Scientific Agent Skills 快速入门

Scientific Agent Skills 快速入门

一句话卖点: GitHub 28K stars 的 #1 科研 Agent Skills 库——140 个即用技能，把你的 AI Agent 变成能跑湿实验、做生信分析、筛药物靶点的 AI 科学家。

这是什么?适合谁?

Scientific Agent Skills 由 K-Dense-AI 维护，是目前 GitHub 上星标最高的科研 Agent Skills 库（收集时 28K+ stars），据项目页自述全球 16 万+ 科学家在使用。它的核心定位非常清晰：把任意 AI Agent 变成能执行复杂科研工作流的 AI 科学家，而不是又一套通用代码生成工具。 核心数据:

• 140 个即用技能：覆盖生物信息学与基因组学（23 个）、化学信息学与药物发现、临床研究、医学影像、机器学习、物理学、材料科学、地理空间分析、科学写作等领域；
• 100+ 科学数据库集成：包括 UniProt、PDB、PubChem、ChEMBL、ClinicalTrials.gov 等；
• 50+ 开源科学项目驱动：Biopython、Scanpy、RDKit、scikit-learn、PyTorch Lightning 等构成技能底层；
• 跨 Agent 兼容：支持 Cursor、Claude Code、Codex、Gemini CLI、Pi、Antigravity 及任何遵循开放 Agent Skills 标准的 Agent。 适合谁？做生物信息学、化学信息学、药物发现的科研人员——用 AI Agent 替代手工跑分析流程；计算生物学/生物信息学研究生——快速上手复杂生信工具链；交叉学科研究者——在基因组学、化学、临床数据之间自由桥接。 与同类差异：不同于面向通用软件开发的 Skills（如 Anthropic 官方 Skills、COMPASS Skills），Scientific Agent Skills 有清晰的垂直行业边界。你不会在这里找到「写 Docker Compose」「做 API 设计」之类的技能——它只做科学。

准备工作

1. 一个支持 Agent Skills 的 AI Agent（Claude Code、Cursor、Codex 等任选其一）；
2. Node.js 18+（用于 npx skills 安装命令）；
3. Python 3.9+（多数科学技能基于 Python 生态）；
4. 可选：K-Dense BYOK——免费的桌面端 AI 联合科学家，自带 Scientific Agent Skills。

3 步快速上手

第 1 步：安装 Skills

# 方式一：npx 一键安装（推荐，跨平台）
npx skills add K-Dense-AI/scientific-agent-skills
# 方式二：Git 克隆到 Agent Skills 目录
# Claude Code 用户：
git clone https://github.com/K-Dense-AI/scientific-agent-skills.git ~/.claude/skills/scientific-agent-skills
# Cursor / Codex 用户（项目级安装）：
git clone https://github.com/K-Dense-AI/scientific-agent-skills.git .agents/skills/scientific-agent-skills

第 2 步：安装科学 Python 依赖

Skills 底层依赖大量科学计算库。使用仓库提供的环境文件一键安装：

cd scientific-agent-skills
# 用 pip 安装核心依赖
pip install -r requirements.txt
# 或用 conda 创建完整科学计算环境（推荐，避免依赖冲突）
conda env create -f environment.yml
conda activate scientific-skills

关键依赖包括：biopython、scanpy、rdkit、scikit-learn、pytorch-lightning、pandas、numpy、matplotlib 等。

第 3 步：执行你的第一个科研任务

打开你的 AI Agent（以 Claude Code 为例），Skills 自动被发现。然后直接描述科研任务：

用 Biopython 从 UniProt 拉取 TP53 蛋白质序列，做多序列比对，
用 RDKit 分析其结合位点的药物相似性，最后生成一份 Markdown 报告。

Agent 会自动调用对应的 Skills：

• bioinformatics/uniprot → 拉取蛋白质数据
• bioinformatics/msa → 多序列比对
• cheminformatics/rdkit → 药物相似性分析
• writing/markdown-report → 生成报告 整个过程无需你手动记忆库的 API、参数或数据格式——Skills 已经封装好了。

常见踩坑

1. 依赖冲突是头号问题：140 个 Skills 依赖 50+ 科学库，版本冲突常见。强烈建议用 conda 而非 pip 创建隔离环境。
2. 部分 Skills 需要外部 API Key：如访问 NCBI Entrez、UniProt、PDB 等数据库需要（免费）注册 API Key，在 ~/.bashrc 或 .env 中导出对应的环境变量。
3. 大模型不一定懂科学：Skills 封装了工具链，但 Agent 背后的 LLM 对科学概念的理解深度决定了结果质量。推荐用 Claude Sonnet 4 或 GPT-4o 级别以上的模型。
4. 化学信息学 Skills 计算密集：RDKit 分子动力学模拟等任务可能非常耗时，建议在 GPU 或有足够内存的机器上运行。
5. 科学数据库 API 有速率限制：批量查询时注意 UniProt、PubChem 等公共 API 的 rate limit，Skills 默认没有内建重试逻辑。

核心技能分类速览

初级用法

1. 单域分析：在生物信息学内完成「序列→比对→可视化」一条龙；
2. 文献辅助：用科学写作 Skills 从 PubMed 检索文献并生成综述草稿；
3. 数据预处理：让 Agent 自动清洗和标准化临床数据；
4. 图表生成：Agent 根据分析结果自动生成符合期刊要求的图表。

高级玩法

1. 跨域桥接：组合基因组学 + 化学信息学 + 临床数据，在一个工作流中完成「基因突变→蛋白质结构变化→药物筛选」全链条；
2. K-Dense BYOK 桌面端：安装 K-Dense BYOK，获得一个自带 Scientific Agent Skills 的本地 AI 联合科学家，40+ 模型可选，数据不出本地；
3. NVIDIA OpenShell 沙箱化：将 Scientific Agent Skills 部署在 NVIDIA OpenShell 沙箱中，获得安全隔离的科研计算环境（参考 K-Dense 博客）；
4. 自定义 Skill 开发：按 Agent Skills 规范编写自己的领域 Skill，提交 PR 到主仓库共享给 16 万+ 科研社区。

小技巧

1. 用 conda 管理环境，「一个项目一个环境」避免依赖地狱；
2. 首次使用某个数据库 Skill 前，先去对应网站注册 API Key（免费），避免运行时被限流；
3. 复杂分析任务拆成多步，让 Agent 每步输出中间结果，方便调试和复现；
4. 关注 K-Dense-AI 博客（k-dense.ai/blog）获取新 Skill 发布和最佳实践；
5. 科学数据往往很大——让 Agent 先做数据采样/降维，验证流程正确后再跑全量。

常见问题 FAQ

Q1: Scientific Agent Skills 需要付费吗？ A: 完全不需要。Skills 本身基于 MIT 协议开源免费。科学数据库（UniProt、PubChem 等）的公共 API 也免费。唯一可能产生费用的是你使用的 AI Agent 的 API 调用费（如 Claude API）。来源: GitHub LICENSE 文件。

Q2: 和通用 Agent Skills（Anthropic 官方 Skills）有什么区别？ A: 定位完全不同。Anthropic 官方 Skills 覆盖通用软件开发（写 PPT、做设计、写代码），Scientific Agent Skills 只做科学研究。两者可以共存，互不冲突。来源: 双方 GitHub README 对比。

Q3: 140 个 Skills 我都要安装吗？ A: 不用。安装是全量的（Skills 本身是轻量 Markdown 文件），但 Python 依赖按需安装。你可以只 pip install 你实际用到的领域依赖（比如只做生信就只装 Biopython + Scanpy）。来源: 官方安装文档。

Q4: 支持哪些 AI Agent？ A: 支持 Cursor、Claude Code、Codex、Gemini CLI、Pi、Antigravity 以及任何遵循 开放 Agent Skills 标准 的 Agent。来源: GitHub README。

Q5: 我是做材料科学的，Sci-AS 有相关 Skills 吗？ A: 有。仓库包含材料科学 Skills（如 DFT 计算、晶体结构分析），以及物理学 Skills（如粒子物理数据分析）。查看 skills/ 目录下的 materials-science/ 和 physics/ 子目录。来源: 仓库目录结构。

Q6: 如何贡献新的科学 Skill？ A: 按 Agent Skills 规范 编写 SKILL.md 文件，放在对应领域目录下，提交 PR。仓库有详细的贡献指南和 Skill 模板。来源: CONTRIBUTING.md。

参考链接

1. 官方仓库: https://github.com/K-Dense-AI/scientific-agent-skills
2. K-Dense BYOK 桌面 AI 联合科学家: https://github.com/K-Dense-AI/k-dense-byok
3. K-Dense-AI 官方博客: https://www.k-dense.ai/blog
4. 开放 Agent Skills 标准: https://agentskills.io
5. NVIDIA OpenShell + Scientific Agent Skills 实战: https://www.k-dense.ai/blog/sandboxed-ai-scientist-openshell-skills
6. Agent Skills 生态目录（查看所有兼容 Skills）: https://skillselion.com