AI 会写完美的 PCR 引物设计脚本，然后选错了统计检验

4.9 万 Star 的科研技能库，补的是模型最缺的那块：程序性知识。

让 GPT 帮你写一段单细胞 RNA-seq 的分析代码，它会写得非常漂亮。跑起来也没报错。然后你把图拿给导师看，导师问了两个问题："为什么用 t-test 而不是 Wilcoxon？""这个基因的 ID 是哪个命名空间的？"——你答不上来。

这就是当前 AI 做科研的真实断层：代码能跑（runnable）≠ 结论站得住（defensible）。前者只需要语法正确，后者需要知道这个领域默认该跑哪个检验、哪个数据库的标识符才是权威、哪些坑必须在论文里写明。这些东西从来不在预训练语料的核心区，它们写在各个实验室的 SOP 里。

K-Dense 的 scientific-agent-skills 就是来填这个洞的。4.9 万 Star，177 个经过验证的技能，100+ 科学数据库。

一、它到底是什么

一句话：一个给 AI Agent 用的"科研操作手册"库，遵循开放的 Agent Skills 标准。

每个技能是一个目录，核心是一个版本化的、人能读懂的指令文件（SKILL.md），外加参考资料和可直接运行的脚本。Agent 平时不加载它们，只有在任务匹配时才按需读取——这既省上下文，也避免指令互相污染。

它和"给 LLM 加一堆 API 工具"的本质区别在于：它交付的不是能力，是判别力。一个技能会明确告诉 Agent：做这件事领域公认的做法是什么、哪些做法是陷阱、结果必须附带哪些前提声明。

二、凭什么火成这样

1. 覆盖面不是"什么都会一点"，而是按领域分层

生物学与基因组学（序列分析、单细胞 RNA-seq、混合 CRISPR 筛选、引物设计、扩增子微生物组、变异注释、系统发生）、化学信息与药物发现（分子性质预测、虚拟筛选、ADMET、分子对接、先导化合物优化、一维 NMR 处理）、蛋白质组与质谱（LC-MS/MS 处理、肽段鉴定、谱图匹配）、临床研究与证据工作流（临床试验、药物基因组学、PK/PD 建模、剂量方案评估）、医疗 AI 与生物信号、临床前研究与动物福利、显微成像与数字病理、地球科学、时间序列预测、科研绘图与学术写作。

按 arXiv 论文（编号 2609.00065）的说法，覆盖 16 个实践领域，其中生物信息学、药物发现、医学三大块是它的主战场。

2. 有论文，而且论文很诚实

这篇 arXiv 论文明确写了：本报告没有做任务级评测，也没有汇报宿主选择率。换句话说，作者没有夸大模型效果，而是把重点放在"每个技能如何把领域的程序性选择显式化"上。这种克制的学术态度，在火速冲榜的开源项目里相当少见，也让它比一堆"效果提升 XX%"的宣传可信得多。

3. 不绑定任何厂商，改名即是态度

这个项目前身叫 Claude Scientific Skills，近期正式更名。遵循开放 Agent Skills / Agent Plugins 标准（plugin.json + skills/），兼容 Claude Code、Cursor、Codex、Pi、Google Antigravity 等任意支持的宿主。 这意味着你今天在 Claude Code 上积累配置，明天换别的工具也能带走。避开锁定，是开源科研基础设施的基本操守。

4. 工程化程度不像个"文档仓库"

CI 里跑安全扫描（对 fork 来的 PR 做限制），有技能测试，有 AGENTS.md、贡献指南、行为准则，近期还移除了内置的 Anthropic 文档技能以保持干净。**发布节奏稳定（当前 v2.72.0），760+ 次提交。**另外配套了开源桌面应用 K-Dense BYOK：本地运行、自带 API key，可选 Modal 云算力扩展——数据不出本机。

三、怎么用起来

前置依赖：任意支持 Agent Skills 标准的宿主工具。最短路径：

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

然后把 skills/ 下你需要的目录挂到 Agent 的技能路径里（具体位置看宿主的文档）。如果你用的是支持 Agent Plugins 标准的客户端，整个 repo 作为一个插件加载即可。

不想折腾就用 K-Dense BYOK：开源桌面应用，自带 40+ 模型可选、联网搜索、文件处理、100+ 数据库，一次性用上全部 177 个技能。建议先从你需要的一两个技能试起，别一次性全挂——技能加载本身要占上下文。

四、谁该装，谁别装

该装：生物信息、药物发现、医学、化学方向的科研人员和学生；需要把常规分析流程（比如 LC-MS/MS 处理、变异注释、文献证据综述）固定下来反复执行的实验室；给学生当"规范检查清单"用，比看新人怎么写更省事儿。

别装：期待 AI 全自动出结论的人。这个库的设计前提就是 人要懂行——它给的是程序性知识，不是科学判断。把它当家教的实习生可以，当审稿人不行。做纯 Web 开发的同学也用不上——这里面为科研设计的流程，跟你的日常需求基本不搭。

五、一句冷静话

这个项目的判断我非常认同：** AI 做科研的瓶颈已经从"能不能跑通代码"转移到"跑出来的东西能不能进正文"。**177 个技能不是在教模型写代码，而是在给模型立规矩。同时把这套东西做成开放标准而非某家插件，说明发起方想做的是基础设施，不是流量入口。

但必须泼两盆冷水。

第一，技能质量高度依赖它的维护方。K-Dense 是一家公司（背后有 Google AI Futures Fund 支持），主打产品是付费的 K-Dense Web 和企业版，开源技能库既是贡献也是漏斗。这不是问题，但你要明白：维护优先级服从商业节奏，别把全部工作流焊死在它上面。

第二，论文自己也承认没有任务级评测。也就是说"177 个经验证的技能"里的"验证"，更多是保证程序跑得通、指令合规，而不是保证科学结论正确。任何要进论文的结果，仍然必须人工复核。 顺便一提，项目协议从早期的许可改成了 MIT（2025 年 10 月），商用友好度没问题。

能给 AI 补上的，是规范和流程；补不上的，是科学品味。

项目卡片

数据来源：GitHub Trending 每日榜（采集时间 2026-10-03 ~ 2026-10-15）