夜雨聆风上一期我们给大家拆解了claude-scientific-skills这个GitHub仓库，相信不少科研党已经感受到了AI技能库的便捷——它算得上是覆盖面极广的通用科研全能技能库，从基础文献综述、单细胞数据分析，到前沿药物发现、专业科学写作、多场景数据分析，几乎覆盖了科研全流程。
对于日常在用Claude Code、Codex、Cursor这类CLI/智能体工具的小伙伴来说，这个库实用性拉满，但美中不足的是，这类海外工具和库的使用门槛偏高，不仅操作逻辑复杂，还需要额外解决网络翻墙问题，对国内科研人员、医学从业者很不友好。
最近刷GitHub的时候，发现了一个更适配国内使用、专攻医学领域的宝藏项目——FreedomIntelligence/OpenClaw-Medical-Skills，和之前的通用科研库完全不同，它是专为OpenClaw框架打造、目前最大的开源医疗AI技能库，彻底解决了翻墙难题，上手难度直线降低！
可能有小伙伴对OpenClaw框架还不熟悉，这个被大家亲切叫做“小龙虾框架”的工具，可不是普通的AI工具，它更像一个长期在线、可实时接收指令、能挂载工作目录、可持续稳定运行的智能体系统，搭配这个专属医疗技能库，直接把普通AI智能体，升级成专业的医学与生物科研助手。
01
项目核心简介
OpenClaw Medical Skills是经过精挑细选的AI Agent技能集合，足足包含869个专业医疗科研技能，全方位覆盖生物医学、临床研究的全领域场景，所有技能都针对OpenClaw框架深度优化，不用复杂适配，加载就能用，轻松让通用AI智能体变身专属医学科研伙伴。
为了让大家更直观了解技能覆盖范围，我把核心技能分类、数量和代表方向整理成了清晰表格，一目了然：
| 通用与核心 | ||
02
超简单安装教程，新手也能一步搞定
这个库的安装逻辑非常简洁，不需要复杂的环境配置，只要满足基础前置要求，几行命令就能快速部署，适配个人工作区和全局调用两种场景。
2.1 前置准备
已完成OpenClaw框架的安装与正常运行
安装Git工具，用于克隆GitHub仓库（常规科研电脑基本都已预装）
2.2 核心安装命令
打开OpenClaw的操作界面，直接复制以下命令，一步步执行即可，也可以直接把命令发给“小龙虾”（OpenClaw），让它自动完成安装：
# 克隆本仓库git clone https://github.com/FreedomIntelligence/OpenClaw-Medical-Skills.git# 安装到当前工作区的 skills 目录cp -r OpenClaw-Medical-Skills/skills/* <your-workspace>/skills/# 或安装到全局（所有 Agent 均可使用）cp -r OpenClaw-Medical-Skills/skills/* ~/.openclaw/skills/
2.3 安装验证
安装完成后，不用查文件、不用核对路径，直接向OpenClaw（小龙虾）提问一句：
你现在有哪些医疗和临床方面的技能？现在我这边已经有一大批医疗 / 临床 / 生物医学相关 skills 了，主要来自你刚装进去的 OpenClaw-Medical-Skills。03
真实实操案例，一看就会用
案例1：PubMed精准文献检索（pubmed-search）
技能功能：专属PubMed科学文献检索，用户提出查论文、搜文献、找研究、查近期成果等需求，自动触发精准检索，筛选高价值文献。
指令例子：使用pubmed-search 查询近一年AI在医学领域的2篇高分文章
使用pubmed-search 查询近一年AI在医学领域的2篇高分文章我直接按“近一年 + AI in medicine + 尽量高影响力原始研究”的思路在PubMed帮你查 近一年 AI 在医学领域值得优先看的文章下面这批是我觉得更值得你优先看的。───1. A multimodal vision foundation model for clinical dermatology• 期刊：Nature Medicine• 时间：2025-08• PMID：40481209• DOI：10.1038/s41591-025-03747-y为什么值得看这是很典型的医学 foundation model 文章，而且不是只做单任务分类，而是做了：• 多模态皮肤图像• 多中心数据• 多任务评估• reader study2. Remote monitoring of heart failure exacerbations using a smartwatch• 期刊：Nature Medicine• 时间：2026-03• PMID：41862772• DOI：10.1038/s41591-026-04247-3为什么值得看这是可穿戴设备 + 深度学习 + 心衰动态监测 的代表作。核心点用 Apple Watch 数据推断每日 pVO，并预测心衰恶化风险；在外部队列也做了验证。
案例2：基因位点专业解读
（tooluniverse-gwas-snp-interpretation）
技能功能：整合GWAS Catalog、Open Targets Genetics、ClinVar三大权威数据库，自动解读SNP位点的性状关联、功能注释，省去手动查库的繁琐步骤。
指令例子：使用tooluniverse-gwas-snp-interpretation 介绍rs7903146位点
使用tooluniverse-gwas-snp-interpretation 介绍rs7903146位点可以。我先按 tooluniverse-gwas-snp-interpretation 这个 skill ，给你做一个 rs7903146 的结构化介绍。───rs7903146 位点介绍1. 这个位点是什么？• rsID：rs7903146• 所在基因：TCF7L2（transcription factor 7-like 2）• 变异类型：常见单核苷酸变异（SNP）• 大致功能注释：内含子变异（intron variant）• 核心意义：这是目前最经典、重复验证最多的 2 型糖尿病（T2D）易感位点 之一。2. 它最主要和什么疾病相关？最核心关联• 2 型糖尿病（Type 2 diabetes mellitus, T2DM）这是这个位点最稳定、最经典、也是最重要的关联。目前通常还能看到的相关方向围绕糖代谢表型，它还常见于：• 空腹血糖• HbA1c• 胰岛 β 细胞功能• 糖尿病前期 / 葡萄糖稳态相关指标• 某些糖尿病并发症或代谢表型
案例3：医学数据机器学习分析（scikit-learn）
技能功能：基于Python主流机器学习库scikit-learn，实现监督学习（分类、回归）、无监督学习（聚类、降维）、模型评估、超参数调优，专门适配医疗数据场景。
指令例子：虚拟一个数据，使用scikit-learn skill 进行医学风险分析
虚拟一个数据，使用scikit-learn skill 进行分析我直接虚拟一份小数据，用 scikit-learn 跑一个可复现的小分析给你看。先找下对应 skill，再实际跑。我虚拟了一份 300 人的小数据，变量包括：• age：年龄• bmi：体重指数• cholesterol：胆固醇• smoking：吸烟状态（never / former / current）• sex：性别• high_risk：是否高风险（0/1，作为结局）然后用 scikit-learn 做了一个标准流程：1. 划分训练集 / 测试集2. 数值变量中位数填补 + 标准化3. 分类变量 one-hot 编码4. 用 LogisticRegression 建模5. 输出：• confusion matrix• ROC AUC• classification report• 回归系数结果摘要1）数据概况• 样本量：300• 结局发生率：0.272）模型表现• ROC AUC = 0.623• 测试集准确率：0.6933）混淆矩阵[[49 6][17 3]]4）分类报告precision recall f1-score support0 0.742 0.891 0.810 551 0.333 0.150 0.207 20accuracy 0.693 75macro avg 0.538 0.520 0.508 75weighted avg 0.633 0.693 0.649 75变量方向按模型系数看，影响最大的几个变量是：feature coefnum__age 0.704118cat__smoking_never -0.557765cat__smoking_former 0.539628num__bmi 0.509062num__cholesterol 0.475034cat__sex_male 0.047693可以怎么解释在这份虚拟数据里：• 年龄越大，高风险概率越高• BMI 越高，高风险概率越高• 胆固醇越高，高风险概率越高• 吸烟状态里，former 相比基线方向更偏高风险• never smoking 是保护方向这个方向和我构造数据时设定的风险机制是基本一致的。
04
写在最后
相比于海外的通用科研技能库，OpenClaw-Medical-Skills最大的优势就是纯开源、无需翻墙、专攻医学领域，869个精细化技能，覆盖从基础文献工作到高端生信分析、临床研究的全场景，不管是医学生、临床医生，还是生物信息学、医学科研从业者，都能找到适配自己工作的技能。
安装步骤极简，上手零难度，加载完成后，就能把普通的OpenClaw智能体，直接升级成专属自己的医学科研全能助手，大幅提升科研效率，省去大量重复繁琐的手动工作。
这么实用的医疗AI技能库，小伙伴们赶紧按照教程安装试用起来，解锁更多医学科研新玩法～
项目地址：https://github.com/FreedomIntelligence/OpenClaw-Medical-Skills/tree/main
喜欢就点个关注，点个关注，点个关注吧，ResearchBite 与你不见不散！
