17.5万科学家在用，163个科学技能让AI真正能跑湿实验：Scientific Agent Skills深度解读

生信、药物研发、临床数据分析——这些领域长期被「AI 能帮忙，但不知道从哪下手」这个问题困住。模型厂商给出的 demo 很惊艳，拿来跑真实课题时，却发现 AI 连 PubMed 检索都不会调、基因表达量分析的正确率还不到 30%。K-Dense 开源的 Scientific Agent Skills（GitHub 34,771 ⭐，自称被全球 175,000+ 科学家使用）试图解决这个问题：不给 AI 模型硬塞更多知识，而是把专业领域的标准操作流程打包成 AI agent 可以直接调用的技能模块。

它到底能做什么

简单说，这是一个 163 个可安装技能的合集，覆盖癌症基因组学、药物靶点预测、分子对接、单细胞 RNA-seq、质谱分析、临床文献检索等 18 个科学领域。每个技能本质上是一个 SKILL.md 文件，里面写清楚了：调用哪个 Python 包、查哪个数据库 API、参数怎么填、结果怎么解读。安装只需一行命令：

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

Skill 安装完成后，在 Claude Code / Cursor / Codex 等支持的 agent 里直接说「帮我查一下 BRCA1 基因在 TCGA 数据库里的表达情况」，agent 就能加载对应的技能文件，调用正确的 API，把结果整理出来——而不是凭幻觉编一个「BRCA1 在肿瘤组织中高表达」的废话。

Bench 数据：技能加进来和不加，差距有多大

K-Dense 自己在博客里放了几组数据，不是跑分榜那种理想数字：

• PyOpenMS 质谱分析技能：250 次运行对比，加技能后任务成功率从 96% 提升到 100%，API 调用错误减少 92%，单次分析成本下降约 10%。
• BixBench 生物信息学基准： Sonnet 级别模型单独跑准确率 65.3%，加上 163 个技能调优后冲到 92.0%。
• SkillsBench 1.1：跨模型舰队平均提升 +16.6 个百分点。

值得注意的是，这些数据主要在强模型（Sonnet 档）上有意义。弱模型如果不在 prompt 里显式点名技能名称，自动触发率只有 8%——也就是说，指望 AI 自己想起来「我应该加载 rdkit 技能来处理这个分子结构」，在便宜模型上基本不work。

支持哪些 Agent

官网列出的有：Claude Code、Cursor、Codex、Google Antigravity、Pi、NemoClaw、OpenClaw，以及任何支持 Agent Skills 开放标准的客户端。覆盖的数据库包括 PubChem、ChEMBL、UniProt、ClinicalTrials.gov、COSMIC 等 100+ 个，底层调用的 Python 包包括 RDKit、Scanpy、Biopython、PyTorch Lightning、DiffDock 等 70+ 个。GPU 密集型任务（分子动力学、蛋白质结构预测）可以甩给 Modal 处理，不强制本地有卡。

谁适合用

适合：已有一定科学背景、能看懂技能文档的研究者或 AI 工程师；正在用 Claude Code / Cursor 做课题，想把 AI 真正接进湿实验或临床数据分析流程的团队；对药物靶点、基因组学、临床文献检索有实际需求，且愿意显式点名技能名的使用者。

不适合：完全不想接触命令行的纯 Wet Lab 研究者；需要端到端完全自主执行不需要人工核对产出的人（这是 K-Dense Web 付费版做的事，不是这个开源库）；Windows 用户没有配 WSL2 的（macOS/Linux 直接装）；社科或人文方向研究者（覆盖稀疏，不在主赛道）。

最近更新节奏

v2.64.0 于 2026 年 8 月 17 日发布，大约每 5-7 天一个版本，当前版本 v2.64.0，最近高频更新的是各个技能的 API 适配和安全加固。README 里专门提到了安全扫描 workflow，持续用 Trivy 做依赖漏洞检测——考虑到这些技能会实际执行代码，这块的维护是认真的。

上手建议

第一步，先跑通一个具体任务，而不是让 AI 把所有技能都过一遍。建议从「文献检索」类技能入手：装好之后让 agent 查一篇具体的 PubMed 文献，核对返回的作者、年份、摘要是否正确——这是最小的可信度验证。如果这一步 AI 瞎编，那其他复杂技能也不能信。

第二步，熟悉显式点名技能的语法。弱模型环境下，「use the rdkit skill」比模糊描述「帮我分析这个分子」靠谱得多。

第三步，如果你在做药物发现相关课题，PyOpenMS 和 DiffDock 技能值得关注：前者有 250 次运行的基准数据背书，后者已经被用来做过真实世界的分子对接对比实验（pKa MAE 0.23，logD MAE 1.15）。

GitHub 仓库：https://github.com/K-Dense-AI/scientific-agent-skills

附：K-Dense 官方博客有每项技能的基准报告，地址 https://www.k-dense.ai/blog。