ARTICLE · 977208
把AI编程助手变成「桌面AI科学家」:scientific-agent-skills上手指南
一条命令，163 个科研技能装进你的 AI Agent。药物筛选、单细胞分析、多组学整合，一句话 prompt 全跑通。
先看一条真实的 prompt：
Use available skills you have access to whenever possible. Query ChEMBL for EGFR inhibitors (IC50 < 50nM), analyze structure-activity relationships with RDKit, generate improved analogs with datamol, perform virtual screening with DiffDock against AlphaFold EGFR structure, search PubMed for resistance mechanisms, check COSMIC for mutations, and create visualizations and a comprehensive report.这段话丢给普通的 AI 编程助手，它会现查 API 文档、现装依赖，跑三步错两步。但如果你给它装上 scientific-agent-skills，它会直接调起一整套预先写好的科研工作流，查 ChEMBL、做构效分析、跑分子对接、检索文献，最后吐出一份带可视化的完整报告。
这是 K-Dense 开源的一套科研技能库，MIT 协议，GitHub 上可以直接白嫖。
桌面AI科学家概念图
它到底是什么
项目前身叫 Claude Scientific Skills，只服务 Claude。后来更名成 Scientific Agent Skills，因为现在只要支持 Agent Skills 开放标准（agentskills.io）的 AI 工具都能用——Claude Code、Cursor、Codex、Gemini CLI、Google Antigravity，一个技能包通吃。
本质上，它是一堆写得很扎实的 SKILL.md 文件。每个技能包含完整文档、可运行的代码示例、最佳实践，还带测试套件（CI 会拦截没配测试的新技能）。Agent 读到这些文件，就等于拿到了某个科研领域的「操作手册」。
版本号 v2.64.0，目前收录 163 个技能，大致分五类：
- 100+ 科学数据库技能
：统一的 database-lookup 提供对 PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov 等 78 个公共库的确定性访问，外加 DepMap、PrimeKG 等专用技能 - 70+ Python 包技能
：RDKit、Scanpy、PyTorch Lightning、scikit-learn、GeoPandas、Qiskit 这些科研常用包，都有版本感知的优化用法指导 - 9 个科研平台集成
：Benchling、DNAnexus、Opentrons 移液工作站、Ginkgo Cloud Lab 等 - 30+ 分析与写作工具
：文献综述、同行评审辅助、PPTX 学术海报、Mermaid 图表 - 10+ 研究工具
：证据约束的假设生成、基金申请撰写、PK/PD 建模与剂量选择、ISO 13485/14971 标准准备
163个技能五大类
覆盖面从生物信息、药物发现、蛋白质工程，到材料科学、地理空间遥感、实验室自动化。官方的说法是：把你桌面上的 AI 编程 agent 变成一位 AI 科学家。
安装：三种姿势
方式一：npx 一把梭
npx skills add K-Dense-AI/scientific-agent-skills适用于 Claude Code、Codex、Gemini CLI、Cursor 等主流宿主，标准安装器会自动放到正确的目录。
方式二：GitHub CLI
# 交互式浏览并安装 gh skill install K-Dense-AI/scientific-agent-skills # 只装某一个技能，比如 scanpy gh skill install K-Dense-AI/scientific-agent-skills scanpy # 指定宿主 gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code gh skill install K-Dense-AI/scientific-agent-skills --agent cursor需要 GitHub CLI v2.90.0+。它还会记录安装来源元数据，供应链上更干净。做严肃研究建议锁版本：
gh skill install K-Dense-AI/scientific-agent-skills --pin v2.64.0更新也简单：gh skill update --all。
方式三：手动 clone
这个仓库同时是一个标准的 Agent Plugins 包，Cursor 用户可以直接软链进本地插件目录：
mkdir -p ~/.cursor/plugins/local ln -s "$(pwd)" ~/.cursor/plugins/local/scientific-agent-skills重启 Cursor 后在 Customize 面板确认技能加载成功。其他宿主用通用的路径约定：
# 用户级 git clone https://github.com/K-Dense-AI/scientific-agent-skills.git \ ~/.agents/skills/scientific-agent-skills # 项目级 git clone https://github.com/K-Dense-AI/scientific-agent-skills.git \ .agents/skills/scientific-agent-skills
三种安装方式
一个实用建议： 163 个技能全装会让常驻上下文变得很重，官方自己也提醒——按你的研究方向装子集，别一上来全量。做单细胞就装 scanpy + cellxgene-census + pydeseq2 那几个，做药物发现就装 rdkit + diffdock + database-lookup。
真实示例：一句话跑通科研流水线
下面三个例子全部来自官方 README，装好技能后直接复制就能试。
示例一：EGFR 抑制剂药物发现
目标：为肺癌临床前研究筛选 EGFR 抑制剂候选物
Use available skills you have access to whenever possible. Query ChEMBL for EGFR inhibitors (IC50 < 50nM), analyze structure-activity relationships with RDKit, generate improved analogs with datamol, perform virtual screening with DiffDock against AlphaFold EGFR structure, search PubMed for resistance mechanisms, check COSMIC for mutations, and create visualizations and a comprehensive report.调用的技能链：database-lookup → rdkit → datamol → diffdock → paper-lookup → scientific-visualization。原本需要几天拼凑的 API 对接工作，agent 按手册逐步执行。
药物发现流水线
示例二：单细胞 RNA-seq 全流程分析
目标：10X Genomics 数据分析 + 公共数据整合
Use available skills you have access to whenever possible. Load 10X dataset with Scanpy, perform QC and doublet removal, integrate with Cellxgene Census data, identify cell types using NCBI Gene markers, run differential expression with PyDESeq2, infer gene regulatory networks with Arboreto, enrich pathways via Reactome/KEGG, and identify therapeutic targets with Open Targets.质控、双细胞去除、细胞类型注释、差异表达、基因调控网络推断、通路富集、治疗靶点识别——八个环节一个 prompt 串完。
单细胞RNA-seq分析流程
示例三：多组学生物标志物发现
目标：整合转录组 + 蛋白组 + 代谢组预测患者结局
Use available skills you have access to whenever possible. Analyze RNA-seq with PyDESeq2, process mass spec with pyOpenMS, integrate metabolites from HMDB/Metabolomics Workbench, map proteins to pathways (UniProt/KEGG), find interactions via STRING, correlate omics layers with statsmodels, build predictive model with scikit-learn, and search ClinicalTrials.gov for relevant trials.三组学数据整合是生信里出了名的脏活，这里也被拆成了清晰的技能流水线。
多组学整合
几个值得注意的边界
项目文档里反复强调了几件事，用之前要清楚：
- 科研用途，不是临床决策
。变体注释、临床报告类技能产出的是「带证据溯源的草稿结构」，最终解释权在具备资质的专业人员手里，不做个体诊断和治疗建议 - 技能是优化路径，不是能力上限
。Agent 理论上能用任何 Python 包，但列出的这些技能经过测试、带版本约束，可靠得多 - 每个技能的 scripts 都配了测试
，CI 强制校验，社区贡献有质量门槛
写在最后
Agent Skills 这个开放标准正在把「给 AI 装能力」这件事变成即插即用。scientific-agent-skills 是目前科研领域做得最全的一套，从查数据库到写基金申请书都有覆盖。
项目地址：https://github.com/K-Dense-AI/scientific-agent-skills