别乱装AI插件了！这套科研Skill，才是高效

今天聊的 Scientific Agent Skills，就是这么一套按需拆解的科研工具箱。
这是什么？
项目：scientific-agent-skills
它不是"把科研全甩给AI"的万能神器，而是写给AI Agent的操作规范——什么场景调什么工具、参数怎么留痕、哪些结论不能随便下。

一、文献检索
很多人打开AI第一句就是"帮我找XX方向的最新文献"，然后收到一份整齐的论文列表。推荐组合：paper-lookup + database-lookup + literature-review，要定位原文再加 paperclip。paper-lookup对接PubMed、arXiv等11个学术接口，检索可复现；database-lookup覆盖78个公共数据库；literature-review负责整理筛选和证据综合；paperclip专攻全文检索，锚定到原文。

二、研究设计
很多问题不是出在统计阶段，而是实验设计一开始就埋了雷：处理组和批次混在一起、重复测量当独立样本、样本量全靠拍脑袋。到时候再换多复杂的统计方法，也救不回来。推荐组合：scientific-brainstorming + hypothesis-generation + scientific-critical-thinking + experimental-design + statistical-power
从铺开方向、筛可验证假设、找因果跳跃、处理实验结构到估算样本量，一套流程把设计大坑提前堵上。

三、数据分析
"我把数据发你，帮我分析一下"——这句话最省事，风险也最大。AI可能悄悄处理缺失值、删异常值、自动选统计检验，最后甩给你一段斩钉截铁的结论，但中间发生了什么已经说不清。
推荐组合：exploratory-data-analysis + statistical-analysis + uncertainty-and-units，需要具体模型再加statsmodels或pymc。探索性分析只做数据检查，不替你"修数据"；统计分析把检验选择、前提假设、效应量串成流程；不确定度模块处理单位一致性和误差传播。## 四、专业分析
单细胞矩阵、分子结构、病理切片、空间数据，虽然都叫"数据"，但处理起来完全是两个世界。拿通用脚本硬套十有八九出问题。按类型选： 单细胞用scanpy，分子药物用rdkit，数字病理用pathml，空间数据用geopandas

五、写作与投稿
一句话把所有活甩给AI确实省提示词，但证据核验、论文写作、科研绘图、期刊格式本来就是四件不同的事。全混在一起，哪个环节出了问题根本追溯不到。
推荐组合：scientific-writing + citation-management + scientific-visualization + venue-templates + peer-review，要精细控制统计图再加matplotlib或seaborn。