Scientific Agent Skills：把 AI 编程助手变成科学家的 165 个科研技能库

把任意 AI 编程助手变成「AI 科学家」——这不是夸张的营销话术，而是 K-Dense-AI/scientific-agent-skills 正在实现的事情。这个开源 Skill 库收录了 165 个经过验证的科研技能，覆盖生物信息、药物发现、临床研究、材料科学等 10+ 领域，让 Claude Code、Codex、Cursor 等编程 Agent 能够执行真实的多步骤科研工作流。自 2026 年 6 月发布以来，该仓库已连续多次登上 GitHub Trending 周榜，累计新增 star 数万，全球已有超过 190,000 名科研工作者使用。

功能与设计原则

scientific-agent-skills 的核心设计理念是将科研流程模块化、可复用化。不同于让通用 LLM 直接”做科研”（幻觉和错误率极高），该库为 AI Agent 提供精确的技能指令——每个 Skill 都是一份结构化的 SKILL.md，定义何时使用、如何调用、输出什么。

三大设计原则：

• 技能即知识封装：每个 Skill 对应一个具体科研任务（如”查询 AlphaGenome 变异效应”），内含 Python 库调用方法、数据库访问路径和输出格式要求
• 开放标准兼容：基于开放 Agent Skills 标准开发，同时原生支持 Claude Code、Codex、Cursor、Pi、Google Antigravity 等主流编程 Agent
• 科研级准确性：README 明确提醒用户——Skill 不等于科学判断力，科研人员仍需核查数据来源和统计结论，这种诚实设计反而让库的可信度更高

认可度

• GitHub Star：截至 2026 年 9 月中旬约 42,000+（8 月底周榜 37,994，9 月初掘金确认仍在周榜前列，保持增长）
• GitHub Trending：2026 年 8 月 30 日周榜第 18 位（+3,642 stars/week），9 月 6 日周榜仍在前 10
• 用户规模：全球 190,000+ 科学家使用
• 学术认可：已发表学术论文（arXiv:2609.00065），被正规科研社区引用
• 生态覆盖：在 agskills.dev、Claude Skills Marketplace 等主流 Skill 市场均有上架

链接

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

原作者

K-Dense Inc. — 专注于科学 AI 工具开发的创业公司，同时运营同名 X（@k_dense_ai）和 YouTube 频道，输出 Skill 使用教程和研究工作流演示。同期还开源了 K-Dense BYOK（本地桌面 AI 科学家，支持 40+ 模型、自带 API Key、自托管）。

介绍

scientific-agent-skills 脱胎于一个朴素观察：通用编程 Agent 在科研任务上表现糟糕，不是因为模型不够强，而是缺少领域特定的程序性知识——即知道用什么库、查哪个数据库、步骤顺序是什么。

该库将这种知识编码成 165 个独立 Skill，覆盖以下核心领域：

• 生物信息与基因组学：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、1000 Genomes 个体级查询、AlphaGenome 预计算变异效应
• 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
• 蛋白质组与质谱：LC-MS/MS 处理、多肽鉴定、蛋白质定量
• 临床研究与循证医学：临床试验设计、药物基因组学、PK/PD 建模、剂量选择、文献检索
• 医学影像：影像数据分析工作流
• 材料科学与物理天文：分子动力学、地理空间科学

每个 Skill 通过 Python 代码示例 + 数据库路径 + 步骤说明，让 Agent 能够可靠地执行复杂多步骤科研流程，而非依赖模型”凭直觉”推理。

特点

• 165 个即用型经验证技能：覆盖 10+ 科学领域，开箱即装
• 100+ 科学数据库访问：包括 AlphaGenome Atlas、PubMed、ChEMBL、UniProt、1000 Genomes 等
• 多 Agent 平台兼容：Claude Code、Codex、Cursor、Pi、Google Antigravity 及开放 Agent Skills 标准
• 作为插件整体加载：提供 plugin.json，可作为 Agent Plugins 包一键安装整个集合
• 附赠桌面端产品：K-Dense BYOK 支持本地运行，API Key 自带，数据不出本机
• 学术论文支撑：有正式的 arXiv 论文引用，具备科研可追溯性
• 持续活跃更新：v0.x 期间保持高频迭代，最近更新涵盖新数据库和新模型支持

使用方法

方式一：作为 Claude Code 插件安装（推荐）

/plugin marketplace add K-Dense-AI/scientific-agent-skills
/plugin install scientific-agent-skills@K-Dense-AI

方式二：通过 Agent Skills 标准安装（通用）

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

方式三：作为 Agent Plugins 包加载（支持插件的客户端）

克隆仓库后，在支持 Agent Plugins 的客户端加载 plugin.json + skills/ 目录。

安装完成后，Agent 即获得所有 165 个 Skill 的调用能力。用户只需用自然语言描述科研需求，Agent 自动匹配对应 Skill 并执行。

最小示例：

用户：帮我查一下 BRCA1 基因在肿瘤细胞中的表达数据，并做一个简单的统计分析

Agent 调用 Skill：
→ literature-search（检索相关文献）
→ genomic-variant-annotation（基因变异注释）
→ statistical-analysis（统计分析）
→ 输出分析结果和可视化

使用场景与人群

适用场景：

• 科研人员用 AI 辅助文献综述、数据分析、实验设计
• 生物信息学工程师构建自动化分析 pipeline
• 药物研发团队做虚拟筛选和 ADMET 预测
• 临床研究员进行循证医学文献检索和证据综合
• 材料科学研究者查询分子性质和模拟结果
• AI + Science 研究者探索 Agent 在科研中的应用边界

目标用户： 生物、化学、医学、材料等硬科学领域的研究者，以及希望将 AI Agent 能力扩展到科研场景的开发者。

输入与输出案例

案例一：基因组数据分析

输入（用户）：

我需要查询 TP53 基因在肺癌样本中的已知驱动突变，并获取对应的蛋白结构信息

Agent 执行流程：

1. 调用 genomic-variant-annotation Skill——查询 ClinVar、COSMIC 等数据库中 TP53 的驱动突变注释
2. 调用 protein-structure-fetch Skill——从 AlphaFold DB 获取 TP53 突变对应的蛋白结构变化预测
3. 输出：突变位点列表 + 蛋白结构影响分析报告

案例二：药物虚拟筛选

输入（用户）：

针对某个激酶靶点，帮我用现有化合物库做一个基于分子对接的虚拟筛选，输出前 20 个候选分子

Agent 执行流程：

1. 调用 molecular-docking Skill——配置对接参数（靶点晶体结构、结合位点、筛选库）
2. 调用 admet-prediction Skill——对对接得分最高的前 50 个分子做 ADMET 预测
3. 调用 lead-optimization Skill——基于 ADMET 结果过滤，输出最优 20 个候选
4. 输出：候选分子列表 + 对接得分 + ADMET 属性表

总结：scientific-agent-skills 解决的不是”模型够不够强”的问题，而是”模型知不知道怎么做”的问题——165 个 Skill 封装了真实的科研操作知识，让 AI Agent 从”能编程”进化到”能科研”。如果你在运营 AI + Science 产品，或本身就是科研从业者，这个库值得第一时间装上。

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