K-Dense科学Agent技能库：兼容Cursor/Claude Code的开源科研工具集

🔔 Claude Scientific Skills 现已更名为 Scientific Agent Skills。技能保持不变，兼容性更广——现已支持任何支持开放 Agent Skills 标准的 AI 智能体，不仅限于 Claude。

新功能：K-Dense BYOK —— 一个免费的、开源的 AI 协同科学家，运行在你的桌面上，由 Scientific Agent Skills 驱动。自带 API keys，从 40+ 模型中选择，获得完整的研究工作空间，支持网络搜索、文件处理、100+ 科学数据库，以及本仓库中全部 161 项技能。你的数据留在自己的电脑上，还可以选择通过 Modal 扩展到云端算力以处理重型工作负载。立即开始使用。

🎥 线上直播 —— K-Dense BYOK 入门指南 · 2026 年 8 月 25 日，星期二 · 太平洋时间下午 2:00 / 东部时间下午 5:00 · 在线，免费 参加我们的 K-Dense BYOK 实战演示，这是款免费的、开源的 AI 协同科学家，运行在本地你自己的机器上，由 Scientific Agent Skills 驱动。我们将展示如何进行安装配置、自带 API keys，以及使用这些技能运行真实的研究工作流。无需任何技术背景，欢迎随时提问。预约座位 →

获取最新动态：请在 X、LinkedIn、YouTube 和 Reddit 上关注 K-Dense，获取新技能发布、版本公告、使用教程、研究工作流演示，以及可在你自己的 AI 智能体上使用的示例。

一套全面的、163 项可直接使用的科学与研究技能合集（涵盖癌症基因组学、个体层面 1000 Genomes 查询、托管式调控序列预测、实时病原体变异监测、分析方法验证、PK/PD 建模与剂量选择、全文生物医学与监管文献检索、药物-靶标结合、边界化生物医学知识图谱搜索、分子动力学、RNA velocity、微生物组基础模型、地理空间科学、时间序列预测、通过 Hugging Science 发现科学机器学习资源、78+ 科学数据库，以及更多），适用于任何支持开放 Agent Skills 标准的 AI 智能体，由 K-Dense 创建。该仓库同时也是一个可移植的 Agent Plugins 包（plugin.json + skills/），因此支持插件的客户端可以将整个合集作为一个插件加载。支持 Cursor、Claude Code、Codex、Google Antigravity 等平台。将你的 AI 智能体转变为一个能够跨生物学、化学、医学等多领域执行复杂多步骤科学工作流的研究助手。

⭐ 帮助让 AI for science 更容易被发现了：如果 Scientific Agent Skills 为你节省了时间、教你的智能体学会了某个工作流，或者帮助你的实验室提升了效率，请为这个仓库点个星标。一个星标是这些开放的、可复用研究技能值得维护的公开信号：它帮助科学家、工程师和开源贡献者找到这个项目，展示了哪些 agent-skill 标准正在获得真正的采用，也给了我们一个明确的理由为社区持续扩展这个技能合集。

这些技能使你的 AI 智能体能够无缝地与跨多个科学领域的专业科学库、数据库和工具协同工作。虽然智能体可以自行使用任何 Python 包或 API，但这些明确定义的技能提供了精选的文档和示例，使以下工作流显著更强大、更可靠：

🧬 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

🏥 临床研究与证据工作流 —— 临床试验、药物基因组学、变异证据审查、药代动力学/药效学建模与给药方案评估、汇总决策支持评估、源约束起草报告结构，以及临床医师撰写治疗决策的格式化

🧠 医疗 AI 与生物信号研究 —— 电子健康记录和模型研究、生理信号分析、回顾性验证——不涉及患者特异性诊断、治疗、警报或部署决策

🖼️ 医学影像与数字病理 —— 隐私感知 DICOM 处理及仅用于研究的全切片图像分析、计算病理和影像数据工作流

🤖 机器学习与 AI —— 深度学习、强化学习、时间序列分析、模型可解释性、贝叶斯方法

🔮 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、物理学计算

⚙️ 工程与仿真 —— 离散事件仿真、多目标优化、代谢工程、系统建模、工艺优化

📊 数据分析与可视化 —— 统计分析、网络分析、时间序列、出版级图表、大规模数据处理、探索性数据分析

🌍 地理空间科学与遥感 —— 卫星影像处理、GIS 分析、空间统计、地形分析、地球观测机器学习

🧪 实验室自动化 —— 液处理协议、实验室设备控制、工作流自动化、LIMS 集成

📚 科学交流 —— 可追溯证据的写作、保密授权同行评审、文献综合、文档处理、无宏 PPTX 海报、幻灯片、示意图和引文管理

🔬 多组学与系统生物学 —— 多模态数据整合、通路分析、网络生物学、系统级洞察

🧬 蛋白质工程与设计 —— 蛋白质语言模型、结构预测、序列设计、功能注释

🧰 Agent 平台与基础设施 —— 通过 SDK、RPC、扩展、自定义 provider/model、包、TUI 组件和会话工具在 Pi 上构建

🎓 研究方法论 —— 基于证据约束的候选假设、科学头脑风暴、批判性思维、基金撰写，以及对学术著作的定性低风险评估

⚖️ 法规与标准 —— 为 ISO 管理体系和实验室标准起草证据准备制品，外加 ICH/USP/CLSI 框架下的分析方法验证、确认与转移——为合格审查做好准备，绝非认证、认可或方法发布决策

将你的 AI 编码智能体变身桌面上的「AI 科学家」！

🎬 初次接触 Scientific Agent Skills？观看 Getting Started with Scientific Agent Skills 视频 获取快速入门指南。

来自 K-Dense YouTube 频道的真实研究任务演示视频：

本仓库提供 163 项科学和科研技能，整理为以下类别：

100+ 科学和金融数据库 —— 统一数据库查询技能提供确定性、带溯源信息的访问，涵盖 78 个公共数据库（PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO 等），以及 DepMap、Imaging Data Commons、PrimeKG、NCATS ARAX、U.S. Treasury Fiscal Data、Hugging Science、OneKGPd 和 Genomic Intelligence 的专用技能。BioServices（约 40 个生物信息服务）、BioPython（通过 Entrez 访问 39 个 NCBI 子数据库）和 gget（20+ 基因组数据库）等多数据库包进一步扩展了覆盖范围

70+ 优化过的 Python 包技能 —— 为 RDKit、Scanpy、PyTorch Lightning、scikit-learn、PyTDC、PathML、pydicom、NeuroKit2、PufferLib、QuTiP、GeoPandas、pymatgen、BioPython、Qiskit、分子动力学（OpenMM/MDAnalysis）提供明确版本感知的优化工作流。智能体仍可使用任何 Python 包；这些技能为上述列出的包提供更强、更安全的指导

9 项科学集成技能 —— 为 Benchling、DNAnexus、LatchBio、OMERO、Protocols.io、Open Notebook、Ginkgo Cloud Lab、LabArchives 和 Opentrons 提供明确规范的技能。同样，智能体并不局限于这些——任何可从 Python 访问的 API 或平台都可以使用；这些技能是经过优化和预置文档的最优路径

30+ 分析与传播工具 —— 文献综述、可溯源的科技写作、保密同行评审、文档处理、Paperclip（全文论文、FDA/PMDA/EMA 申报和试验注册登记，带逐行锚定的引用）、Paperzilla、Exa Search、无宏 PPTX 海报、幻灯片、原理图、信息图、Mermaid 图表等

10+ 研究与临床工具 —— 基于证据的假设生成、基金撰写、汇总临床决策支持研究、临床医师编写的治疗方案格式化、PK/PD 建模与模拟（NCA、群体药代动力学、暴露-反应、生物等效性、首次人体剂量）、BIDS、ISO 标准就绪证据准备（ISO 13485、ISO 14971、ISO/IEC 17025、ISO 15189）、分析方法验证与转移（ICH Q2(R2)/Q14、ICH M10、USP、CLSI EP）、情景分析，以及由 Autoskill 衍生的工作流技能编写

✅ 全面的文档（SKILL.md）

✅ 实用代码示例

✅ 使用场景和最佳实践

✅ 参考资料

✅ 每个附带 scripts/ 的技能都有测试套件 —— CI 会阻止没有测试套件就添加捆绑工具的 Pull Request

⚡ 加速你的研究

节省数天工作 —— 跳过 API 文档研究和集成设置

经过审查的起点 —— 带有明确验证、溯源和安全边界的已测试示例；在目标环境中进行验证

多步骤工作流 —— 用单个提示词执行复杂管道

🎯 全面的覆盖范围

161 项技能 —— 覆盖所有主要科学领域的广泛覆盖

100+ 数据库 —— 通过 database-lookup 统一访问 78+ 个数据库，外加专用数据访问技能以及 BioServices、BioPython 和 gget 等多数据库包

70+ 优化 Python 包技能 —— 为 RDKit、Scanpy、PyTorch Lightning、scikit-learn、PyTDC、pydicom、PufferLib、QuTiP、GeoPandas、pymatgen、Qiskit、分子动力学（OpenMM/MDAnalysis）、scVelo 和 TimesFM 等包提供当前版本限定的指导（智能体可使用任何 Python 包；这些是预置文档的最优路径）

简单安装 —— 将技能复制到你的 skills 目录即可开始工作

自动发现配置 —— 兼容的主机可从配置的技能路径中找到并使用相关技能

文档完善 —— 每个技能都包含示例、使用场景和最佳实践

🌟 维护与支持

定期更新 —— 由 K-Dense 团队持续维护和扩展

CI 测试 —— 每个附带 scripts/ 的技能都在 tests/ 下有测试套件，外加仓库范围的结构契约（frontmatter、链接解析、脚本解析、--help 行为），每次 Pull Request 都会运行

社区驱动 —— 开源并有活跃的社区贡献

企业级就绪 —— 为高级需求提供商业支持

方式一：npx（支持的主机）

一条命令安装 Scientific Agent Skills：

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

这是支持 Agent Skills 主机的通用标准安装程序，包括当前版本的 Claude Code、Claude Cowork、Codex、Gemini CLI、Google Antigravity 和 Cursor。在主机当前文档中确认安装路径和可选元数据行为。

方式二：GitHub CLI（gh skill）

如果你使用 GitHub CLI（v2.90.0+），可以用 gh skill 安装技能：

# 交互式浏览和安装
gh skill install K-Dense-AI/scientific-agent-skills

# 直接安装特定技能
gh skill install K-Dense-AI/scientific-agent-skills scanpy

# 面向特定智能体主机
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code
gh skill install K-Dense-AI/scientific-agent-skills --agent codex
gh skill install K-Dense-AI/scientific-agent-skills --agent gemini

gh skill 自动安装到智能体主机的正确目录，并记录溯源元数据以保证供应链完整性。

固定到特定发行标签或提交 SHA 以实现可重现安装：

# 固定到发行标签
gh skill install K-Dense-AI/scientific-agent-skills --pin v2.64.0

# 固定到提交 SHA
gh skill install K-Dense-AI/scientific-agent-skills --pin abc123def

# 交互式检查更新
gh skill update

# 更新所有已安装的技能
gh skill update --all

方式三：智能体插件（Cursor、Codex 及其他插件客户端）

本仓库是一个有效的 Agent Plugins 1.0.0 包：根目录 plugin.json 加 skills/ 下的 Agent Skills。支持标准发现功能的客户端会找到 skills/ 下每个包含 SKILL.md 的直接子目录。

Cursor —— 将仓库符号链接或复制到本地插件目录，然后重载：

mkdir -p ~/.cursor/plugins/local
ln -s "$(pwd)" ~/.cursor/plugins/local/scientific-agent-skills

重启 Cursor 或运行 Developer: Reload Window，然后确认插件及其技能出现在 Customize 下。参见 Cursor 插件。

Codex —— 从本地 checkout 安装（在 Codex 文档中确认当前 CLI 标志名称）：

codex plugins install .

兼容客户端（Cursor、Codex、GitHub Copilot、VS Code、Kiro 及 agent-plugins.org 上列出的其他客户端）共享相同的包布局；安装体验因客户端而异。

其他 Agent Skills 主机（OpenClaw、NemoClaw、Pi、Hermes ……）

不同 Agent 主机的安装路径、发现设置以及对可选 frontmatter 字段的支持各有不同。npx skills add（方式一）通常安装到 ~/.agents/skills/ 约定路径，项目级安装位于 .agents/skills/；请对照主机当前文档确认两条路径。若要在配置为扫描其中一个位置的主机上手动安装：

git clone https://github.com/K-Dense-AI/scientific-agent-skills.git ~/.agents/skills/scientific-agent-skills   # 用户级
git clone https://github.com/K-Dense-AI/scientific-agent-skills.git .agents/skills/scientific-agent-skills      # 项目级

对于支持 skill taps 的 Hermes 版本，将仓库添加为 tap：

hermes skills tap add K-Dense-AI/scientific-agent-skills

每个 SKILL.md 都有 YAML frontmatter，但旧版和社区技能的元数据格式（块样式或流样式）以及可选扩展字段各不相同。仓库更新必须保持 metadata.version 为带引号的数字字符串，并通过规范的 skills-ref validate ./skills/<skill-name> 检查。主机对可选元数据和凭证提示的解读可能不同，请在目标主机上验证行为。由于 161 项技能加起来会产生大量常驻上下文，建议安装主题子集而非整个集合。

NemoClaw 注：NemoClaw 在 NVIDIA OpenShell 内运行 Agent，默认拒绝出站网络。Skills 可以正常被发现和加载，但任何需要网络的 Skill——无论是通过 uv 安装包，还是 API 调用（Exa、Parallel、Benchling、NCBI、Materials Project 等）——只有在操作员通过 OpenShell TUI 预先批准相关域名后才能工作。

就是这样！兼容的主机可以从配置的路径中发现 Skills，并在相关场景下使用它们。你也可以通过在提示词中提及 Skill 名称来手动调用任意 Skill。

⚠️ 安全免责声明

Skills 可以执行代码并影响你编码 Agent 的行为。在安装前请审查你要安装的内容。

Agent Skills 功能强大——它们可以指示你的 AI Agent 运行任意代码、安装包、发起网络请求，以及修改系统上的文件。恶意或编写不当的 Skill 有可能引导你的编码 Agent 做出有害行为。

我们高度重视安全。所有贡献都要经过审核流程，并且我们会在每次入库时对仓库中的每个 Skill 运行基于 LLM 的安全扫描（通过 Cisco AI Defense Skill Scanner）。然而，作为一个小团队，且社区贡献数量不断增长，我们无法保证每个 Skill 都经过了所有可能风险的穷尽审查。

最终，审查你安装的 Skills 并决定信任哪些是你的责任。

我们建议如下：

不要一次性安装所有内容。只安装你实际工作需要的 Skills。在 K-Dense 创建和维护每个 Skill 时，安装完整集合是合理的，但现在仓库包含了许多社区贡献，我们可能没有对其进行同样彻底的审查。

在安装前阅读 SKILL.md。每个 Skill 的文档都描述了它的功能、使用的包以及连接到的外部服务。如果有任何内容看起来可疑，就不要安装。

查看贡献历史。由 K-Dense（K-Dense-AI）创作的 Skills 已经过我们的内部审核流程。社区贡献的 Skills 已在我们能力范围内进行了最佳审查，但资源有限。

自己运行安全扫描器。在安装第三方 Skills 之前，在本地扫描它们：

uv pip install cisco-ai-skill-scanner
skill-scanner scan /path/to/skill --use-behavioral

报告任何可疑内容。如果你发现一个 Skill 看起来是恶意的或行为异常，请立即提交 Issue 以便我们调查。

Skills 每周进行一次增量扫描，未更改的 Skills 会继承之前的扫描结果，每隔至少 30 天以及在扫描器或模型变更时会进行全量重新扫描，结果发布在 docs/security-report.md。参见 SECURITY.md 了解我们的安全政策、适用范围、如何私下报告漏洞，以及如何对扫描结果提出异议。我们会尽力在安全问题出现时及时处理。

❤️ 支持开源社区

Scientific Agent Skills 由全球 50+ 个令人惊叹的开源项目提供支持，这些项目由专注的开发者社区维护。Biopython、Scanpy、RDKit、scikit-learn、PyTorch Lightning 等项目构成了这些 Skills 的基础。

如果你觉得这个仓库有价值，请考虑支持使这一切成为可能的项目：

⭐ 在 GitHub 上为他们的仓库点星

💰 通过 GitHub Sponsors 或 NumFOCUS 赞助维护者

📝 在你的出版物中引用相关项目

💻 贡献代码、文档或错误报告

👉 查看待支持项目完整列表

docx、pdf、pptx 和 xlsx 文档 Skills 由 Anthropic 创建和维护，从 anthropics/skills 引入这里。它们在 Anthropic 的条款下使用——参见每个 Skill 的 LICENSE.txt——我们会追踪上游以确保你获得他们的最新改进。这四个 Skills 的所有荣誉归 Anthropic 所有。

Python：3.13+（用于仓库工具；各 Skill 的依赖可能支持更广泛的 Python 版本范围）

uv：Python 包管理器（安装 Skill 依赖所需）

客户端：任何支持 Agent Skills 标准的 Agent（Cursor、Claude Code、Gemini CLI、Codex、Google Antigravity 等）

系统：macOS、Linux 或带 WSL2 的 Windows

依赖：由各 Skill 自动处理（查看 SKILL.md 文件了解具体要求）

Skills 使用 uv 作为安装 Python 依赖的包管理器。按照操作系统的安装说明安装：

curl -LsSf https://astral.sh/uv/install.sh | sh

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

备选方式（通过 pip）：

pip install uv

安装后，通过运行以下命令验证是否正常工作：

uv --version

更多安装选项和详情，请访问官方 uv 文档。

安装 Skills 后，你可以要求你的 AI Agent 执行复杂的多步骤科学工作流程。以下是一些示例提示词：

🧪 药物发现流程

目标：为临床前肺癌研究优先筛选 EGFR 抑制剂候选物

Use available skills you have access to whenever possible. Query ChEMBL for EGFR inhibitors (IC50 < 50nM), analyze structure-activity relationships 
with RDKit, generate improved analogs with datamol, perform virtual screening with DiffDock 
against AlphaFold EGFR structure, search PubMed for resistance mechanisms, check COSMIC for 
mutations, and create visualizations and a comprehensive report.

使用的 Skills：database-lookup、rdkit、datamol、diffdock、paper-lookup、scientific-visualization

🔬 单细胞 RNA-seq 分析

目标：对 10X Genomics 数据进行综合分析并整合公共数据

Use available skills you have access to whenever possible. Load 10X dataset with Scanpy, perform QC and doublet removal, integrate with Cellxgene 
Census data, identify cell types using NCBI Gene markers, run differential expression with 
PyDESeq2, infer gene regulatory networks with Arboreto, enrich pathways via Reactome/KEGG, 
and identify therapeutic targets with Open Targets.

使用的 Skills：scanpy、cellxgene-census、database-lookup、pydeseq2、arboreto

🧬 多组学生物标志物发现

目标：整合 RNA-seq、蛋白质组学和代谢组学来预测患者预后

Use available skills you have access to whenever possible. Query Open Targets for validated 
disease targets, fetch relevant datasets with datamol, perform QSAR modeling with RDKit, 
run differential expression with PyDESeq2, analyze pathways with Scanpy, and create 
interactive visualizations with pyvis.

使用的 Skills：database-lookup、datamol、rdkit、pydeseq2、scanpy、scientific-visualization