Scientific Agent Skills：把任意 AI 客户端变成 AI 科学家——163…

一、它是什么：一套「程序性知识库」而非模型

先厘清一个容易混淆的点：Scientific Agent Skills 不训练、也不提供任何大模型，它装的是「程序性知识」——也就是把科研里反复出现的多步工作流，写成每个 AI 客户端都能读懂、能照做的技能卡片。仓库的自我定位是「Turn any AI agent into an AI Scientist」，作者称已被全球 19 万+ 科学家使用。它兼容 Cursor、Claude Code、Codex、Pi、Google Antigravity 等支持开放 Agent Skills 标准的客户端。

换句话说，模型负责「想」，这些技能负责「知道怎么正确地做」：该调哪个库、该查哪个数据库、参数怎么设、边界在哪里。README 反复强调，agent 自己也能用任意 Python 包或 API，技能只是把常见工作流预先写清楚、验证过、标好出处，让结果更稳、更可溯源。配套论文是 arXiv:2609.00065。

二、仓库里到底有什么

README 把 163 个技能拆成五类：

• 100+ 科学数据库：统一的 database-lookup 技能确定性地访问 78 个公开库（PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、USPTO 等），另有 DepMap、OneKGPd、Genomic Intelligence 等专用技能；BioServices（约 40 个生信服务）、BioPython（39 个 NCBI 子库）、gget（20+ 基因组库）进一步扩面。
• 70+ 优化 Python 包技能：RDKit、Scanpy、PyTorch Lightning、scikit-learn、PyTDC、pymatgen、Qiskit、OpenMM / MDAnalysis 等，版本感知、带验证过的示例。
• 9 个科学集成技能：Benchling、DNAnexus、LatchBio、OMERO、Protocols.io、Opentrons 等平台的预文档化路径。
• 30+ 分析与沟通工具：文献综述、可溯源写作、同行评审、Paperclip 全文检索、宏无关 PPTX 海报、Mermaid 图等。
• 10+ 研究与临床工具：证据有界的假说生成、基金写作、PK/PD 建模、ISO 标准就绪证据准备、分析方法验证（ICH / USP / CLSI）等。

每个技能都带 SKILL.md 文档、代码示例、最佳实践与集成指南；凡是带 scripts/ 的技能都配测试套件，CI 会拦截「加了工具却没带测试」的 PR。

（一）一个技能长什么样

技能的本质是带 YAML frontmatter 的 SKILL.md，外加可选的 scripts/、references/ 与测试。仓库更新必须让 metadata.version 保持引号包裹的数字字符串，并通过 skills-ref validate 校验。由于 163 个技能常驻会吃掉大量上下文，README 明确建议「装一个主题子集，而不是整套」。

（二）统一数据库查询：78 个库合一个技能

README 的博客里专门写了一个设计取舍：为什么不做 78 个技能，而用一个 database-lookup 统一承载。结论是合并把「常驻上下文成本」降了 13.9 倍，同时跨五个模型保持了路由准确率。这正好体现了这套库的设计哲学——把重复、易错、占上下文的脏活，固化成一个可验证的技能。

三、如何装上这些技能

安装方式取决于你的客户端，但核心都是把技能放进客户端能扫描到的目录。

（一）三种安装方式

最省事的是标准安装器：

npx skills add K-Dense-AI/scientific-agent-skills

如果你用 GitHub CLI（v2.90.0+），可以用 gh skill 交互安装或只装某个技能（如 scanpy），还能用 –pin v2.65.0 钉到发布标签做可复现安装。仓库本身也是一个合法的 Agent Plugins 1.0.0 包（根 plugin.json + skills/），Cursor 用软链、Codex 用 codex plugins install . 即可；其他客户端（OpenClaw、Pi、Hermes 等）可 git clone 到 ~/.agents/skills/ 或项目级 .agents/skills/。

（二）安全免责与自审

README 用一整节讲安全：Agent Skills 能跑任意代码、装包、发网络请求、改文件， therefore 它建议「不要一次性全装」，只读需要的；装前读 SKILL.md、查贡献历史；并给出本地自扫命令 skill-scanner scan /path/to/skill –use-behavioral。团队用 Cisco AI Defense Skill Scanner 每周增量扫描、每 30 天全量重扫，结果公开在 docs/security-report.md。K-Dense 自己写的技能经过内部评审，社区贡献的尽力审但资源有限。

四、能跑出什么：真实科研工作流举例

README 给了一组可直接抄的提示词，每条都列出用到的技能。举几个有代表性的：

• 药物发现管线：查 ChEMBL 的 EGFR 抑制剂（IC50 < 50nM）→ RDKit 做 SAR → datamol 造类似物 → DiffDock 对接 AlphaFold 结构 → 检索突变与文献 → 出图出报告。用到的技能：database-lookup、rdkit、datamol、diffdock、paper-lookup、scientific-visualization。
• 单细胞 RNA-seq：Scanpy 加载 10X 数据、QC 与去双联、接 Cellxgene Census、PyDESeq2 差异表达、Arboreto 推基因调控网络、Reactome / KEGG 富集、Open Targets 找靶点。
• 多组学标志物：PyDESeq2 + pyOpenMS + HMDB / Metabolomics Workbench + STRING + scikit-learn，跨 RNA / 蛋白 / 代谢三层预测患者结局。
• 临床变异证据审阅：只处理经授权的合成或去标识 VCF，用 pysam 解析、Ensembl VEP 注释，再拉 ClinVar / COSMIC / NCBI Gene / UniProt 证据并核对文献，产出可溯源的研究摘要；若用到 clinical-reports，只从已核实的源事实清单生成明显标记为草稿的结构，不诊断、不评估个体风险、不给治疗或入组建议。

README 开头还提到一个配套项目 K-Dense BYOK：一个免费、开源、跑在你自己桌面上的 AI 共科学家，自带网页搜索、文件处理、100+ 科学数据库，并加载这整套 163 个技能；数据留在本地，重活可经 Modal 扩到云端。它和本仓库的关系，相当于「预装好这些技能的开箱客户端」——如果你不想自己配 Agent Skills 环境，BYOK 是更省事的入口。

这些不是 demo 话术，博客里还给了硬指标：PyOpenMS 技能在 250 次运行中任务成功率 100%（无技能 96%）、pyOpenMS API 报错少 92%、成本低 10%；Rowan 技能对比实验数据 pKa MAE 0.23（R² 0.986）；optimize-for-gpu 在 12 个库上平均提速 58 倍。

五、覆盖哪些学科

技能按领域分了十几组，挑重点的：生物信息 / 基因组（27 个，含 Scanpy、OneKGPd 个体化千基因组查询、Genomic Intelligence 宿主调控预测）、化学 / 药物发现（10 个，RDKit、DiffDock、DeepChem、PyTDC）、蛋白质组与质谱（matchms、pyOpenMS）、临床证据（8 个，含 PK/PD 建模）、神经与电生理（BIDS、NeuroKit2）、机器学习与 AI（14 个核心，PyTorch Lightning、PyMC、TimesFM）、材料 / 化学 / 物理（pymatgen、COBRApy、Qiskit）、工程与仿真（build123d、SimPy、SymPy）、数据分析与可视化（22 个，含 GeoPandas、Scientific Visualization、Infographics）、实验室自动化（PyLabRobot、Opentrons）、科学传播（27 个，Paperclip、Scientific Writing、PPTX 海报）。临床、监管类技能都明确写「仅研究 / 草稿，不替代诊断或认证决策」。

六、质量与可靠性怎么保证

对科研来说「跑通」不够，还要可复现、可溯源。README 在多处强调：每个带 scripts/ 的技能都有测试套件，外加仓库级结构契约（frontmatter、链接解析、脚本解析、–help 行为）每次 PR 都跑；database-lookup 等技能带「检索契约、分页 / 计数对账、端点溯源」，让结果可审计。博客里更直接地点出核心观点——「模型不再是瓶颈，瓶颈在工作流层（数据访问、代码执行、验证、可审计输出）」，并主张「复现，而不是生成，才是 AI 之于科学最有价值的应用」：在 221 项研究的基准里，78% 的论文、93% 的单个分析任务被成功复现。

七、许可与合规边界

仓库整体是 MIT 许可（Copyright © 2026 K-Dense Inc.），可商用、可修改、可分发，但「按原样、无担保」。关键的坑在于：每个技能自己还有独立的 license 字段，写在各自 SKILL.md 的 license metadata 里，可能和仓库的 MIT 不同，用户要为每个用到的技能单独看许可。其中 docx / pdf / pptx / xlsx 四个文档技能由 Anthropic 维护、按 Anthropic 条款 vendored 进来。FAQ 也确认：免费、可商用，但个体技能许可各异。

八、常见问题

九、总结

Scientific Agent Skills 的价值，是把「专家怎么正确地做科研」这件事，从个人脑子里的经验，变成了 163 张可复用、可验证、可溯源的技能卡片，再通过一个开放标准塞进任意 AI 客户端。它不替模型思考，而是给模型补上「该调哪个库、查哪个库、边界在哪、出处何在」的工作流层——这正是当下 AI for Science 最缺、也最值钱的一块。对做生物、化学、临床、组学、材料的研究者来说，挑一个主题子集装进自己的客户端，往往比换更大的模型更能直接提升产出。

在撰写本文的过程中，我主要参考了以下来源：GitHub 仓库 K-Dense-AI/scientific-agent-skills 的 README（What’s Included / Getting Started / Use Cases / Available Skills / Security / License / FAQ）、arXiv:2609.00065，以及仓库博客中的基准数据。文中数据（Star 数、技能数、版本号等）以仓库公开信息为准，可能随版本更新而变化。