这个开源项目把 3DGS 科研全链路塞进 AI Agent
GitHub: github.com/jaccen/Awesome-Gaussian-Skills | Apache-2.0 | 在线 Demo 即开即用

你还在手动做这些事？

摘要

Awesome Gaussian Skills 是一个将 3D Gaussian Splatting (3DGS) 科研全链路能力封装进 AI Agent 的开源项目。它包含：

1. 最全的 3DGS 方法知识库：覆盖 553+ 篇论文、25 个技术方向，每条记录包含 arXiv ID、会议、创新点和代码链接。
2. 10 个可安装的 AI Agent 技能包：涵盖论文阅读、方法对比、代码审查、实验设计、NeRF 迁移、工程化落地、论文写作、可视化生成等全流程自动化工具。
3. 零门槛使用：提供 GitHub Pages 在线 Demo，无需安装即可搜索、过滤、排序；知识库支持 CSV 下载，技能包可集成到主流 AI Agent。

该项目旨在解决 3DGS 研究领域信息过载、工具匮乏的痛点。

下面是项目的核心架构图，展示了各模块之间的关系和数据流向：

，通过结构化知识库和自动化技能，帮助研究者从重复劳动中解放，专注于创新性工作。

做 3DGS 研究的同学大概都有这种体验——arXiv 每天刷不完，刚读完 20 篇变体论文想做个横向对比，发现对比表要从零手动拼。写完代码跑训练，loss 震荡半天才发现密度控制逻辑踩了个已知坑。想从 NeRF 体系迁移到 Gaussian Splatting，光搞清楚哪些模块能复用、哪些要重写就得折腾大半天。

2023 年至今，3D Gaussian Splatting 相关论文已突破 553 篇，涵盖 25 个细分方向——从基础表示、压缩加速到自动驾驶仿真、医学影像重建，方法数量仍在指数级增长。但大多数研究者仍然靠浏览器书签 + Excel 表管理文献，靠肉眼扫代码做 Review，靠经验猜实验设计。

问题不在于信息不够，而在于结构化程度检索效率太差、AI Agent 几乎零覆盖。在 ClawHub 13,000+ 的技能库中能库中，3D 重建和计算机图形学方向的 Skill 几乎是空白。

Awesome Gaussian Skills 是什么

简单说，它是目前最全的 3DGS 方法知识库 + 一套可安装的 AI Agent 研究技能包。知识库覆盖 553+ 方法、25 个类别，每条记录含 arXiv ID、发表会议、核心创新点和代码链接。技能包包含 10 个面向 3DGS 全链路的 AI Agent Skill，从论文阅读到代码审查到实验设计全打通。

最关键的是——它零门槛。打开浏览器就能用 GitHub Pages 在线 Demo 搜索、过滤、排序，不需要装任何东西。知识库本身是纯 Markdown 文件，也可以直接下载 CSV 做自己的分析。

痛点对照

你做的事	没有这套工具	有了这套工具
读一篇新论文	30-60 分钟手动泛读	AI 结构化摘要，几秒提取核心
横向对比 GS 变体	手动拼对比表	10+ 维度自动对比，含指标
审查 3DGS 代码	漏掉已知 Bug 模式	67+ 种已知 Bug 模式检测
设计实验方案	凭经验猜基线和消融	按会议级别推荐实验方案
NeRF 迁移到 3DGS	试错式移植	逐步迁移指引，标注兼容性

10 个 AI Agent 技能拆技能包是给进阶用户准备的。你装一个 Skill 到 AI Agent（OpenClaw / Claude Code / Cursor）or），就能用自然语言调起对应能力。下面逐个拆解。

1. 3DGS 论文阅读器 (3dgs-paper-reader)

丢一个 arXiv ID 或本地 PDF，自动提取方法架构、创实验输出结构化表格。不用再花 30 分钟通读全文才搞清才搞清一篇论文的核心贡献。版本号 v1.5.x，内置 553+ 方法的快速索引。

2. 方法对比器 (3dgs-method-compare)

选两个或多个 3DGS 变体，输出 10+ 维度的对比表：表示方式、密度控制策略、渲染公式、训练开销、适用场景等。知识库预置 523+ 方法的结构化信息，对比不再靠手动查表。

3. 代码审查器 (3dgs-code-reviewer)

提交 3DGS 实现代码，自动扫描 67+ 种已知 Bug 模式——CUDA 核函数越界、密度控制逻辑缺陷、splatting 管线渲染训练循环数据竞争等。每个 Bug 附带修复建议。比人眼 Review 更系统化更系统。

4. 实验设计器 (3dgs-experiment-planner)

告诉它你的研究方向和目标会议（CVPR / ICCV / SIGGRAPH 等），自动推荐数据集、基线方法、评估消融实验矩阵。不用再困扰「该跟谁比、比什么指标」指标」。

5. NeRF-to-3DGS 迁移器 (nerf-to-3dgs-migrator)

逐步拆解 NeRF 方法的编码器、变形场、外观模型，标注每个模块迁移到 3DGS 时的兼容性和需要重写的部分，并提供代码模板。从试错式移植变成有据可查的系统迁移。

6. 工程化落地指南 (3dgs-engineering-guide)

面向从论文到产品的最后一公里：10 个行业赛道（自动驾驶仿真、数字孪生、文化遗产等）、5 个核心工程瓶颈、GIS 工具链方案、跨平台部署路径。想了解 3DGS 能不能落地、怎么落地，看这个。

7. CG 论文写作 (cg-paper-writing)

专攻 3D 视觉和计算机图形学论文写作：多智能体对抗评审、引用完整性检查、风格校准。支持 CVPR / ICCV / ECCV / SIGGRAPH 等顶级会议格式。

8. 可视化生成器 (3dgs-visualizer)

一键生成出版级雷达图、对比表、方法时间线。支持静态输出（PDF/PNG）和交互式输出（HTML），写论文作图不用再折腾 matplotlib。

9. CAD-Mesh-3DGS 桥接 (cad-mesh-3dgs)

打通 CAD、Mesh、3DGS 三种表示的互操作：Mesh 转 3DGS、3DGS 表面提取、CAD 逆向工程、B-rep 重建。分析 35+ 种方法。如果你的研究涉及几种表示的混合使用，这个技能帮你理清路径。

10. 方法库 (3dgs-method-compare 知识底座)

上面所有技能的底层知识源。553+ 方法、25 个类别、每条记录含 arXiv / 会议 / 创新点 / 代码链接，CSV 机器可读格式，每日 arXiv 多源追踪更新。它是「燃料」，其他技能是「引擎」。

三个设计决策

做这个项目的过程中有一些取舍，值得单独讲。

决策一：知识库是 99% 用户 star 的理由

技能包是给 1% 进阶用户的，但知识库才是绝大多数人需要的核心价值。所以我们在 GitHub Pages 上做了零摩擦的在线 Demo——打开浏览器就能搜索、过滤、排序，一秒钟都不用等。零摩擦体验是 star 转化率的第一杀手锏。

决策二：筛选标准比全收更有价值

市面上已有 Awesome3DGS 这类项目，按会议全收，包含大量纯应用论文。我们执行的是「只收对 3DGS 方法本身有技术创新的论文」——纯应用不收。精准的方法库比杂集更有用，这是我们的判断。

决策三：每天追踪，但不靠单源

知识库的更新不是只刷 arXiv 的 cs.CV，而是多源并行——arXiv、Google Scholar、知乎、CSDN、GitHub 上的 MrNeRF/awesome-3D-gaussian-splatting 仓库，交叉验证后才入库。多源验证比抢速度重要。

30 秒上手

最快的使用方式——直接打开浏览器：

1. 打开 https://jaccen.github.io/Awesome-Gaussian-Skills/
   • 在搜索框输入方法名（如 Mip-Splatting）或关键词（如 compression）
   • 左侧按 Category 过滤，右侧看到方法卡片详情
   • 下载 CSV 文件做自己的分析

想用 AI Agent Skill？

• 克隆仓库到本地
• 将 skills/ 下的子文件夹复制到你的 Agent Skill 目录
• 在 Agent 中用自然语言调起（如「帮我对比 Scaffold-GS 和 3DGS-as-MCMC」）

适合谁用

人群	核心场景
3DGS 研究者	文献检索、方法对比、实验设计、论文写作
NeRF 研究者想迁移	逐步迁移指引，标注模块兼容性
3DGS 工程师	代码 Bug 检测、工程化落地路径、跨平台部署
3DGS 入门者	知识库 25 类全景导航，快速找到方向
工业界从业者	10 赛道落地指南、GIS/BIM/UE5 集成方案

知识库 25 类全景

553+ 方法按 25 个类别组织，每个类别带一行描述，降低认知门槛。覆盖从基础表示到行业应用的完整链路。

大类	类别数	代表性方向
核心表示	5	Foundation / Antialiasing / Optimization / Surface / Image
效率与规模	4	Compression / Acceleration / Large-Scale / Feed-Forward
理解与语义	4	Language-Semantic / Generation / Autonomous Driving / Editing
动态与空间	4	Dynamic / HDR / SLAM / Sparse-View
应用与跨域	4	Human-Avatar / Medical / Cross-Domain / Simulation
安全与质量	4	Security / Robustness / Degradation-Aware / Embodied AI

写在后面

3D Gaussian Splatting 从 2023 年诞生到现在，三年时间方法数突破 553，覆盖了从三维重建基础到自动驾驶仿真、医学影像重建、具身智能的广泛场景。但研究者手上的工具——浏览器书签、手动对比表、经验猜基线——并没有跟上方法增速。

这个项目试图做一个小实验：把结构化的领域知识（知识库）和自动化的研究能力（AI Agent Skill）打包在一起，让 3DGS 研究者从重复劳动中解放出来，把时间花在真正需要创造力的地方。

如果你觉得有用，欢迎 star。如果你有想加的方法或想改进的技能，PR 和 Issue 都欢迎。

github.com/jaccen/Awesome-Gaussian-Skills
Apache-2.0 License | Daily arXiv Tracking | 553+ Methods