GDM Science Skills 快速入门:40 个科研技能装进编码智能体

google-deepmind 维护的科研 Agent Skill 合集,skills/ 下共 40 个技能目录,覆盖基因组与变异、序列与结构、化学与通路、四路文献检索;每项有 SKILL.md,scripts/ 与 references/ 按子项可选。可通过 Antigravity Science 插件或交互选择技能的 npx skills add 安装,CLI 支持 --skill 且要求 Node >=22.20.0,Python 依赖由 uv 管理。

📊 评分明细

📦 打包完整度
1.8 1.8 / 2.5
🎯 实用性
1.8 1.8 / 2.5
📖 文档清晰度
1.5 1.5 / 2
👥 社区影响力
1.1 1.1 / 1.5
🔗 集成度
1.1 1.1 / 1.5

🎯 适用场景

Agent Skills生物信息科研开源

GDM Science Skills 快速入门:从数据库查询到文献检索的技能合集

GDM Science Skills 是 google-deepmind/science-skills 维护的一套科研 Agent Skill 合集,面向基因组学、结构生物学、文献检索等任务。每个技能有结构化指令,部分附脚本或参考资源;具体材料以子目录为准。

按仓库 skills/ 目录直接列举,当前共有 40 个技能目录。每项都有 SKILL.md(带 YAML frontmatter 的主指令),scripts/ 与 references/ 按子项可选;目录树中 credentials、pymol、uv、workflow_skill_creator 没有 scripts/,不能把 README 概览当成每项必带脚本的保证。

核验日期:2026-11-19。 本文基于官方文档和公开资料整理,AI辅助生成,MagicNetWorld 尚未完成独立实测。 我们读取了 README、仓库目录清单与 GitHub 元数据,但没有安装任何技能、没有在 Antigravity 里启用 Science 插件、没有触发过任何数据库查询,也没有申请过 AlphaGenome 的 key。

这是什么?适合谁?

  • 适合:需要在对话里直接查 PubMed、OpenAlex、UniProt、PDB、Ensembl 这类来源的科研人员。
  • 适合:想把「查库 + 整理 + 生成脚本」的重复动作固化成技能,而不是每次重写提示词的人。
  • 适合:使用 Google Antigravity 并愿意启用 Science 插件的用户,官方把这条路列为「最佳」用法。
  • 适合:想在别人的技能骨架上改出自己流程的研究组,官方明确给了自定义技能的落点。
  • 不适合:期望拿到一个可直接跑分析流水线的生物信息平台。这里交付的是技能与脚本,不是计算集群与数据仓库。
  • 不适合:把 Apache-2.0 当成全部内容授权的人。技能里的第三方数据源有各自条款,见 SKILL_LICENSES.md。
  • 重要边界:README 最后一行写明 This is not an official Google product。它由 Google DeepMind 组织下的仓库维护,但不是 Google 官方支持的产品,不能按「官方产品」的 SLA 预期使用。

前置准备

  1. 一个宿主:官方首选 Google Antigravity;也支持使用通用 skills CLI 的平台。
  2. uv 包管理器:官方说明依赖用 uv 处理。第一次触发技能时,智能体会请求批准安装 uv,装完官方建议重启 Antigravity。
  3. API key(按操作):AlphaGenome 预测/影响评分 API 需要 key;Atlas 的基础 variant/locus/table 链接生成无需认证,track-predictions 的元数据查询另需认证。ClinVar、OpenAlex 无 key 可用,但速率上限可能不同。
  4. 一个放 key 的位置:官方给出的方式是把变量写进 ~/.env,例如 ALPHAGENOME_API_KEY=...。
  5. 一份清楚的使用范围:查库会带上你的查询内容与可能的样本标识,先确认所在机构对数据出境与数据库条款的要求。
  6. Node.js(仅 npx 安装路径):当前 skills CLI 1.9.0 要求 >=22.20.0,见 CLI README 与 npm 元数据。仅启用 Antigravity 插件不因此额外要求 Node。

官方安装方式

官方给了两条路径,选一条即可,不必都做。

路径 A:Antigravity 插件(官方推荐)

  1. 从 antigravity.google 下载并安装最新版 Google Antigravity。
  2. 在应用里进入 Customizations > Build with Google > Science > Add,启用 Science 插件。

启用后技能随插件安装,不需要单独 git clone。

路径 B:用 npx 安装技能包

npx skills add google-deepmind/science-skills/

在目标项目目录执行这条命令,CLI 会交互选择要装的 skills 与 coding agents,默认装到当前项目,并非无条件装全 40 项。支持 --skill 按技能名选择,例如 npx skills add google-deepmind/science-skills/ --skill clinvar-database;技能名取自对应 SKILL.md 的 name,不直接猜目录名。装完在宿主里确认所选技能可见,再开始触发。

自定义技能的正确落点

官方特意写明:不要直接改 Antigravity Science 插件安装目录里的文件,因为插件更新会覆盖你的修改。要改就放到自己的技能目录,例如:

~/.gemini/config/skills/

把改过的技能放在这里,既保留原始技能的更新,也保留你的定制。

第一个完整任务:查一个基因的临床变异记录

这是一个不需要特殊 key 的入门任务(ClinVar 无 key 可用,只是速率上限较低),用来验证「技能被加载、脚本能跑、结果有来源」。

  1. 确认宿主已启用 Science 技能(Antigravity 走插件,其它宿主走 npx 安装)。
  2. 在对话里描述任务,并点名来源:查询某个基因在 ClinVar 中的致病性记录,按临床意义分组,给出每条记录对应的变异标识与来源链接。
  3. 第一次触发时,智能体会提示安装 uv。批准它,装完按官方建议重启宿主。
  4. 观察它是否真的调用了技能里的脚本,而不是只凭模型记忆作答。合格的回答会带上数据库返回的字段与可点开的来源。
  5. 追问它「这条记录来自哪个版本、哪次查询」,看它能否给出可复核的依据。

同理可以换成 OpenAlex 的文献检索、PubMed 的摘要汇总、UniProt 的蛋白条目查询。这些都是官方列为「无 key 可用」或「有 key 更好」的方向。

成功判定建议按这四条看:

  • 技能确实被加载:宿主里能看到该技能,触发后调用的是技能内脚本或指令,而不是模型自由发挥。
  • 结果可追溯:每条结论都能对到具体数据库条目或文献标识。
  • 依赖已就位:uv 安装完成,后续触发不再反复弹批准。
  • 边界清楚:模型没有把「查不到」写成「不存在」,也没有把不同数据库的同名字段混用。

初级用法

1. 一次只点一个来源,别让它自己挑库

合集里技能很多,模型可能选一个你没预期的库。明确说「用 PubMed」或「用 OpenAlex」,结果的可比性会好很多。官方 README 把技能按来源组织,本来就是为这种点名用法准备的。

2. 用「结构化输出」约束结果形状

比如要求「输出表格:变异标识 / 临床意义 / 证据等级 / 来源链接」。技能里的 SKILL.md 通常已经规定了输出结构,你再加一层表格要求,能减少自由发挥。

3. 先跑文献类技能,再跑结构类技能

文献检索(arXiv、bioRxiv、Europe PMC、OpenAlex)与序列/结构类(NCBI、UniProt、PDB、AlphaFold DB)出错成本不同:前者错一条引用容易发现,后者错一个标识可能一路传下去。先用文献技能建立上下文,再动结构数据。

4. 用 workflow_skill_creator 把自己的流程固化成新技能

合集里带了 workflow_skill_creator,用途是把一套重复流程写成技能。做完一次成功的查询后,把步骤、来源与检查点记下来,再让智能体生成新技能,放到 ~/.gemini/config/skills/,下次就不用重新解释。

高级玩法

1. 用 credentials 安全检查与配置凭据

credentials 是凭据管理指令,不是签发临时 key 的服务:按协议只检查 .env 是否含所需变量,不把值输出到终端或智能体上下文,再引导用户在本地添加缺失值。建议先读这份指令,不要把 key 写进项目仓库或对话记录。

2. 组合文献 + 数据库技能做交叉验证

一个可行链路:OpenAlex 找综述 → PubMed 收原始研究 → UniProt 或 PDB 核对分子条目 → 输出时逐条带来源。每一步都用不同数据库交叉,能在答案里留下可审计的链条,这也是科研场景最需要的部分。

3. 用 AlphaGenome 三个技能做变异影响分析

合集里与 AlphaGenome 相关的技能有三个方向:单变异分析、变异影响评分、Atlas 图谱站点链接。前两类预测/评分 API 需要 key;Atlas 脚本的 variant、locus、table 只是构造链接,无需认证,track-predictions 查询元数据则另需认证。生成链接不等于已完成预测,也不证明链接里的生物学解释正确。来源:Atlas 脚本。

4. 把结构检索接进写作流程

Foldseek 做结构相似性检索,但必须提供 .pdb、.cif 或 .mmcif 三维结构文件,不能直接拿序列或基因名检索;protein_sequence_msa 与 protein_sequence_similarity_search 做序列层比对,PyMOL 技能指导可视化。建议按输入类型选择技能,保留每步原始结果与标识映射;这里未做与网页复制粘贴的稳定性对照。

5. 在技能外面加一层自己的校验

建议对关键数字(频率、p 值、坐标)保留数据库原字段,再将整理结果写成 JSON,用本地脚本检查预先定义的范围。范围检查可能发现部分错误,不能保证识别单位或坐标体系;这些语义仍需对照数据库说明逐项复核,本文没有测量错误检出率。

五个具体踩坑

1. 改了插件目录,更新后改动全没了

  • 症状:调整了某个技能的 SKILL.md,几天后插件更新,改动消失。
  • 原因:官方明确说插件安装目录会被更新覆盖。
  • 排查:把定制放到 ~/.gemini/config/skills/,插件目录视为只读。来源:README「Customizing or creating skills」。

2. 第一次触发卡在 uv 安装

  • 症状:提问后长时间没有结果,或提示需要安装依赖。
  • 原因:技能依赖 uv 管理,首次触发需要用户批准安装;官方还建议装完重启 Antigravity。
  • 排查:批准安装,重启宿主再试;若宿主没有弹窗,手动确认 uv 是否在 PATH 上。来源:README「Prerequisites」。

3. AlphaGenome 技能直接失败

  • 症状:调用 AlphaGenome 相关技能时报缺少凭据。
  • 原因:预测/评分 API 需要 key;Atlas 基础链接生成不需要,不能把所有 AlphaGenome 操作混为一类。
  • 排查:按 README 把 ALPHAGENOME_API_KEY=... 写进 ~/.env,或让 credentials 技能接管;不要指望「其它技能能跑」就代表它也能跑。

4. 以为所有技能都必须配 key

  • 症状:因为没申请 key,就认为整套合集不可用。
  • 原因:应区分 AlphaGenome 预测/评分 API 的必要 key、Atlas 基础链接的无需认证,以及 ClinVar/OpenAlex 的可选 key 与速率限制。
  • 排查:先用无 key 可用的技能验证链路,再按需申请 key;速率受限时降低查询批量,而不是反复重试。

5. 把 Apache-2.0 当成全部内容的授权

  • 症状:把技能输出或技能内嵌的参考材料直接商用,事后发现条款不符。
  • 原因:README 写明软件为 Apache-2.0,其它材料为 CC-BY 4.0,且单个技能文件引用的第三方数据源有各自的许可与使用条款,需看 SKILL_LICENSES.md。
  • 排查:区分「代码」「非代码材料」「第三方数据」三层授权;涉及再分发时逐项核对,不要只看仓库根目录的 LICENSE。

6. 把它当成 Google 官方支持产品

  • 症状:按企业采购流程要求 SLA、支持渠道或官方兼容承诺。
  • 原因:README 末行明确写着这不是 Google 官方产品;它由 DeepMind 组织下的仓库维护,但不等同于官方产品线。
  • 排查:按开源项目的方式评估维护节奏与风险,必要时自己 fork 固定版本。

五个使用技巧

  1. 提问时把「来源 + 时间范围 + 输出字段」三件事一次说清,比事后纠正省一轮。
  2. 要求每条结论后面带可点击的来源链接,没有链接的一律当未核实。
  3. 多数据库交叉时,让它显式写「哪个库、哪个标识符体系」,避免同名字段串味。
  4. 大批量查询拆成小批,遇到速率限制先降批量,不要堆重试。
  5. 把一个跑通的流程立刻固化成技能,否则下次又要从提示词开始。

进阶学习路径

  1. 先读技能本身:打开关心的 SKILL.md,看 frontmatter 与指令;若该项附有 scripts/ 或 references/,再读相应入口,不假设每项材料相同。
  2. 读许可分层:SKILL_LICENSES.md 决定你能怎么用、怎么分发,这一步不能跳。
  3. 跑通一个无 key 技能:ClinVar、OpenAlex 或 PubMed 任选,目标是「脚本真的被执行」。
  4. 再加一个需要 key 的操作:选择 AlphaGenome 单变异预测或变异影响评分,练习凭据管理与失败处理;Atlas 基础链接不是需要 key 的例子。
  5. 自建一个技能:用 workflow_skill_creator 把组内固定流程写成技能,放在个人技能目录,实测前先在测试项目里跑。
  6. 接进日常工作流:把「查库 → 交叉验证 → 带来源输出」写成模板,纳入组内的复核习惯。

常见问题 FAQ

1. 用这套技能要付费吗?

技能本身免费(Apache-2.0 软件 + CC-BY 4.0 其它材料)。成本在别处:宿主的模型调用(Antigravity 等按各自方案计费)、部分数据库的 API key 与其速率/商用条款、以及 uv、Python 依赖与本机算力。第三方数据源的条款各自独立,商用前必须逐项确认。

2. 它是 Google 官方产品吗?

不是。README 最后一行明确写着 This is not an official Google product。它是 google-deepmind 组织下的开源仓库,由 DeepMind 维护,但不能按官方产品的支持与兼容承诺来要求。

3. 能不能只装其中一个技能?

可以。skills CLI 会交互选择 skills 与 agents,也支持 --skill,例如上述 --skill clinvar-database;npx 路径需要 Node >=22.20.0。每项有 SKILL.md,脚本和参考材料按实际可选。手动复制时应带齐该项实际依赖,并按宿主目录规则验证加载,不能只复制主文件就假设可用。

4. 没有网络或离线环境能用吗?

需要在线服务的文献检索和数据库查询在离线时无法取得新结果。指令、已备齐依赖的本地处理或纯链接构造可按实际条件复用;建议保留本地数据来源、版本、查询时间与脚本版本。离线不自动等于不可追溯,也不代表所有脚本都能脱网运行。

5. 它和自建 MCP 服务器、Anthropic 官方技能集有什么边界?

anthropics/skills 展示通用技能与文档处理模式,README 也提供 Claude Code 官方插件市场安装路径;modelcontextprotocol/servers 提供 MCP 参考服务器与相关资源,需按具体服务器配置客户端与权限。Science Skills 按科研来源组织 SKILL.md,部分附脚本或参考材料,安装和加载依赖宿主;这里不比较谁更快或更稳定。

6. 支持哪些宿主?

官方首推 Antigravity(Science 插件)。使用通用 skills CLI 的平台可以走 npx skills add 路线。其它宿主能不能装,取决于它是否实现了 skills CLI 的目录约定;官方 README 没有给出逐宿主的兼容表,不要假设「能复制目录就等于能加载」。

7. 数据合规要注意什么?

查询内容会发送到对应数据库(PubMed、Ensembl、UniProt 等),涉及未发表样本标识、患者信息或受控数据时先确认机构政策与数据库条款。技能不会替你解决数据出境、伦理审批与受控访问授权的问题。

权限、安全、平台与成本限制

  • 凭据:key 建议放 ~/.env 或交给 credentials 技能,不要写进项目仓库、提交记录或对话里。
  • 数据出境:每次查询都是一次对外请求,受控数据与未发表结果要先过机构合规。
  • 脚本执行:技能会运行仓库里的脚本,等于在你的机器上执行第三方代码;首次运行前读一遍脚本,尤其在共享或生产环境。
  • 许可分层:软件 Apache-2.0,其它材料 CC-BY 4.0,第三方数据源另有条款;再分发时三层都要看。
  • 平台限制:宿主差异明显,插件更新会覆盖安装目录;Windows 与 Linux 上的宿主支持不在 README 的承诺范围内。
  • 成本:模型调用费、API key 配额与速率限制、依赖安装与算力;没有统一价格表,需按所选数据库与宿主分别核算。

参考链接

  1. 仓库与 README:github.com/google-deepmind/science-skills
  2. 技能目录清单:skills/
  3. 技能许可与第三方条款:SKILL_LICENSES.md
  4. Antigravity 下载:antigravity.google
  5. 科学用例展示:antigravity.google/use-cases/science
  6. 仓库元数据(stars / forks / pushed_at):api.github.com/repos/google-deepmind/science-skills
  7. Apache-2.0 全文:apache.org/licenses/LICENSE-2.0

📊 评分与标签

核验口径:已按现行口径通过,待按新证据契约复核 · 证据状态:仅公开资料 · 核验日期:

评分说明

总分 7.3/10 · S_入选

核验日期:2026-11-19。评分依据可追溯至仓库 README(安装、前置依赖、自定义落点、许可与免责声明)、skills/ 目录的 40 个技能清单、SKILL_LICENSES.md 的引用,以及 GitHub REST 元数据。 这是资料核验判断:我们没有安装技能、没有在 Antigravity 启用 Science 插件、没有触发任何数据库查询、没有申请或使用任何 API key、也没有读过单个技能的完整 SKILL.md 正文。 分数不沿用采集阶段的排序值,也不是从百分制换算得来;分项评价的是可核实的结构与文档,不代表实测准确率。

可观测社区指标

采集日期:2026-11-19。GitHub REST 返回 stars 3,499、forks 404、open issues 1(包含 PR),pushed_at 为 2026-11-10T18:46:47Z,created_at 为 2026-05-13T16:17:41Z,未归档,默认分支 main,语言标注为 Python,API 识别许可为 Apache-2.0,homepage 指向 Antigravity 的科学用例页。 skills/ 目录经 API 列举为 40 个技能目录,覆盖 AlphaFold DB、AlphaGenome(三支)、ChEMBL、ClinicalTrials、ClinVar、dbSNP、EMBL-EBI OLS、ENCODE cCREs、Ensembl、Foldseek、gnomAD、GTEx、Human Protein Atlas、InterPro、JASPAR、四路文献检索、NCBI 序列、openFDA、OpenTargets、PDB、PredictingThePast、蛋白 MSA 与相似性检索、PubChem、PubMed、PyMOL、QuickGO、Reactome、STRING、UCSC 保守性与 TFBS、UniBind、UniProt,以及 uv、credentials、workflow_skill_creator。 这些是关注度与结构快照,不是采用量、科研结论正确性或支持承诺的证据。open issues 数量极低,既可能说明质量稳定,也可能说明问题走的是组织内部渠道,本站无法判断。

📦 可安装性 2.0/2.5

  • 证据:Antigravity 里 Customizations > Build with Google > Science > Add 启用插件,或用 npx skills add google-deepmind/science-skills/;CLI README 说明交互选择 skills/agents,支持 --skill,当前 npm engines 要求 Node >=22.20.0。40 项都有 SKILL.md,脚本/参考材料按实际可选;credentials、pymol、uv、workflow_skill_creator 无 scripts。
  • 竞品对比 1(anthropics/skills):Anthropic README 同样给出官方插件市场路径:/plugin marketplace add anthropics/skills 后安装 document-skills 或 example-skills;Science 对应 Antigravity Science 插件与 skills CLI,双方都有明确安装入口。
  • 竞品对比 2(modelcontextprotocol/servers):MCP 参考服务器按各自 README 配置客户端与传输;Science 的 CLI 按技能名与 agent 选择安装。比较的是分发单位,不是整包与不可单装的区别。
  • 扣分:插件更新会覆盖安装目录,定制应放个人目录;顶层 README 未集中列出逐技能依赖矩阵。可选择单技能与目标 agent 是安装机制的优点,但不免除依赖准备与宿主加载核对。

🎯 实用性 2.0/2.5

  • 证据:40 项覆盖文献(arXiv、bioRxiv、Europe PMC、OpenAlex)、序列/结构(NCBI、UniProt、PDB、AlphaFold DB、Foldseek、MSA)、变异/表达(ClinVar、dbSNP、gnomAD、GTEx、OpenTargets)、化学/通路(ChEMBL、PubChem、Reactome、QuickGO、STRING)。每项有指令,部分提供脚本与参考材料,不保证每项都有两者;依据 完整目录树。
  • 竞品对比 1(anthropics/skills):Anthropic 的示例偏通用文档与写作任务,不绑定具体科研数据库;Science Skills 面向的是「查一个具体科学问题并给出可追溯来源」。
  • 竞品对比 2(modelcontextprotocol/servers):该仓自述为 MCP 参考实现及社区资源索引;Science 按具体科研来源交付技能指令,例如 ClinVar 的 count→search→summary。这里不把参考实现范围外的科研服务器一概否定,也不声称起步更快。
  • 扣分:实用性受限于来源覆盖,缺少冷冻电镜、单细胞、质谱等方向;部分技能需要 API key 才有完整速率;技能输出仍是模型文本,数值正确性仍需人工或脚本复核。

📚 文档质量 1.2/2.0

  • 证据:README 结构清楚,覆盖技能目录结构、Antigravity 安装、npx 安装、uv 前置、API key 写法、自定义落点,以及许可与免责声明;另有 SKILL_LICENSES.md 说明第三方数据源条款。
  • 竞品对比 1(anthropics/skills):Anthropic 的仓库围绕「照着改」的模板组织,示例贴近可直接复制的技能文件;Science Skills 的 README 更像入门索引,深度内容分散在各技能的 SKILL.md 里。
  • 竞品对比 2(modelcontextprotocol/servers):MCP 仓库有逐服务器的 README 与统一的协议文档;Science Skills 没有故障排查专章、没有已知问题列表、也没有逐技能的依赖矩阵。
  • 扣分:顶层 README 篇幅很短(约 4 KB),没有说明 40 个技能各自需要什么依赖与 key;没有版本变更说明;「哪些技能必须 key」只在正文举例,没有完整清单。

👥 社区活跃 1.1/1.5

  • 证据:stars 3,499、forks 404、open issues 1;最近一次 push 为 2026-11-10,距核验日 9 天;仓库创建于 2026-05-13,由 google-deepmind 组织维护。
  • 竞品对比 1(anthropics/skills 元数据):同日快照 stars 197,160,pushed_at 为 2026-11-16T14:22:50Z;Science 为上述 3,499 与 11 月 10 日。单点快照只比较关注量和最近 push,不证明更新密度或与产品发布同步。
  • 竞品对比 2(modelcontextprotocol/servers):README 区分 steering group 维护的少量参考实现与外部 Registry;Science README 提供科研来源技能集合。本文没有同窗贡献者/issue 周转统计,不评价谁更活跃或质量更齐。
  • 扣分:open issues 仅 1,且我们无法判断问题是否走内部渠道;没有公开的发布节奏或路线图,外部使用者难以预期下一次更新。

🔌 兼容性 1.0/1.5

  • 证据:官方首推 Antigravity 插件;通用路径依赖 skills CLI 的目录约定。技能依赖 uv 管理 Python 依赖,部分技能需要 API key,credentials 技能用于凭据处理。
  • 竞品对比 1(modelcontextprotocol/servers):MCP 是跨客户端的协议,同一服务器可以被多个宿主复用;Science Skills 绑定 skills CLI 与插件目录约定,跨宿主需要宿主自身支持。
  • 竞品对比 2(anthropics/skills):Anthropic 的技能在自家宿主上最顺,跨宿主同样受目录约定限制;Science Skills 的额外门槛是 Python/uv 运行时,而不仅是目录位置。
  • 扣分:没有逐宿主兼容表;Windows 与 Linux 上的宿主支持未在 README 承诺;插件更新会覆盖安装目录,跨版本升级需自己管理定制副本。

局限与未实测

  • 未安装、未启用插件、未触发技能:所有关于「装上之后能做什么」的描述来自 README 与目录结构。
  • 未读全量技能正文:40 个技能的 SKILL.md 质量可能高于或低于顶层 README,本文没有逐个评估。
  • 未申请 API key:AlphaGenome 类技能的实际可用性、配额与失败模式均未验证。
  • 许可只核到 README 与 SKILL_LICENSES.md 的引用层面,未逐条核对第三方数据源条款。
  • stars / forks / open issues 为采集当日快照。

来源核实

  • 元数据与许可:GitHub REST /repos/google-deepmind/science-skills(Apache-2.0,未归档,默认分支 main)。
  • 技能清单:GitHub REST /repos/google-deepmind/science-skills/contents/skills,返回 40 个目录。
  • 安装与依赖:README「Using Science skills with Google Antigravity」「Using Science skills via npx」「Prerequisites」。
  • 定制落点:README「Customizing or creating skills」(~/.gemini/config/skills/)。
  • 许可分层与产品边界:README「Licensing & Disclaimer」,含 Apache-2.0、CC-BY 4.0、第三方条款与 not an official Google product 声明。

标签说明

  • Agent Skills:40 项以 SKILL.md 指令交付,scripts/ 和 references/ 按子项可选,由宿主按需加载;以完整目录树核对,不把 README 结构概览当每项保证。
  • 生物信息:覆盖面以基因组、变异、序列、结构与化学数据库为主(ClinVar、gnomAD、GTEx、UniProt、PDB、ChEMBL 等)。
  • 科研:任务是科研场景的查库、比对与文献检索,输出要求可追溯来源,而不是通用办公自动化。
  • 开源:代码 Apache-2.0,非代码材料 CC-BY 4.0,仓库公开可 fork;第三方数据源条款另计。