Scientific Agent Skills Skill：165项验证技能让AI化身专业科学家

Skill超级捕获手 技术创作者 2026-09-04 11 阅读

总结

Scientific Agent Skills 是目前科学智能体领域规模最大的开源技能库，将任意 AI 编程助手（如 Claude Code、Cursor）直接升级为具备专业科研能力的「AI 科学家」。库内含 165 个经过验证的现成技能、100+ 科学数据库，涵盖生物、化学、医学与药物研发四大方向，已被全球逾 19 万名研究人员采用，GitHub 斩获超 4 万 Star，是近期科学 AI 工具赛道上真正的爆款。

功能与原则

该项目的核心设计原则是「技能 + 数据」双轨并行：技能层提供可执行的标准化操作流（数据获取、清洗、分析、可视化），数据库层则对接 78+ 专业数据源（PubChem、UniProt、ChEMBL、PDB 等），让 AI 能直接查询真实科研数据而非泛泛而谈。覆盖 SciPy 生态、机器学习框架（RDKit、Scanpy、PyTorch Lightning）、量子计算（Qiskit）、分子动力学（OpenMM/MDAnalysis）等高需求领域。每项技能均附完整使用示例、最佳实践与验证代码，确保科研人员拿来即用而非从零调试。

认可度

  • GitHub Star：截至 2026-09-04 约 40,371 ★（年内从 0 快速增长至 4 万+，属于科学 AI 工具类目现象级项目）
  • 用户规模：官方披露全球 190,000+ 科学家在使用，覆盖生物、化学、医学、药物研发等多个垂直领域
  • 平台热度：在 GitHub Trending 科学类目持续在榜，GitHub Weekly 多次推荐
  • 生态兼容：全面支持 Claude Code、Cursor、Codex、Pi、Antigravity 等主流 AI 编程工具，以及开放 Agent Skills 标准

链接

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

原作者

项目由 K-Dense AI 团队维护（GitHub org: K-Dense-AI），定位为 AI 科学工具领域的专业化开源组织，同时运营 agentic-data-scientist、claude-scientific-writer、karpathy 等多个科研向 Agent 项目，已形成完整的科学 AI 产品矩阵。

介绍

科学研究长期受制于「工具碎片化」困境：生物学家需要掌握 BLAST + R + Python，化学家要打通 RDKit + ChemDraw，药物研发更是横跨分子对接、ADMET 预测、合成路线规划等多个孤岛。Scientific Agent Skills 的出现第一次真正打破了这道壁垒——它将 165 项经过同行验证的科研技能封装为标准化 SKILL.md 文件，AI 编程助手加载后即可直接调用专业工具链，无需人类研究员逐个学习 API 文档。

该库的技能覆盖采用「金字塔结构」：底层是通用数据获取技能（database-lookup 可同时查 78+ 数据库），中间层是专项分析技能（scanpy 单细胞分析、rdkit 分子指纹计算），顶层则是完整工作流（如 drug-discovery-agent-skills 可执行从靶点选择到先导化合物优化的全流程）。每条技能都经过真实科研场景验证，而非 demo 级演示。

项目同时提供 100+ 科学数据库的直接访问接口，包括 PubChem、ChEMBL、UniProt、PDB 等国际权威数据源。AI 可以在对话中直接查询蛋白质结构、化合物活性数据、基因组注释，输出结果直接进入分析流程而非需要人类中转。这种「对话式科研」模式让湿实验科学家无需编程即可借助 AI 完成数据挖掘工作。

特点

  • 165 项验证技能：覆盖生物、化学、医学、药物研发四大方向，全部附带使用示例与最佳实践
  • 100+ 科学数据库：统一接口对接 78+ 权威数据源，支持 PubChem、ChEMBL、UniProt、PDB 等
  • 多工具兼容：Claude Code、Cursor、Codex、Pi、Antigravity 全覆盖，一个技能库适用所有主流 AI 编程助手
  • 零配置启动：一行 npx skills add K-Dense-AI/scientific-agent-skills 即可完成安装，AI 自动发现并加载相关技能
  • 生产级代码：所有技能附带测试用例与验证结果，输出可直接进入科研论文的数据分析流程
  • 持续维护：K-Dense 团队保持高频更新（最近一次更新 2026-08-31），社区贡献活跃

使用方法

安装（支持所有主流 Agent）

# 方式一：npx（推荐，最简）
npx skills add K-Dense-AI/scientific-agent-skills

# 方式二：GitHub CLI（支持版本锁定）
gh skill install K-Dense-AI/scientific-agent-skills

# 针对特定 Agent
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor

基础调用

安装完成后，在支持 Agent Skills 标准的工具中直接对话即可触发技能。例如：

> 用 RDKit 分析这个分子的溶解度

AI 会自动加载 rdkit 技能，调用对应 Python 包完成计算并返回结果，无需手动指定工具链。

版本管理

# 检查更新
gh skill update

# 固定版本（可复现安装）
gh skill install K-Dense-AI/scientific-agent-skills --pin v1.0.0

使用场景与人群

适用场景

  • 生物信息学：单细胞 RNA-seq 分析（Scanpy）、蛋白质序列分析、多组学数据整合
  • 化学与药物研发：分子指纹计算、药物-靶点对接、ADMET 预测、合成路线规划
  • 计算物理学：量子电路设计（Qiskit）、分子动力学模拟（OpenMM/MDAnalysis）
  • 医学研究：临床数据挖掘、文献自动综述、实验数据可视化

目标用户

  • 湿实验科学家（生物学家、化学家、药理学家）：不具备编程背景但需要 AI 辅助数据分析
  • 计算科学家：已有一定编程能力，希望 AI 能直接调用专业工具而非自己写胶水代码
  • AI + Science 研究者：构建跨学科 AI 应用，需要标准化技能接口快速集成

输入与输出案例

案例一：单细胞数据分析

输入：

用 Scanpy 对这个 10X Genomics 的 h5ad 文件进行降维聚类，找出细胞类型注释

AI 自动加载 scanpy 技能，执行：

import scanpy as sc
adata = sc.read_10x_h5('data.h5ad')
sc.pp.normalize_total(adata, target_sum=1e4)
sc.pp.log1p(adata)
sc.pp.highly_variable_genes(adata, n_top_genes=2000)
sc.pp.pca(adata)
sc.pp.neighbors(adata)
sc.tl.umap(adata)
sc.tl.leiden(adata, resolution=0.5)

输出：标准化的细胞聚类结果（UMAP 图 + Leiden 聚类标签），可直接用于下游生物学解释。

案例二：药物靶点发现

输入：

查询 ChEMBL 中 EGFR 靶点所有活性化合物，筛选 IC50 < 100nM 的分子并导出

AI 加载 database-lookup + rdkit 技能，自动连接 ChEMBL API，执行 SQL 过滤与分子指纹计算，输出化合物列表（含结构 SMILES、IC50 值、活性分类），数据格式支持直接导入 Python 分析或文献报告。数据不再需要人工从网页复制粘贴，AI 完成从查询到结构化输出的全链路。

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

评论区

0 条评论

登录后可评论。

Skill超级捕获手 11 阅读