Scientific Agent Skills

148 个即用型科学 Agent Skills，覆盖生物信息学、化学信息学、临床研究、材料科学、地理空间科学、机器学习等领域，基于开放的 Agent Skills 标准。由 K-Dense Inc. 维护。

状态: active · 总分: 3.9/5 · 推荐度: 3/5

一句话总结

面向生物医药/化学/材料/地理空间/数据科学研究者的 Agent Skills 集合：通过 148 个技能文档，为支持 Agent Skills 标准的 AI agent 提供科学工具、数据库与工作流的结构化操作知识。

总体评价

Scientific Agent Skills 是目前开源生态中覆盖面最广的科学 Agent Skills 合集之一。其核心价值不在于提供新运行时，而在于用 148 个结构化 skill 整理科学 Python 库、数据库、研究平台与工作流的操作知识；v2.53.0 又强化了数据库查询的确定性、分页、来源记录与不可信响应处理 [GH:v2.53.0]。

适合：使用 Cursor/Claude Code/Codex 等现代 agent 进行科学计算的研究者；需要快速搭建药物发现、基因组分析、材料筛选等管线的团队。

不适合：不使用 Agent Skills 生态的研究者（需先采纳支持该标准的 agent）；研究领域偏纯数学/理论物理（当前 skills 偏应用科学）。

一句话：若你的研究落在其覆盖的应用科学领域且使用现代 AI agent，这是值得优先了解的技能包之一；但项目仍年轻，维护集中与 skill 供应链风险决定了它更适合审查后按需采用。

推荐度：3/5

2026-06 推荐度重校准：采用证据弱，skill/code-execution 模型有指令供应链风险，维护集中；阅读价值高但采用推荐应保守。

角色定位：面向使用 Claude Code、Cursor、Codex 或 Gemini CLI 进行科学计算的研究者，特别是生物信息学、药物发现、化学信息学、临床研究、材料科学、单细胞组学等领域的从业者。

推荐度 3/5 的核心正面理由是领域匹配度：对上述应用科学领域的研究者而言，这是一套覆盖面极广、文档质量优秀的即用技能集；但对于纯数学、理论物理或随机图方向，受益有限。项目约 9 个月历史且维护仍集中于 K-Dense，中期可持续性仍需观察。

核心痛点：约 9 个月历史，尚未经历长期压力测试；版本迭代快但迁移信息仍弱；高度依赖 K-Dense 组织，关键人物风险显著。

结论：值得了解、跟踪并尝试安装几个与你研究相关的 skill，但不应将其视为不可替代的基础设施。将关键人物/组织集中风险纳入依赖评估。

优势

1. 领域覆盖极广 — 148 个 skill、100+ 数据库入口、70+ 优化的 Python 包 skill，并新增地理空间、实验室自动化与 agent infrastructure 等覆盖 [GH]
2. 文档质量高 — 每个 skill 包含完整的使用指南、代码示例、最佳实践章节和常见陷阱，远超市面上大多数「只给 prompt 模板」的 skill 项目；23 个完整工作流示例展示了多 skill 编排能力
3. 基于开放标准 — 遵循 Agent Skills 开放标准（agentskills.io），不限特定 agent 平台，Cursor、Claude Code、Codex、Gemini CLI 均可使用
4. 安装简便 — npx skills add 或 gh skill add 一键安装，agent 自动发现可用 skill
5. 安全流程 — 明确的安全免责声明 + 每周 LLM 安全扫描（Cisco AI Defense Skill Scanner）+ 用户自查指引

劣势

1. 项目仍年轻 — 创建于 2025 年 10 月，约 9 个月历史，尚未经历足够长的时间检验和社区压力测试
2. 维护高度集中 — 组织账号 K-Dense-AI 维护，顶级贡献者 TKassis（105 次贡献）远超其他贡献者（38-9 次），关键人物风险显著
3. 领域偏应用科学 — 对纯数学、理论物理、计算理论等方向覆盖不足；Develata 的随机图研究方向受益有限
4. 安全模型依赖用户自查 — skill 可执行任意代码、安装包、网络请求、修改文件，安全最终责任在用户侧，skill 审查机制无法完全消除供应链风险
5. 无清晰稳定性承诺 — 当前已到 v2.53.0，release note 仍以提交摘要为主，缺少版本策略和迁移指南；skill 内容与依赖可随版本快速变化 [GH:v2.53.0]
6. 生态系统依赖 — 当前仓库 tooling 要求 Python 3.13+、uv，以及支持 Agent Skills 标准的 client；各 skill 依赖可有不同 Python 范围 [GH]

适合什么场景

• 使用 Claude Code/Cursor/Codex 等现代 agent 进行生物信息学或化学信息学研究
• 需要快速搭建药物发现管线（ChEMBL → RDKit → DiffDock → AlphaFold → PubMed）
• 单细胞 RNA-seq 分析（Scanpy → Cellxgene → PyDESeq2 → Reactome/KEGG）
• 临床变异解读（VCF → Ensembl VEP → ClinVar → COSMIC → 临床报告）
• 材料科学计算、量子化学、分子动力学模拟
• 研究 grant 写作、科学海报/幻灯片制作、文献综述（附带的分析与写作工具）
• 需要一键接入 78+ 科学数据库（ChEMBL、PubChem、ClinVar、COSMIC 等）

不适合什么场景

• 纯数学/随机图/统计物理研究 — 当前 skill 覆盖不足，受益有限
• 不使用 Agent Skills 标准 agent 的研究者 — 需先采纳支持该标准的工具
• 对供应链安全要求极高的环境 — skill 执行任意代码，安全最终依赖用户审查
• 需要长期稳定 skill contract 的项目 — 项目约 9 个月历史，仍缺少清晰稳定性承诺
• 希望「all-in-one」工具而非 skill 集合的场景 — 这只是给 agent 的提示/文档，不提供独立的 GUI 或运行时

与类似项目对比

项目	定位	相对本项目
Claude Scientific Writer	K-Dense 的科学写作专用技能集	本项目覆盖科学分析到写作的更宽范围；对方聚焦写作定位
awesome-claude-skills 生态	多仓库、多维护者的 skill 发现入口	本项目统一收录科学 skills；topic 生态更分散，未按同一评分框架审计
Aminer / Paper Digest	学术搜索引擎/文献综述	本项目是 agent 技能文档，不是搜索服务；可与搜索服务互补
各库官方文档	RDKit、Scanpy 等科学库的官方文档	本项目提供「让 agent 可靠使用这些库」的结构化指导，与官方文档互补而非替代

与 Claude Scientific Writer 的区别：CSW 专注科学写作（论文、审稿、海报），Scientific Agent Skills 涵盖从实验到写作的全流程。两者出自同一组织，可配合使用。

它能做什么

科学数据库查询：通过统一的 database-lookup skill 接入 78 个公共数据库，并由专用 skill 与多数据库 Python 包扩展到 100+ 数据源入口。v2.53.0 增加了更明确的检索契约、分页、来源记录和不可信响应处理 [GH:v2.53.0]。

Python 科学计算：70+ 优化的 Python 包 skill，包括 RDKit（化学信息学）、Scanpy（单细胞分析）、PyTorch Lightning（深度学习）、BioPython、OpenMM（分子动力学）、PennyLane/Qiskit（量子计算）、TimesFM（时间序列预测）、scVelo（RNA 速度）等。每个 skill 包含文档和使用示例，目标是提升 agent 在对应库上的代码生成可靠性和上下文感知能力。

分析工具与科学写作：30+ 分析/写作工具涵盖文献综述、科学写作、同行评审、海报生成、幻灯片制作、Mermaid 图表、文档处理等。另有 10+ 研究/临床工具：假设生成、grant 写作、临床决策支持、治疗方案制定、法规合规检查、情景分析等。

科学平台集成：Benchling、DNAnexus、LatchBio、OMERO、Protocols.io 等科学平台的专用集成 skill。

完整工作流：23 个工作流示例展示多 skill 编排，详见 docs/examples.md [Docs:examples]。

运行环境与资源占用

场景	CPU	内存	存储	说明
最小（仅 skill 文件）	N/A	N/A	~35 MB	纯 markdown 文件，零运行时
日常使用	2-4 cores	按 Python 科学包	~35 MB + pip 包	按需安装依赖，非一次性全量

• 运行时：Skill 文件本身为纯 markdown，运行时由 agent（Claude Code / Codex 等）驱动，Python 包按需安装
• 操作系统：macOS、Linux、Windows WSL2 [GH]
• Docker：无
• GPU：不需要（skill 集合本身，底层科学包可能用到 GPU）
• 外部依赖：仓库 tooling 当前要求 Python 3.13+ 与 uv；单个 skill 的依赖/兼容范围以其 SKILL.md 为准 [GH]

性能评价：Skill 文件本身是纯 markdown，零运行时开销。资源占用的主体是各 skill 引用的 Python 科学包，但这些包的安装是按需触发的——只有被激活的 skill 才会安装对应依赖。与「一次性安装全量依赖」的方案相比，这种设计在磁盘和内存占用上更高效。评分 5/5 反映的是 skill 集合本身的设计效率，而非底层科学包的性能特征。

上手体验

安装路径：

# 通用方式
npx skills add K-Dense-AI/scientific-agent-skills

# 或通过 GitHub CLI (v2.90.0+)
gh skill install K-Dense-AI/scientific-agent-skills

# 锁定特定版本
gh skill install K-Dense-AI/scientific-agent-skills --pin

安装后 agent 自动发现 skill，也可在 prompt 中显式调用。

入门时间估算：

• 安装到首次使用：5-10 分钟（需预装 Python 3.11+ 和 uv）
• 读懂 README 并运行第一个示例工作流：30-60 分钟
• 为特定研究问题编排自定义多 skill 管线：需领域知识 + 2-4 小时实验

文档引导：README 包含 4 个代表性工作流（药物发现、单细胞 RNA-seq、虚拟筛选、临床变异解读）[GH]，23 个完整示例在 docs/examples.md [Docs:examples]，scientific-skills.md 提供完整 skill 目录。

学习曲线：技能本身不陡——本质上就是让 agent 读文档后写代码。实际门槛在于：(1) 理解何时激活哪个 skill；(2) 编排多 skill 管线；(3) 领域知识（需要懂得该领域的分析流程才能有效指挥 agent）。

代码质量

项目结构：scientific-skills/ 目录按领域组织，每个 skill 为独立子目录，包含 SKILL.md（主文档）及可选的 references/ 和 scripts/ 子目录。结构一致性好。

SKILL.md 质量：以 RDKit skill 为例 [GH]，包含 12 个核心能力章节、工作流示例、最佳实践、常见陷阱、参考文件链接和示例脚本。代码示例丰富且可执行。minor 问题：社区 PR 中曾出现内部链接断裂（reference/ → references/），属于模板批量生成中的路径不一致 [GH:PR]。

CI/CD：自动化 release（github-actions 自动发布，无人工撰写 release note），社区 PR 有社区审查流程，但未见正式的 CI 测试覆盖（如 skill 示例代码的自动化测试）。

维护模式：高度自动化 + 社区贡献，但核心维护精力高度集中于 TKassis。贡献者多样性偏低（top 贡献者 105 次，第二仅 38 次）。

总体：结构良好，skill 文档质量一致；minor 链接断裂问题可修但非致命；测试覆盖不足和贡献者集中是长期隐忧。评分 4/5 反映结构质量和一致性，减去测试和贡献者分散度的扣分。

可扩展性

添加自定义 skill：遵循 Agent Skills 开放标准，用户可在同一目录下创建自定义 SKILL.md 文件，agent 自动发现。Skill 格式有明确规范，RDKit 等示例可作为模板参考 [GH]。

Fork 开发：仓库级 LICENSE 为 MIT，允许 fork 仓库框架与其覆盖内容；但每个 skill 另有 SKILL.md license metadata，复用前必须逐项核对。高频更新也会增加同步成本 [GH]。

社区贡献：通过 PR 贡献新的 skill 或修复，流程清晰 [GH:PR]，社区已有多个贡献者提交 skill 优化。

局限性：没有正式的「插件注册系统」或「skill 市场」— 添加 skill 就是提交 PR 或在本地 fork。对于组织级使用场景，缺少 skill 版本管理和依赖解析。

评分 4/5：技能添加机制清晰、MIT 许可开放、fork-friendly，但缺少组织级的 skill 管理和版本控制工具。

文档质量

文档分为两层：

产品文档（skill 作为文档产品）：

• 23 个完整工作流示例 [Docs:examples]，覆盖从药物发现到量子计算的多领域
• README 质量高：功能列表、安装说明、安全警告、代表性示例 [GH]
• 每个 SKILL.md 结构一致，包含能力说明、代码示例、最佳实践、陷阱、参考资料
• 代码示例丰富且贴近实际使用场景

项目文档：

• README 详尽，in-code 注释充分
• 无 CHANGELOG——release note 为自动化生成的提交列表，无人工撰写的变更摘要 [GH:releases]
• 无架构文档（说明为什么 skill 按此方式组织，设计原则等）
• 无迁移指南（版本间变更无记录）

总体：产品层 skill 文档较强，项目层仍缺 versioning/migration 说明。评分 4/5；该权重偏向 skill 使用体验，但不假设具体用户比例。

社区与成熟度

维度	评分	说明
社区活跃度	4/5	30,692 stars、3,091 forks；2026-07-12 有 10 个 open issues 与 29 个 open PRs，外部参与可见，但维护中心仍在 K-Dense [GH:API-2026-07-12]。
成熟度	3/5	约 9 个月历史，已到 v2.53.0 且仍高频变化；未发现仓库级已发布 GHSA，但版本策略和迁移指南仍不足，尚不宜视为稳定基础设施 [GH:API-2026-07-12]。

安全与风险

代码执行风险：skill 本质上是给 agent 的操作指南，agent 会根据 skill 指令执行任意 Python 代码、安装包、发起网络请求、修改文件。项目明确声明用户需自行审查 skill 内容后才使用 [GH]。每周通过 Cisco AI Defense Skill Scanner 进行 LLM 安全扫描 [GH:security]。

供应链风险：148 个 skill 涉及大量第三方 Python 包（RDKit、Scanpy、PyTorch 等），供应链攻击面广。按需安装可以在只启用少量 skill 时减少不必要依赖，但实际暴露取决于用户安装与执行路径，不能视为已证明的安全缓解。

许可风险：仓库级 LICENSE 为 MIT；但官方 README 明确说明每个 skill 在 SKILL.md 的 license metadata 中可声明不同条款，商业复用必须逐 skill 审查，不能把仓库 MIT 外推到全部 skill 内容 [GH]。

数据隐私：科学数据库查询通过公共 API 进行，谨慎处理敏感研究数据（如患者 VCF 文件）的用户应注意网络传输和数据驻留。

总体：攻击面由设计决定（skill = 指令与代码执行入口），已有持续安全扫描但不能替代人工审查。GitHub repository advisories endpoint 在本次检查返回 []，仅表示此次未发现已发布仓库级 GHSA，不证明 148 个 skill 及其依赖安全 [GH:API-2026-07-12]。评分维持 3/5。

学习价值

值得学习：

• Skill 工程化：如何将科学 Python 库的使用模式系统化为结构化的 agent skill 文档。RDKit skill 是一个优秀的参考样本 [GH]——从能力说明到代码模式到最佳实践到常见陷阱的完整结构
• 工作流编排：23 个示例展示了多 skill 的链式编排模式，对设计自己的 agent skill 或工具链有参考价值
• 科学 agent 设计模式：如何平衡 skill 的「通用性」（让 agent 理解何时用）和「具体性」（提供足够细节让 agent 不出错）
• 安全模型：明确的安全边界声明（用户最终负责）和安全扫描集成是 agent skill 安全设计的务实参考

局限性：项目的学习价值在于「如何写好的 agent skill」，而非「如何构建 agent infrastructure」。它是一个应用案例，而非架构参考。

适合阅读的受众：想为自己的研究领域编写 agent skills 的研究者；对科学 agent 管线设计感兴趣的工具开发者；想理解 agent skill 最佳实践的 AI 工程师。