scientific-agent-skills

Scientific Agent Skills 是由 K-Dense AI 发起并持续维护的开源科学智能体技能库，核心定位是“将任何 AI 编码代理转化为桌面上的 AI 科学家——为生物、化学、医学与药物发现领域的复杂科研工作流提供 165 个开箱即用的验证技能与 100+ 科学数据库”——它不满足于做一份零散的 Python 脚本合集或泛泛的科研提示词库，而是将生物信息学与基因组学、化学信息学与药物发现、蛋白质组学、临床研究与循证医学、医学影像与数字病理、材料科学、物理学与天文学、地理空间科学、实验室自动化、科学写作与同行评审、多组学与系统生物学、监管与标准合规等 20+ 个科研领域的技能整合于一套完整的开源技能生态中，全部配有 npx skills add 或 gh skill install 一键安装、Agent Plugins 标准兼容、arXiv 论文背书（arXiv:2609.00065）、K-Dense BYOK 本地 AI 联合科学家桌面应用，以及全球 19 万+ 科学家的社区验证。市面大多科研 AI 工具要么是依赖特定云服务的黑盒平台（数据上云、缺乏自主可控），要么是泛泛的“帮我做科研”式提示（缺乏结构化的领域知识）——但很少有项目能将“覆盖 20+ 科研领域的验证技能库”与“完全开源、本地优先、Agent Skills 标准兼容”同时做到，Scientific Agent Skills 解决的正是这个问题。

一、Scientific Agent Skills 是什么

Scientific Agent Skills 采用“技能库 + 标准兼容 + 本地优先”三位一体的使用体验，通过 GitHub 完全开源发布。项目由 K-Dense AI 发起并持续维护，核心定位是“全球第一的科学智能体技能库”，已被全球 19 万+ 科学家使用。项目提供 165 个即用型验证技能 与 100+ 科学数据库 的确定性访问能力，覆盖生物学、化学、医学与药物发现等领域。项目配套论文《Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents》发表于 arXiv（arXiv:2609.00065）。

Scientific Agent Skills 的运作机制与市面常见的“云端科研平台”或“通用科研提示词”有本质区别。它不是让用户将数据上传到第三方云端，也不是让 AI 随机拼凑科研步骤，而是一套完全开源、本地优先、经过验证的科学工作流技能库。项目遵循开放的 Agent Skills 标准，兼容 Cursor、Claude Code、Codex、Google Antigravity、Pi 等任何支持该标准的 AI 编码代理。用户可通过 npx skills add K-Dense-AI/scientific-agent-skills 一键安装，或通过 gh skill install 等标准工具完成部署。安装后，AI 代理即获得执行复杂多步科研工作流的能力——从序列分析到分子对接，从临床证据审阅到监管标准合规文档起草。

二、Scientific Agent Skills 能做什么

Scientific Agent Skills 的核心能力可以精炼地概括为：查、算、写、验、合，围绕这五大维度提供了从数据查询到论文交付的完整科研路径，覆盖 AI 辅助科学研究的全方位需求，具体包括：

100+ 科学数据库的确定性访问（查） ——不是“AI 凭记忆瞎猜”，而是“从 78 个公共数据库中确定性检索，来源可追溯”。技能提供统一的数据库查询能力，覆盖 PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO 等 78 个公共数据库，以及 DepMap、Imaging Data Commons、PrimeKG、NCATS ARAX、U.S. Treasury Fiscal Data、Hugging Science、OneKGPd、Genomic Intelligence 等专用数据库。通过 BioServices（~40 个生物信息学服务）、BioPython（39 个 NCBI 子数据库）和 gget（20+ 基因组学数据库）等多数据库包实现进一步扩展。

70+ 优化 Python 包技能与领域专用工作流（算） ——不是“让 AI 自己摸索 RDKit 怎么用”，而是“为 70+ 科学 Python 包提供版本感知的确定性工作流”。技能为 RDKit、Scanpy、PyTorch Lightning、scikit-learn、PyTDC、PathML、pydicom、NeuroKit2、PufferLib、QuTiP、GeoPandas、pymatgen、BioPython、Qiskit、OpenMM、MDAnalysis 等提供显式定义的、版本感知的工作流指导。覆盖生物信息学与基因组学（序列分析、单细胞 RNA-seq、基因调控网络、变异注释、系统发育分析）、化学信息学与药物发现（分子性质预测、虚拟筛选、ADMET 分析、分子对接、先导化合物优化）、蛋白质组学与质谱（LC-MS/MS 处理、肽段鉴定、谱图匹配、蛋白质定量）、材料科学与化学（晶体结构分析、相图、代谢建模、计算化学）、物理学与天文学（天文数据分析、坐标变换、宇宙学计算、符号数学、物理计算）等 20+ 领域。

证据可追溯的科学写作与同行评审（写） ——不是“AI 随便生成一段文字”，而是“从文献检索到同行评审到反驳信的全链路可追溯写作”。技能包含文献综述、证据可追溯的科学写作、保密同行评审、文档处理、Paperclip（全文论文、FDA/PMDA/EMA 申报文件与试验注册库，带行级固定引用）、Paperzilla、Exa Search、无宏 PPTX 海报、幻灯片、示意图、信息图、Mermaid 图表等 30+ 分析与沟通工具。支持证据约束的假设生成、科研头脑风暴、批判性思维、基金申请撰写、定性低风险学术作品评估。

临床与监管级验证工作流（验） ——不是“随便跑个模型就结束”，而是“从临床决策支持到 ISO 标准合规的完整验证链路”。技能包含临床试验、药物基因组学、变异证据审阅、PK/PD 建模与剂量方案评估、聚合决策支持评估、源绑定草稿报告结构、临床医生治疗方案格式化。覆盖 ICH/USP/CLSI 框架下的分析方法验证、确认与转移，ISO 13485/14971/17025/15189 标准就绪证据准备。同时包含临床前研究与动物福利的多变量严重程度评分与人道终点预测，支持 3Rs/优化分析及欧盟 Directive 2010/63/EU 报告。

多组学、系统生物学与蛋白质工程（合） ——不是“单一组学的孤立分析”，而是“多模态数据整合与系统级洞察”。技能覆盖多组学数据整合、通路分析、网络生物学、系统级洞察、蛋白质语言模型、结构预测、序列设计、功能注释。支持分子动力学、RNA 速度、微生物组基础模型、地理空间科学、时间序列预测、科学 ML 资源发现（通过 Hugging Science）等前沿方向。

三、Scientific Agent Skills 适合谁用

Scientific Agent Skills 的内容设计使其适配各类希望通过 AI 提升科研效率的研究者与团队，核心聚焦那些“科研工作流中数据获取、工具配置、文献写作、合规验证等繁琐工作占据了大量时间”，希望从“手动完成全流程”升级为“AI 辅助的科研流水线”的人群，主要涵盖以下几类：

学术研究者与实验室团队——需要完成从数据获取到论文写作的全流程科研工作，但希望将数据库查询、工具配置、文献综述等繁琐工作交给 AI。Scientific Agent Skills 的 165 个验证技能覆盖了生物、化学、医学、药物发现等领域的常见科研工作流，已被全球 19 万+ 科学家使用。K-Dense BYOK 桌面应用让研究者可以在本地运行完整的 AI 联合科学家工作空间。

生物信息学家与计算生物学家——需要处理单细胞 RNA-seq、基因调控网络、变异注释、系统发育分析等生物信息学任务。技能为 Scanpy、BioPython、gget 等工具提供了版本感知的确定性工作流。

药物发现与化学信息学从业者——需要进行分子性质预测、虚拟筛选、ADMET 分析、分子对接、先导化合物优化。技能为 RDKit、PyTDC、OpenMM、MDAnalysis 等工具提供了优化的工作流指导。

临床研究者与监管合规专家——需要进行临床试验数据分析、PK/PD 建模、变异证据审阅、ICH/USP/CLSI 框架下的分析方法验证。技能提供了源绑定草稿报告结构、ISO 标准就绪证据准备等能力。

科研写作者与期刊审稿人——需要进行证据可追溯的科学写作、保密同行评审、文献综述、反驳信撰写。技能包含 Paperclip（全文论文与监管申报文件的行级固定引用）、Paperzilla、Exa Search 等工具。

希望从“云端依赖”升级为“本地优先”的隐私敏感研究者——涉及商业机密或未发表数据不能上传到云端。Scientific Agent Skills 完全开源、本地优先，K-Dense BYOK 桌面应用让数据留在本地计算机上，可选通过 Modal 扩展到云端计算。

四、Scientific Agent Skills 的应用场景是什么

基于其内容设计与定位，Scientific Agent Skills 的应用场景主要围绕文献综述与假设生成、实验方案起草与预算、数据分析与建模、论文写作与同行评审、监管合规与标准就绪，覆盖从研究构思到成果发表的完整科研生命周期，具体包括：

文献综述与假设生成场景——研究者需要快速了解一个领域的研究现状并生成可验证的假设。Scientific Agent Skills 提供了一条“通过文献综述技能检索 PubMed/PMC/临床试验注册库 → 证据约束的假设生成 → 批判性思维评估”的完整路径。K-Dense YouTube 频道提供了文献综述与假设生成的完整教程视频。

实验方案起草与预算场景——研究者需要将实验想法转化为可执行的、有成本估算的书面方案。技能支持将计划中的实验转化为带成本核算的书面方案。

数据分析与建模场景——研究者需要处理组学数据、分子动力学模拟、医学影像或时间序列数据。技能覆盖了从 Scanpy 单细胞分析到 OpenMM 分子动力学、从 pydicom 医学影像处理到 NeuroKit2 生理信号分析的完整工具链。

论文写作与同行评审场景——研究者需要完成从文献检索到论文提交的全流程写作，或作为审稿人评估稿件。技能包含证据可追溯的科学写作、保密同行评审、反驳信撰写、PPTX 海报与幻灯片生成。K-Dense YouTube 频道提供了反驳信撰写的完整教程。

监管合规与标准就绪场景——实验室或企业需要准备 ISO 13485/14971/17025/15189 等标准下的证据准备文档，或进行 ICH Q2(R2)/Q14、ICH M10、USP、CLSI EP 框架下的分析方法验证、确认与转移。

五、Scientific Agent Skills 为什么值得关注

Scientific Agent Skills 之所以值得关注，核心在于它将“AI 辅助科研从依赖云端黑盒或零散提示词升级为完全开源、本地优先、经过 19 万+ 科学家验证的技能生态”，并具备“165 技能 × 100+ 数据库 × 20+ 领域的覆盖广度、Agent Skills 标准兼容、arXiv 论文背书、K-Dense BYOK 本地 AI 联合科学家、开源免费”的独特价值，具体体现在以下几点：

从“云端依赖”到“本地优先”的数据主权革命。大多数科研 AI 工具是云端托管的黑盒——研究数据需要上传到第三方服务器。Scientific Agent Skills 是完全开源、本地优先的——所有技能在本地运行，数据不出设备。K-Dense BYOK 桌面应用让用户自带 API 密钥，从 40+ 模型中选择，在本地获得完整的研究工作空间。这种“本地优先”的设计，让涉及商业机密或未发表数据的研究也可以放心使用 AI 辅助。

从“零散提示词”到“165 个验证技能”的工业化科研流水线。大多数科研 AI 工具是泛泛的“帮我做科研”式提示——AI 不知道具体该用什么工具、什么数据库、什么参数。Scientific Agent Skills 的 165 个技能为每个科研任务提供了显式定义的、版本感知的确定性工作流。AI 不再需要“猜”RDKit 怎么用、Scanpy 怎么配置——技能已经封装了最佳实践。配套的 arXiv 论文为技能库提供了学术背书。

从“单一工具”到“20+ 科研领域 × 100+ 数据库”的覆盖广度。大多数科研 AI 工具只覆盖一两个领域或一两个数据库。Scientific Agent Skills 覆盖了生物信息学、化学信息学、药物发现、蛋白质组学、临床研究、医学影像、材料科学、物理学、天文学、地理空间科学、实验室自动化、科学写作、多组学、蛋白质工程、监管合规等 20+ 个科研领域，提供对 78 个公共数据库 的确定性访问，并通过 BioServices、BioPython、gget 等扩展到 100+ 数据库。

从“单平台锁定”到“Agent Skills 标准兼容”的生态自由。大多数科研 AI 工具绑定特定的 IDE 或平台。Scientific Agent Skills 遵循开放的 Agent Skills 标准，兼容 Cursor、Claude Code、Codex、Google Antigravity、Pi 等任何支持该标准的 AI 编码代理。用户可以通过 npx skills add、gh skill install 或 Agent Plugins 等多种方式安装。这种“标准兼容、跨平台”的设计，让用户不会被任何单一生态锁定。

从“纯技能库”到“完整科研工作空间”的体验升级。Scientific Agent Skills 不仅是技能库，更是完整的科研工作空间生态。K-Dense BYOK 桌面应用提供了 web 搜索、文件处理、100+ 科学数据库访问、全部 165 个技能调用，以及可选通过 Modal 扩展到云端计算的能力。配套的 YouTube 教程覆盖了从技能创作到文献综述到实验方案到反驳信撰写的完整科研流程。

19 万+ 科学家验证 + arXiv 论文背书 + 开源免费。Scientific Agent Skills 已被全球 19 万+ 科学家使用。配套论文发表于 arXiv（arXiv:2609.00065）。采用开源协议，完全免费。这种“社区验证 + 学术背书 + 开源免费”的组合，让研究者可以放心采用。

现实挑战与生态成熟度。Scientific Agent Skills 并非没有短板。首先，技能库的规模（165 个技能）意味着新用户需要一定时间来熟悉可用的技能范围和适用场景。其次，项目依赖 AI 编码代理的推理能力——代理越强，技能执行效果越好。