能二: /investigate-grad-lab — 深入調查單一教授
當你心裡已經有特定人選，這個技能負責把單一教授 / 實驗室查深、查實。它會:
- 先用官方系網 / 系所頁面確認教授身分與現職
- 檢視近期研究方向、代表論文與計畫
- 查指導的論文紀錄與畢業要求
- 蒐集可查證的實驗室運作資訊 (meeting 風格、實習支援、發表期待)
- 產出報告，並明確區分「已確認」「他人回報」「未知」, 附上適合的學生輪廓、待釐清問題與後續可以提問的問題清單
重點在最後那件事: 沒有可靠公開來源的東西就標成「未知」, 而不是硬掰。它不會用論文數量去推斷實驗室風氣，也不會做無法佐證的個性判斷。
# 📐 讓報告可信的設計：證據分級
兩個技能最核心的規範，是一套來源分級政策。所有事實性宣稱都要有來源、要能點進去，而且證據等級要看得出來:
| 等級 | 來源 | 用途 |
|---|---|---|
| 官方 / 第一手 | 校系網頁、實驗室頁、論文紀錄、Google Scholar | 一切事實宣稱的基礎 |
| 學術彙整 | Scholar、Semantic Scholar、DBLP | 論文與引用數據 |
| 社群 | Dcard 研究所版、PTT | 主動查閱，但只用於風氣 / 指導風格 / 風評，一律標「未經查證」 |
規則很嚴格：官方事實和社群風向要分開放；社群訊息一律標成「未經查證的次級證據」, 永遠不能當成已確認的事實呈現；能交叉比對就交叉比對，單一來源、時間久遠或彼此矛盾的都要標出來；查不到就寫「未知」。報告視覺上也對應這套分級 —— 已確認用綠色、不確定用琥珀色、缺漏用灰色，社群風評有自己專屬的「未經查證」樣式，不會被誤讀成事實。
這其實是我做這個專案最想守住的一條線: 找實驗室這種事，寧可誠實說「不知道」, 也不要給人一個看起來很篤定、其實是猜的答案。
# 🛠️ 技術與實作
🟢 標準
每個技能都是一個含
SKILL.md的資料夾，frontmatter 具備name、description, 符合 Agent Skills 標準，因此可被skillsCLI 自動安裝。
🟡 零 runtime 依賴
不需要 Python、沒有腳本要跑。報告完全由 agent 依技能說明 (
HTML-REPORT.md、EVIDENCE-RULES.md) 當場產生，樣式用 CDN 版 Tailwind CSS。
🟣 只在你叫它時才動
兩個技能都設了 Claude 的
disable-model-invocation: true, 不會被模型自動觸發。Codex 不吃這個設定，所以另外附了agents/openai.yaml(allow_implicit_invocation: false) 作為對應。
🟠 跨 agent
透過
skillsCLI 安裝，官方支援 70+ 種 agent, 同一份技能在 Claude Code 用/、在 Codex 用$呼叫。
專案結構也刻意保持乾淨：每個技能把「流程 (SKILL.md)、報告結構 (HTML-REPORT.md)、證據規範 (EVIDENCE-RULES.md)」拆成三份， docs/ 再放產品原則與來源政策 —— 規範和實作分開，之後要調整某一條規則，不用去翻整份 prompt。
# 📦 安裝與使用
用 skills CLI 一鍵安裝，過程會問你要裝哪些技能、裝到哪個 agent:
1 | # 一鍵安裝 |
裝好之後，在 Claude Code 直接輸入斜線指令:
1 | /find-grad-labs |
在 Codex 則改用 $find-grad-labs / $investigate-grad-lab (或 /skills 選單)。不想用 CLI 的話，把 skills/ 底下的資料夾複製到 agent 的 skills 目錄 (Claude Code 全域是 ~/.claude/skills/ ) 也可以。
# 🧭 一點心得
做這個專案最大的收穫，不是「AI 幫我找到了神級實驗室」, 而是逼自己把「怎麼算是有根據的判斷」寫成規範：什麼能當事實、什麼只能當參考、查不到的時候要誠實。這套原則其實不只適用找研究所 —— 任何要基於證據給建議的 AI 應用，都適用。
它終究只是把候選名單整理清楚的工具。真正的決定，還是要自己去寫信、去面談、去感受那個實驗室適不適合你。如果你也在準備研究所，歡迎試用，也歡迎回饋 🙌
⚠️ 技能產生的落點與風評僅供參考。reach /match/safety 是有保留的估計，不是錄取保證；社群風評未經查證。實際申請請自行判斷。
