夜雨聆风
给你的 AI 装上 135 个科学技能：Scientific Agent Skills 如何让 Cursor 变身科研助手
📌 GitHub Trending · 2026年5月16日
🔗 github.com/K-Dense-AI/scientific-agent-skills
你的 AI 只会写代码？它还能做科研
你用 Cursor 写代码很爽，用 Claude Code 改 bug 很快。但你有没有想过——
如果让同一个 AI 帮你分析基因序列、筛选药物分子、处理质谱数据、做临床试验统计，会怎样？
大多数人会说："AI 又不懂这些。"
错了。AI 不是不懂，是缺一本"操作手册"。
5 月 16 日，一个叫 Scientific Agent Skills 的开源项目在 GitHub Trending 上爆了。它做的事很直接——给你的 AI 编程助手装上 135 个科学技能，让它从码农变身科学家。
一行命令安装，立刻覆盖生物信息学、药物发现、临床研究、材料科学、天体物理、地球空间科学等 15+ 个学科领域。
135 个技能，覆盖哪些学科？
这不是一个"通用科研助手"的空架子。135 个技能每一个都对应一个具体的科研场景，配有完整的文档、代码示例和最佳实践：
| 学科领域 | 技能方向 | 典型任务 |
|---|---|---|
| 🧬 生物信息学 | 基因组分析、单细胞 RNA-seq | 基因调控网络、变异注释、系统发育 |
| 🧪 化学信息学 | 分子对接、虚拟筛选 | ADMET 分析、先导化合物优化 |
| 🔬 蛋白质组学 | LC-MS/MS 处理 | 肽段鉴定、蛋白质定量 |
| 🏥 临床研究 | 药物基因组学 | 临床决策支持、治疗方案制定 |
| 🧠 医疗 AI | EHR 分析 | 生理信号处理、医学影像 |
| 🖼️ 医学影像 | DICOM 处理 | 全切片分析、计算病理学 |
| 🤖 机器学习 | 深度学习、强化学习 | 时间序列、贝叶斯方法 |
| 🔮 材料科学 | 晶体结构分析 | 相图、代谢建模 |
| 🌌 天体物理 | 天文数据分析 | 坐标变换、宇宙学计算 |
| ⚙️ 工程仿真 | 离散事件仿真 | 多目标优化、过程建模 |
| 📊 数据分析 | 统计分析、网络分析 | 出版级图表、大规模数据处理 |
| 🌍 地球空间 | 卫星影像处理 | GIS 分析、空间统计 |
| 🧪 实验室自动化 | 液体处理协议 | 设备控制、LIMS 集成 |
| 📚 科学写作 | 文献综述、同行评审 | 论文写作、引用管理 |
| 🧬 蛋白质工程 | 结构预测、序列设计 | 功能注释、语言模型 |
一句话：你日常科研需要的工具链，这里基本都有了。
100+ 数据库直连：PubChem、UniProt、COSMIC 随便查
科研最头疼的不是写代码，是找数据。
Public Agent Skills 内置了一个统一数据库查询技能，直连 78+ 个公共数据库：
• 化学：PubChem、ChEMBL、ZINC
• 生物：UniProt、Ensembl、Gene Ontology
• 医学：ClinicalTrials.gov、COSMIC、DepMap
• 经济：FRED（美联储经济数据）、美国财政部数据
• 专利：USPTO
• 科学 ML：Hugging Science（17 个科学领域的数据集/模型/演示目录）
加上 BioServices（40+ 生物信息服务）、BioPython（38 个 NCBI 子数据库）、gget（20+ 基因组数据库）这些专用包，总共 100+ 个数据源可以直接调用。
不需要你去记 API 文档，不需要手写请求。告诉 AI 你要查什么，它自己知道去哪个数据库、用什么接口、怎么解析返回结果。
70+ Python 包深度优化：不只是 import
AI 可以 import 任何包，但"能用"和"用得好"是两回事。
Scientific Agent Skills 为 70+ 个核心科学 Python 包提供了深度优化的技能文档：
| 包名 | 领域 | 优化内容 |
|---|---|---|
| Scanpy | 单细胞分析 | 完整 pipeline、最佳参数 |
| RDKit | 化学信息学 | 分子描述符、指纹计算 |
| PyTorch Lightning | 深度学习 | 训练模板、回调配置 |
| scikit-learn | 机器学习 | 模型选择、超参调优 |
| OpenMM | 分子动力学 | 力场配置、模拟协议 |
| PennyLane | 量子计算 | 量子电路设计 |
| Qiskit | 量子计算 | IBM 量子后端集成 |
| scVelo | RNA 速度 | 动力学模型拟合 |
| TimesFM | 时间序列 | 预测 pipeline |
这些不是简单的"使用教程"——每个技能都包含经过验证的代码示例、边界情况处理、性能调优建议。 AI 在执行任务时会自动参考这些技能，生成的代码质量比裸调高一个量级。
K-Dense BYOK：桌面端 AI 科学家
除了技能库本身，K-Dense 团队还发布了一个配套产品——K-Dense BYOK（Bring Your Own Key）。
这是一个免费开源的桌面端 AI 科研工作站：
• 自带 API Key：支持 40+ 个模型（Claude、GPT-4、Gemini、Llama 等）
• 完整工作空间：Web 搜索、文件处理、100+ 科学数据库
• 全部 135 个技能：开箱即用
• 数据本地化：所有数据存储在你的电脑上
• 可选云端扩展：通过 Modal 跑重计算任务
一行命令启动：
# 安装技能库 npx skills add K-Dense-AI/scientific-agent-skills # 安装 K-Dense BYOK 桌面端 # https://github.com/K-Dense-AI/k-dense-byok
对于科研人员来说，这意味着：不需要会写代码，只需要会描述问题，AI 就能帮你完成从数据获取到分析到可视化的完整流程。
怎么用？一行命令的事
安装方式极其简单，支持所有主流 AI 编程助手：
# 通用安装（支持所有 Agent Skills 兼容客户端） npx skills add K-Dense-AI/scientific-agent-skills # GitHub CLI 安装（支持交互式选择） gh skill install K-Dense-AI/scientific-agent-skills # 指定客户端 gh skill install K-Dense-AI/scientific-agent-skills --agent cursor gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code gh skill install K-Dense-AI/scientific-agent-skills --agent codex gh skill install K-Dense-AI/scientific-agent-skills --agent gemini # 锁定版本（可复现安装） gh skill install K-Dense-AI/scientific-agent-skills --pin v1.0.0
安装后，AI 会自动发现并使用相关技能。你只需要用自然语言描述你的科研任务。
实际场景：AI 帮你筛选抗癌药物
假设你是一个药物研发人员，想找新的 EGFR 抑制剂治疗肺癌。
传统流程：
1. 去 PubChem 查化合物库
2. 用 RDKit 计算分子描述符
3. 用 AutoDock 做分子对接
4. 用 ADMET 工具评估成药性
5. 手动整合结果、写报告
有 Scientific Agent Skills 之后：
"帮我在 ZINC 数据库中筛选潜在的 EGFR 抑制剂，计算 ADMET 属性，做分子对接打分，输出前 20 个候选分子的详细报告。"
AI 会自动调用 database-lookup 技能查 ZINC、用 RDKit 技能算描述符、用分子对接技能跑打分、用数据可视化技能生成报告。一个 prompt，一条流水线。
安全考量：每个技能都经过扫描
科学技能涉及数据获取和代码执行，安全是硬需求。
K-Dense 团队的做法：
• Cisco AI Defense Skill Scanner：每个技能都经过 LLM 安全扫描
• 每周更新扫描：SECURITY.md 文件持续更新
• 社区审查：开源社区参与安全审计
• 建议按需安装：不要一次性装全部，只装你需要的
架构总览
写在最后
"AI 最大的浪费，不是它不会做科研，而是没有人告诉它怎么做。"
Scientific Agent Skills 解决的问题很本质：它把人类科学家积累了几十年的领域知识，编码成了 AI 可以直接调用的技能。 从此，AI 不再只是一个写代码的工具——它是一个随时待命的跨学科科研伙伴。
135 个技能，100+ 个数据库，70+ 个 Python 包。一行命令安装。
你的 Cursor，准备好做科研了吗？
📦 项目信息
• 仓库：github.com/K-Dense-AI/scientific-agent-skills
• 许可证：开源
• 技能数：135
• 数据库：100+
• 桌面端：K-Dense BYOK（免费开源）
• 安装：npx skills add K-Dense-AI/scientific-agent-skills