一个 AI agent 会查文献、跑单细胞测序分析、做分子对接、筛药物候选、写带引用溯源的研究报告。支撑这些能力的,是 163 个 Markdown 文件加配套脚本,背后没有一个专门训练的科研大模型。
GitHub 上的 K-Dense-AI/scientific-agent-skills 目前 39k+ star，日增超过 1100,版本号 2.65.0,MIT 协议。它的定位写在仓库描述里:Turn any AI agent into an AI Scientist。你不需要换掉手头的编程助手,给它装上一组"技能包",它就能执行完整的科研工作流。
技能包里装的是什么
Scientific Agent Skills 基于 Anthropic 在 2025 年 10 月推出的 Agent Skills 机制。一个 skill 就是一个文件夹,核心是一份 SKILL.md,用 Markdown 写清这个技能做什么、什么时候用、依赖哪些工具,可以附带脚本和参考资料。agent 读到描述后判断当前任务是否匹配,匹配才加载完整内容。
这套机制在 2025 年 12 月被 Anthropic 开放为跨平台标准,如今 Claude Code、Codex、Cursor、Gemini CLI、Google Antigravity 都能装同一份技能包。Scientific Agent Skills 顺势把这套格式搬进了科研领域:一个技能封装一条科研工作流的经验,比如怎么用 RDKit 做分子性质预测、怎么用 Scanpy 处理单细胞 RNA 测序数据、怎么调 PubMed 做文献检索。
相比给模型塞一本厚厚的手册,这种按需加载的模式对上下文窗口友好:agent 平时只带着每个技能一两句的描述待命,任务来了才读全文。Anthropic 把这个设计称为渐进式披露,Scientific Agent Skills 在此之上做了领域化——它的技能往往还带可执行脚本和参考数据,agent 读完文档可以直接照着跑,不用自己从头拼命令。
仓库目前收录 163 个技能,官方分成五类:
| 类别 | 数量 | 代表 |
|---|---|---|
| 科学数据库接入 | 100+ 数据库 | 统一的 database-lookup 技能覆盖 PubChem、ChEMBL、UniProt、ClinicalTrials.gov 等 78 个公共库 |
| Python 科研包工作流 | 70+ 包 | RDKit、Scanpy、PyTorch Lightning、GeoPandas、pymatgen、Qiskit、OpenMM 分子动力学 |
| 科研平台集成 | 9 个平台 | Benchling、DNAnexus、Opentrons 实验室自动化 |
| 分析与写作工具 | 30+ | 文献综述、证据可溯源的科学写作、同行评审辅助、幻灯片与信息图生成 |
| 研究与临床方法 | 10+ | 证据边界内的假设生成、基金申请书起草、PK/PD 剂量建模、ISO 13485 体系文件准备 |
每个技能都带文档、代码示例和用例说明。凡是附带脚本的技能,仓库要求必须配测试套件,CI 会拦截没有测试的 PR。所有技能每周跑一次 LLM 安全扫描(用 Cisco AI Defense 的 skill-scanner),全量重扫至少每 30 天一轮,扫描结果公开在仓库的 security-report.md 里。
一个完整工作流长什么样
仓库 README 给的示例提示词,大致是这个形态:
用你可用的技能完成:查 ChEMBL 找 EGFR 抑制剂(IC50 < 50nM),
用 RDKit 分析构效关系,用 datamol 生成改进类似物,
以 AlphaFold 的 EGFR 结构为靶点做 DiffDock 虚拟筛选,
检索 PubMed 里的耐药机制,查 COSMIC 突变库,
最后生成图表和完整报告。这一段提示词会串起 6 个技能:database-lookup、rdkit、datamol、diffdock、paper-lookup、scientific-visualization。换到单细胞测序场景,同样的模式走 Scanpy 质控去 doublet、Cellxgene Census 数据整合、PyDESeq2 差异表达、Reactome/KEGG 通路富集,全程一条提示词驱动。
这背后的思路值得展开。大模型本身已经掌握 RDKit、Scanpy 这些库的通用知识,但版本会过时、参数会记错、最佳实践会漂移。技能包做的事情是把"某条工作流在当前版本下的正确用法"固化成文档,agent 按文档执行,错误率显著低于裸调 API。K-Dense 在项目博客里有个直白的说法:这些技能为列出的软件包提供"更强、更安全"的引导,agent 仍可以用任何 Python 包,技能只是预先文档化的优化路径。
安装与生态位
安装走 Agent Skills 标准的通用入口:
npx skills add K-Dense-AI/scientific-agent-skills或用 GitHub CLI 的技能命令(2.90.0+):
gh skill install K-Dense-AI/scientific-agent-skills scanpy支持 --pin 固定版本、--agent 指定目标宿主,gh skill 会记录来源元数据做供应链追踪。仓库同时是一个合法的 Agent Plugins 1.0.0 包,Cursor、Codex 等支持插件机制的客户端可以把 163 个技能作为一个整体加载。
依赖方面,工具链要求 Python 3.13+ 和 uv 包管理器,技能各自的依赖由 uv 在安装时处理。官方明确建议只装需要的子集:163 个技能全量安装会占大量常驻上下文,而仓库现在包含大量社区贡献,官方自己的安全建议是"不要一次全装",装前读 SKILL.md,可以用 Cisco 的扫描器本地先扫一遍。
拿它跟相邻项目对比,生态位比较清楚:MCP 数据库服务器解决"agent 怎么连数据",技能包解决"agent 怎么按领域最佳实践干活"。Scientific Agent Skills 与 macOS 上的 AI 科研客户端 Estate 的关系则是同类竞争,两者都走"本地 agent + 领域技能"路线。区别在于 Scientific Agent Skills 不锁定任何宿主,任何支持 Agent Skills 标准的 agent 都能用。
Agent Skills 这个标准本身也在被快速消费:OpenAI 的 Codex、Cursor、Gemini CLI 先后宣布兼容,开源社区里 skill 分享平台和精选列表陆续出现,agent infrastructure 方向的讨论里"skills 还是 MCP"成了常见议题。Scientific Agent Skills 的爆发时间点踩在这个浪上——它证明了标准格式在垂直领域照样能撑起一个大体量项目,163 个技能全部走同一套 SKILL.md 契约,CI 强制校验结构一致性,这种工程化程度在社区技能仓库里少见。Dify 等工作流平台的思路是图形化编排节点,Scientific Agent Skills 走的是另一条路:把编排权交给 agent,人只提供高质量的领域知识文档。两条路线的适用场景不同,前者适合固定流程,后者适合探索性任务。
对开发者的实际意义
对生物、化学、医药背景的研究者,这是让 Claude Code 们直接接手领域工作流的最短路径——不用自己整理提示词库,不用逐个读库文档,装上即用。
对 skill 开发者,这个仓库是目前规模最大的领域技能集参考实现:frontmatter 怎么写、渐进式披露怎么分层、带脚本的技能怎么配测试、社区贡献怎么过安全审计,都有可以直接抄的作业。它的 CI 契约(结构检查、链接解析、脚本 --help 行为、安全扫描)本身就是一份"技能包工程质量标准"。
项目的贡献者列表里也能看到行业协作的痕迹:docx、pdf、pptx、xlsx 四个文档技能由 Anthropic 维护并按其条款引入,来自 anthropics/skills 仓库。