177 项科研技能补齐智能体领域知识

让你的 AI 编程 Agent 把一个分子对接到蛋白质上，它会很乐意写出代码。但如果你问，在生理 pH 条件下，配体应该采用哪种质子化状态，你可能会得到一个信心十足的答案，却错得足以让整次运行失效。会调用库，与理解一个领域实际如何使用这些库，是两回事。Scientific Agent Skills 正是为了填补这道鸿沟而诞生的。

这是 K-Dense 创建的免费技能库，采用 MIT 许可证，包含 177 项经过验证的技能和 100 多个科学数据库。它能让 Claude Code、Cursor、Codex、Gemini CLI、Google Antigravity、Pi，以及任何支持开放 Agent Skills 标准的宿主，变成项目所称的「AI Scientist」。这些技能覆盖生物学、化学、医学、物理学、工程学、地球科学、数据分析和科学传播。该仓库创建于 2025 年 10 月，拥有 49,945 个 star 和 4,455 个 fork，目前发布的版本为 2.72.0。项目甚至还有一篇介绍这套技能集的 arXiv 论文：《Scientific Agent Skills：面向研究 Agent 的程序性知识库》。

这里真正关键的是「程序性知识」。每项技能并不只是一段 prompt，而是一份 SKILL.md，记录某个软件包、数据源或工作流的用途、操作流程、版本元数据、科学领域惯例和验证检查。你的 Agent 已经知道如何导入 RDKit；技能则会告诉它，领域内认可哪些构象生成设置，以及在相信输出结果之前应该检查什么。

里面有什么：五类、177 项技能

这套技能集分为五组，各组的数量能看出它的侧重点：

关于这张表，有两点值得注意。首先，这些技能明确规定的是能力下限，而非上限：Agent 仍然可以使用任何 Python 软件包或 API，这些只是预先编写好文档的路径，让常见工作流执行得更快、更可靠。其次，附带脚本的技能都会在 tests/<skill-name>/ 下提供测试套件，并在共享的依赖文件中登记依赖。因此，这套技能集是按软件项目来维护的，而不是一个存放 prompt 的文件夹。

为什么程序性知识胜过精巧的 prompt

差别体现在细节里。让一个通用 Agent 转换基因组坐标，它会很乐意给出答案。之所以需要 Genomic Coordinates 技能，是因为 BED、GFF、GTF、VCF、SAM 和 WIG 文件在从 0 还是从 1 开始计数，以及 contig 命名方式上各不相同。一旦弄错，分析结果就会在没有任何报错的情况下被破坏。这项技能会在错误发生前发现不匹配。

同样的模式贯穿整个技能库。引物设计技能会在限定范围内执行本地特异性筛查，或借助 BLAST 完成筛查，而不是直接返回 Primer3 生成的候选引物。QIIME 2 扩增子技能会检查去噪过程中的 reads 保留率，而不是默认整条流水线已经正常运行。海洋碳酸盐化学技能会传递测量不确定性，而不是只报告一个数值。这些都是聪明的非专业人士犯过一次就会记住的错误，而技能要确保 Agent 从一开始就不犯。

这也是技能集记录版本信息的原因。技能会固定 PathML 3.0.8、GeoPandas 1.2.0 和 build123d 0.13.0 等基准版本，每项技能也会记录自己的兼容性要求和验证范围。科学软件迭代很快，工作流可能悄无声息地失效；考虑版本差异的指导，决定了你拿到的是可信结果，还是必须重做的结果。

一条命令完成安装

标准安装方式会一次性安装到所有受支持的宿主中：

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

这涵盖当前版本的 Claude Code、Claude Cowork、Codex、Gemini CLI、Google Antigravity 和 Cursor。如果你使用 GitHub CLI（v2.90.0 或更新版本），gh skill 可以提供更细致的控制：

gh skill install K-Dense-AI/scientific-agent-skills
gh skill install K-Dense-AI/scientific-agent-skills scanpy   # one skill only
gh skill install K-Dense-AI/scientific-agent-skills --pin v2.71.0   # reproducible

对于任何已发表的工作流，都值得固定到某个发布标签或 commit SHA，因为技能指导和软件包基准版本都会变化。执行 gh skill update --all 可以再次将所有技能更新到最新版本。

对于插件客户端，这个仓库也是一个符合 Agent Plugins 1.0.0 规范的软件包，由 plugin.json 和 skills/ 组成。因此，Cursor、Codex、GitHub Copilot、VS Code、Kiro 及其他兼容客户端，都可以将整套技能作为一个插件加载。手动安装遵循以下目录约定：用户级安装放在 ~/.agents/skills/，项目级安装放在 .agents/skills/。只安装某个主题下的技能，可以让目录保持聚焦：基因组学实验室并不需要把电池循环测试技能放进上下文。

你实际可以让它做什么

安装之后，Agent 会自行选用相关技能，你也可以直接点名使用某一项。README 中的完整示例读起来就像真实的实验记录：

药物发现流水线。「在 ChEMBL 中查询 EGFR 抑制剂（IC50 < 50nM），用 RDKit 分析构效关系，用 datamol 生成改进的类似物，使用 DiffDock 针对 AlphaFold 的 EGFR 结构进行虚拟筛选，在 PubMed 中搜索耐药机制，检查 COSMIC 中的突变，并创建可视化图表和一份完整报告。」一条 prompt，六项技能，完成一整套临床前候选物优先级评估。

单细胞 RNA-seq。Scanpy 技能负责分析，Bulk RNA-seq 为交接给 PyDESeq2 准备经过验证的计数数据，Pathway Enrichment 则负责下游的 ORA 和 GSEA。各环节的交接边界都有明确规定，这一点很关键：每一步的输出都会先经过验证，再交给下一步使用。

虚拟筛选项目、引物设计、变异证据审查、系统生物学网络分析。每次都是同样的模式：技能提供领域惯例，Agent 负责执行，验证检查决定结果是否站得住脚。

数据库层：100 多个可追溯来源

数据库覆盖范围值得单独介绍，因为它解决了计算研究中最繁琐的部分：找到正确的数据源、访问正确的 endpoint，以及判断数据是否可信。

Database Lookup 技能记录了 80 个数据库的访问要求，包括公开访问、注册后访问或授权访问，以及 endpoint 选择、分页约定和来源追溯检查。专门的技能则对高价值数据源提供更深入的支持：DepMap 提供癌症依赖性数据，PrimeKG 提供精准医学知识图谱，AlphaGenome 提供 DeepMind 预先计算的、覆盖 GRCh38 的变异效应数据。BioServices、Biopython 和 gget 等支持多个数据库的软件包进一步扩大了覆盖范围。

关键词是可追溯性。没有来源的数字只是传闻，技能也按这个标准对待数据：检索约定会说明获取了什么、来自哪里，以及适用哪些访问条款。对于任何基于已发表分析继续开展研究的人来说，这决定了结果究竟可以复现，还是只是看起来像那么回事。

坦诚划清边界：它拒绝替你做哪些决定

这是整个项目最让人增加信心的部分。涉及敏感领域的技能都会明确写出「仅限研究」的边界，而且直接写在技能中，而不是埋在某个免责声明页面里：

医疗 AI 和生物信号技能涵盖 EHR、模型研究和回顾性验证，并明确排除针对具体患者的诊断、治疗、警报或部署决策。

临床前动物福利技能会进行严重程度评分和人道终点预测，用于辅助评估，绝不作为决策规则，同时考虑 EU Directive 2010/63/EU 的报告要求。

法规相关技能会依据 ISO 和 ICH/USP/CLSI 框架准备证据材料草稿，供具备资质的人员审查，绝不用于作出认证、认可或方法放行决定。

AlphaGenome 的变异效应预测被明确标记为仅限研究，不用于临床。

安全免责声明同样直接：技能是文档和辅助工具，任何涉及凭据、实验室硬件或授权数据源的操作，都需要操作者自行审查。知道自己权限止于何处的 Agent，比从不询问的 Agent 更有用。

K-Dense BYOK：桌面上的免费 AI 科研搭档

如果你想使用这些技能，又不想自己搭建 Agent 环境，K-Dense 还提供 K-Dense BYOK：一款在你自己桌面上运行的免费开源 AI 科研搭档。你只需提供自己的 API keys，就能从 40 多个模型中选择，并获得完整的科研工作空间，包括网页搜索、文件处理、100 多个科学数据库，以及这个仓库中的全部 177 项技能。数据保留在你的电脑上，你也可以选择通过 Modal，将繁重任务扩展到云端计算资源上运行。

它与技能库遵循同一套思路：执行工作交给自动化，判断权留给研究者，也不会把你的数据偷偷传回开发方。

仓库健康状况：49,945 个 star 和一篇 arXiv 论文

仓库创建于 2025 年 10 月。撰文时，它拥有 49,945 个 star、4,455 个 fork 和 32 个未关闭的 issue，最近一次推送发生在 2026 年 10 月 12 日。当前版本为 2.72.0。README 背后有庞大的 docs 文档目录支撑，博客会发布技能基准测试和深入分析，CI 则在每次变更时运行安全扫描和技能测试。

更能说明长期可靠性的信号包括：每项技能都带有版本元数据和验证范围，破坏性变更会记录在发布说明中，而且项目格外愿意明确说明每项技能不会做什么。商业业务由 K-Dense Inc. 承担，提供企业支持；技能本身采用 MIT 许可证，没有付费档位。

如果你在上述任一领域从事计算研究，而且已经在使用 AI 编程 Agent，这套技能会很适合你。它最擅长处理那些规则严密、错误却不易察觉的场景：基因组坐标、化学中的质子化状态、系统发育分析流水线，以及 PK/PD 建模。

如果你希望 Agent 替专家拍板，它就不适合你。技能负责准备证据和材料草稿；治疗决策、认证和诊断则按设计始终由人来决定。它也不能代替领域知识的学习：技能编码了领域惯例，但你仍然需要知道该问什么问题。

什么是 Scientific Agent Skills？

Scientific Agent Skills 是 K-Dense 创建的免费技能库，采用 MIT 许可证，为 AI Agent 提供 177 项经过验证的技能和 100 多个科学数据库。每项技能都会向 Agent 提供使用某个科学软件包、数据源或工作流所需的程序性知识、领域惯例和验证检查，覆盖生物学、化学、医学、物理学、工程学、地球科学和科学传播。

它支持哪些 AI Agent？

任何支持开放 Agent Skills 标准的宿主都可以使用，包括 Claude Code、Cursor、Codex、Gemini CLI、Google Antigravity、Pi、OpenClaw 等。它也被打包为 Agent Plugins 1.0.0 插件，供 Cursor、Codex、GitHub Copilot、VS Code 和 Kiro 使用。安装命令为 npx skills add K-Dense-AI/scientific-agent-skills。

Scientific Agent Skills 真的免费吗？

是的。这套技能集采用 MIT 许可证，没有付费档位。K-Dense 单独提供商业企业支持，可选的 K-Dense BYOK 桌面应用也免费且开源；你只需提供自己的模型 API keys。

它能诊断患者，或为实验室方法提供认证吗？

不能，技能也明确说明了这一点。医疗技能用于研究和回顾性验证，不用于诊断或治疗决策。法规相关技能负责准备材料草稿，供具备资质的人员审查，绝不用于认证或认可。判断权始终留在研究者手中。

这和直接让 AI Agent 做科研有什么不同？

通用 Agent 可以调用任何库，却不了解领域惯例：例如基因组坐标从 0 还是从 1 开始计数、分析步骤之间如何验证并交接，以及工作流在哪些软件包版本上经过测试。技能通过考虑版本差异的指导和验证检查，将这些惯例编码进去，让 Agent 的输出不仅能生成，还能值得信赖。

如何只安装自己需要的技能？

使用 GitHub CLI：gh skill install K-Dense-AI/scientific-agent-skills scanpy 可以安装单项技能。也可以克隆仓库，将选定的技能文件夹复制到 ~/.agents/skills/。使用 --pin v2.71.0 固定版本，可以保持已发表工作流的可复现性。

本文最初发表于 DevPik。

如需采取进一步措施，你可以考虑屏蔽此人，或举报滥用行为。