Google DeepMind Science Skills：让 AI 智能体成为真正的科学助手

一位生物学家的高光时刻

想象你是一位正在研究某种罕见遗传病的计算生物学家。你需要同时查询 UniProt 获取目标蛋白的氨基酸序列，在 AlphaFold DB 中确认它的三维结构，再用 AlphaGenome API 评估某个非编码区突变对基因表达的影响，最后从 PubMed 调取最新文献——传统做法下，这至少需要打开五六个数据库网页、反复复制粘贴、手动整理结果，一趟下来少说半小时。

Google DeepMind 推出的 Science Skills，正在把这种"多工具切换"的工作模式，变成用户与 AI 的一次自然对话。

背景：从"通才"到"专才"的跨越

大语言模型在通用知识方面表现出色，但在生命科学、化学、基因组学等高度专业化领域，模型的"幻觉"问题尤为突出——它可能自信地描述一个不存在的蛋白质结构，或者给出一个过时的化合物分子量。根本原因在于：模型缺乏权威数据源的有效 grounding（事实锚定）。

Science Skills 的出现，就是为了解决这个核心痛点。2026 年 Google I/O 大会上，Google 正式将其纳入 Gemini for Science 生态体系，作为 Google Antigravity 智能体平台的官方科学插件发布。它由 Google DeepMind 团队维护，Apache 2.0 开源协议，配套发布了技术报告。发布后在 GitHub 迅速获得接近 3000 颗星，成为 AI + 科学领域增长最快的开源项目之一。

核心理念：用"技能"封装科学家的专业经验

Science Skills 的设计哲学，是将科学家多年积累的"工作流智慧"编码成 AI 可理解的指令集。每个技能（Skill）本质上是一个结构化的 SKILL.md 文件，包含：

• 触发条件：AI 应该在什么场景下调用该技能（例如"用户提供 UniProt Accession ID 时"）
• 前置要求：需要安装哪些工具（如 uv 包管理器）
• 许可证通知：第三方数据源的法律条款提示
• 分步执行指令：从查询 API 到解析结果再到整理输出的完整流程

这种"用文字而非代码构建专业能力"的方式，极大降低了科学家的参与门槛——你不需要是程序员，只需要能用自然语言描述你的研究需求。

40 个技能全景：从基因组学到化学信息学

Science Skills 目前收录了 40 个独立技能，覆盖生命科学的几乎所有主要数据资源：

基因组与变异分析：AlphaGenome（整合 AlphaGenome API）、ClinVar（临床变异数据库）、gnomAD（人群基因组数据）、dbSNP（单核苷酸多态性库）、GTEx（基因表达数据库）

蛋白质与结构生物学：AlphaFold DB（蛋白质结构预测数据库）、UniProt（蛋白质序列与功能权威库）、InterPro（蛋白质家族与结构域）、STRING（蛋白质互作网络）、PyMOL（分子可视化脚本）、FoldSeek（蛋白质结构相似性搜索）

化学与药物发现：PubChem（化合物数据库）、ChEMBL（药物活性数据）、OpenFDA（FDA 公开数据）、OpenTargets（药物靶点关联）

文献检索：PubMed、arXiv、bioRxiv、EuropePMC、OpenAlex——几乎覆盖了生物医学领域所有主流文献平台

通路与功能注释：Reactome、STRING、UniProt、QuickGO——支持从基因到通路到功能的完整注释链路

工具与工作流：uv（Python 包管理）、workflow_skill_creator（将工作流打包成新技能）——让用户不仅能用技能，还能创造技能

技术架构：轻量、声明式、高度解耦

从代码结构看，Science Skills 是一个极简但高度规范的项目：

science-skills/
├── plugin.json           # 插件元数据（版本1.2.0）
├── README.md             # 安装与使用文档
├── CONTRIBUTING.md      # 贡献政策（目前不开源PR）
├── SKILL_LICENSES.md    # 第三方数据许可证汇总
└── skills/              # 40个技能目录
    └── <每个技能>/
        ├── SKILL.md      # 核心指令文件（YAML frontmatter + Markdown）
        ├── scripts/      # 辅助脚本（Python/shell）
        └── references/   # 参考文献（可选）

核心依赖只有一个：uv——这是 Astral 团队出品的极速 Python 包管理器。几乎所有技能都依赖它来执行 Python CLI 脚本，安装过程对用户完全透明：首次触发技能时，智能体会自动检测 uv 是否存在，不存在则自动安装。

AI 框架：严格意义上，这不是传统的 AI 应用项目，而是 Prompt Engineering + API 调用的集合体。它不训练模型，不涉及 ML 框架本身，但通过结构化指令显著提升了 AI 在科学领域的输出质量。

部署体验：零门槛，但有网络依赖

作为 Google Antigravity 平台的插件，Science Skills 的安装体验极为顺滑：

安装方式（一行命令）：

npx skills add google-deepmind/science-skills/

使用方式：在 Antigravity 中选择 Science 插件，重启应用，AI 便会自动识别并调用相关技能。

主要限制：

• 依赖网络访问（需要连接 UniProt、AlphaFold DB、AlphaGenome 等外部数据库）
• 部分技能（如 AlphaGenome、OpenAlex）需要用户自行申请 API Key，技能首次触发时会提示
• 无独立 Docker 容器，无法在没有 Antigravity 平台的情况下离线使用
• 整体部署难度低，但"一键"程度受限于 API Key 配置

争议与局限：光明背后的阴影

Science Skills 并非完美，其局限性值得冷静审视：

数据新鲜度风险：技能依赖的外部数据库（UniProt、AlphaFold DB 等）本身有更新节奏，技能的 API 调用逻辑若未及时维护，可能出现查询失败或返回过时结果。维护一个涉及 30+ 外部数据源的代码库，挑战不小。

API Key 门槛：部分高价值技能需要申请 API Key，增加了普通用户的使用成本。虽然基础查询功能不需要 Key，但频率限制会影响大规模研究。

插件平台锁定：当前最优体验绑定在 Google Antigravity 平台。虽然理论上 Agent Skills 是开放标准，但实践上与 Google 生态的深度整合意味着迁移成本较高。

科研验证不足：目前缺乏第三方独立研究验证其"提升科学工作流效率"的具体幅度，Google 自家的技术报告属于自评，外部社区的客观评价数据尚不充分。

行业意义：AI 科学家的"工具箱革命"

Science Skills 的出现，代表了 AI 应用在科学领域的一个标志性转变：从"让模型自己记住知识"，到"让模型学会查资料"。

计算生物学家 Natasha Latysheva 在接受 DeepMind 采访时说："虽然 AI 智能体现在还不够可靠，但趋势是明确的。科学研究将从亲自动手执行，转向高层级的编排与监督。我们的工作将从每天早上检查智能体夜间跑的分析结果开始。"

这个判断正在变成现实。Science Skills 的技能架构（SKILL.md + scripts/ + references/）正在成为 Agent Skills 开放标准（agentskills.io）的参考实现，未来有望扩展到其他科学领域乃至工程、金融等垂直场景。

总结

维度	评价
项目类型	AI Agent 技能库（非传统 ML 项目）
技能覆盖	40 个，覆盖基因组/蛋白/化学/文献等 30+ 数据源
技术门槛	低（零代码安装，AI 驱动）
部署难度	简单（npx 一键安装，uv 自动配置）
数据依赖	高（依赖外部科学数据库，需稳定网络）
平台绑定	中（主推 Antigravity，但技能标准开放）
维护活跃度	高（v1.2.0，持续更新）
开源价值	极高（将专业科学家工作流开源，推动 AI+Science 民主化）

如果你在生命科学、化学或生物医学领域从事 AI 相关研究或产品开发，Science Skills 是目前最值得关注的开源资源之一。它不只是一个代码库，更代表了一种"让 AI 真正服务于科学"的务实路径。