自由翻滚的风铃草
@nanting
19万科学家在用的AI科研技能库：163个Skill让Claude Code变成全能研究员
做科研的朋友都懂那种感觉：你有一个很好的研究想法，比如从基因数据库筛候选靶点、做分子对接、跑通路富集分析、整理成报告。听起来很顺畅，但实际操作光查API文档就能耗掉大半天，装环境配依赖又是半天，中间某个包版本冲突又得折腾一晚上。
scientific-agent-skills要解决的正是这个问题。它不是一个新模型，也不是一个新平台，而是一套遵循开放Agent Skills标准的科研技能包——装上之后，你的Claude Code、Codex或Cursor瞬间从普通程序员变成懂生物、懂化学、懂医学的全能科研搭子。
【163个科研技能，覆盖20个学科方向】
这不是随便写个提示词糊弄的东西，每个技能都配备完整文档、代码示例、最佳实践和测试用例。覆盖领域：
- 生物信息学和基因组学：27个技能，从序列分析、单细胞RNA测序到系统发育分析
- 化学信息学和药物发现：10个技能，分子性质预测、虚拟筛选、ADMET分析、分子对接
- 临床研究：8个技能，药代动力学建模、变异证据审查、临床试验分析
- 医学影像和数字病理：4个技能
- 机器学习相关：14个技能
- 材料科学和物理：7个技能
接入100+科学数据库（PubChem、UniProt、PDB、arXiv等）和70+优化Python包工作流。
【为什么比直接用ChatGPT做科研靠谱】
通用AI做科研有三个致命短板：不知道该查哪套数据库、调用哪个工具、怎样留下可追溯证据。比如你说帮我把这份RNA-seq数据做差异表达分析，通用AI不知道用Scanpy，连不上GEO数据库；你说查一下这个蛋白的相互作用网络，它凭记忆编了一个不存在的数据库ID。
scientific-agent-skills的每个技能都是一个自带说明、依赖、脚本与测试的小模块。AI代理发现它、加载它，就获得了对应领域的实操能力。一个药物发现任务可能要在ChEMBL查活性数据、用RDKit做结构分析、用DiffDock做对接、再回PubMed查文献——这些步骤现在可以一次prompt串联完成。
【工程约束保证可靠性】
每个带scripts的技能必须随附tests测试套件；CI在每个PR校验仓库级结构契约，包括frontmatter元数据、链接解析、脚本解析和--help行为；GitHub Actions的security-scan工作流按严重级别阈值阻断高风险提交。
项目提供Docker镜像支持本地私有化部署，内置skill validation机制确保每次调用的结果可靠性。
【数据】
- GitHub Stars：40,727（三个月增长66%）
- 全球用户：19万+科研者
- 技能数量：163个即用型技能
- 数据库覆盖：100+科学数据库
- 开源协议：MIT
安装：pip install scientific-agent-skills，配置API Key即可调用。支持Claude Code、Codex、Cursor、Antigravity等主流Agent。
