夜雨聆风全文约 2973 字 · 阅读约 7 分钟
项目信号：★31384 stars，3128 forks，主要语言 Python，MIT 协议，2025-10-19 创建、2026-07-21（今天）刚推送过更新，open issues 38，150 人 watch。不到九个月冲到三万多星、当天还在提交，关注度和维护活跃度都摆在那里。
- Agent Skills 开放标准：一套约定，技能写成纯文本指令后能被 Cursor、Claude Code、Codex、Pi、Antigravity 等多种 AI 助手通用，而不绑定某一家。
- 技能（skill）：一个 `SKILL.md` 指令文件加配套示例，对应一件具体的科研任务，AI 助手读了照着执行。
- database-lookup：一个统一的数据库查询技能，用确定性的接口调用去查 78 个公共数据库（PubChem、UniProt、ClinicalTrials.gov、FRED 等），每条结果都带出处。
- K-Dense BYOK：官方配套的桌面版 AI 协作助手，自带钥匙、数据留在本机，可选调用云端算力。
这个库本身不含任何模型能力，它卖的是把成熟科研套路写成标准化、可跨平台安装的指令。它的价值是标准化和可移植，不会让模型变聪明。
项目结构
对着结构看，这个项目由三块拼成。`skills/` 目录下每个技能一个文件夹，148 个按领域铺开，从 adaptyv、aeon、anndata 一路排到生物、化学、临床各科；`docs/` 放示例和技能清单；`.github/workflows` 跑安全扫描。数据流也简单，安装是纯本地的文件拷贝，`npx skills add`、`gh skill install` 或直接 git clone 到助手的技能目录；到了用的时候，AI 助手加载对应的 `SKILL.md`，用你接的那个模型去执行；只有 database-lookup 这类技能才会额外去调真实数据库的接口。
148 这个数字得打个折扣看。 这个库的重心压倒性地压在湿实验室，基因组学、药物发现、蛋白质工程、质谱、临床医学占了绝大多数。面向通用或社会科学的研究者，真正够得着的是文献检索、科学写作、同行评审、引用管理、跨库取数这一小块，也就是 README 里 Scientific Communication 分类下那二十来项。库大，不等于对你有用的部分大。
上手评级为中。 装一个技能是一行命令的事，`npx skills add K-Dense-AI/scientific-agent-skills` 就能拉进来；仓库工具要 Python 3.13+ 和 uv 包管理器（见 `pyproject.toml`），系统支持 macOS、Linux 和带 WSL2 的 Windows。装完之后才是要花功夫的部分。
关键配置：skills/autoskill/config.yaml
以 autoskill 这个技能的配置为例，它的 `config.yaml` 要你先选一个后端。默认是 `local`，走本机的 LM Studio、屏幕内容不出机器；也可以切成 `claude` 或 `foundry` 这类云端后端，那就得填 `ANTHROPIC_API_KEY` 之类的环境变量；此外还要给 screenpipe 配一个本地端口和 token。这说明真正重的技能不是装完即用，得自己接模型、配服务、给密钥。 轻的技能（文献检索、写作这些）配置要简单得多，几乎拿来就跑。
评级落在中，是因为装很轻、跑重技能不轻这两头得一起算。库本身免费开源（MIT），装它不花钱；花钱的地方在库之外，跑起来靠你接的那个 AI 助手，按量计费的模型费照付，生物化学类技能依赖的底层工具（RDKit、Scanpy 等）也得你自己另装。
它帮得上手的环节，集中在文献检索、写作润色、同行评审、图表、以及跨数据库取数这些有固定套路的工作。
这个库里最该学的一招，是 database-lookup 把取数做成了确定性、带出处的调用。 README 讲它对 78 个公共数据库用统一接口，带检索契约、分页与计数核对、端点出处。数据是真去接口查来的、每条能追回来源，这正好压住了模型凭记忆编数据、编文献的老毛病。对做实证、需要可复现引用的研究者，这个设计方向是对的。
但写作和引用这一关，仍然不能盲目交给它。 database-lookup 管的是去真实库里查数据，不会对你稿子里每一条引用逐条回查核验，模型去补全或生成引用时，编造文献、编造 DOI 和页码的风险照旧存在，凡是模型给出的引用，都要回到原始文献核对后再用。
技能装得再多，产出的天花板还是你背后那个模型。 技能省的是重复写提示词、重复交代流程的时间，以及让不同任务用上同一套规范的一致性，省时间的效果对已经在用这类助手的人是实打实的；指望它替你做学术判断，则会失望。
对研究者最要紧的一条，这个库自己在 README 里挑明了。它专门写了一段安全声明，说技能能在你的机器上执行任意代码、装包、发网络请求、改文件。
这意味着装一个技能，等于给 AI 助手开了一扇能动手的门。148 项里有相当一部分是社区贡献，官方用 Cisco 的 AI Defense 扫描器每周扫一遍（`pyproject.toml` 里就带着 `cisco-ai-skill-scanner` 这个依赖），但 README 也说，扫过不等于绝对安全。安全的用法是只装你真正要用的那几个、装前读一遍它的 `SKILL.md`，而不是图省事把整库拉下来。
另一半风险和执行阶段有关。技能文件本身在本地，但你让写作或分析技能处理一份草稿，草稿就发给了背后的云端模型；database-lookup 的检索词也会发到对应的数据库接口。未发表的数据、稿件、以及受伦理约束的访谈或被试信息，绝不该在接云端模型时丢进这类技能里跑。
相对让人放心的一点，是这个生态默认留了本地路径。像 autoskill 的配置默认就走本机模型、屏幕内容不出机器，官方还出了 K-Dense BYOK 这个桌面版，数据留在本地、自带钥匙。想在敏感材料上用它，前提就是把底层模型换成本地部署，并自行确认所用技能会不会把内容发往第三方。
来源：科学智能体技能库（K-Dense-AI/scientific-agent-skills），https://github.com/K-Dense-AI/scientific-agent-skills ，★31384，MIT 协议。
