每日热门skill-scientific-agent-skills 深度研究报告，从「Claude 专属」到「全 Agent 通用」，一次改名背后是 165 个科研技能与 4 万颗星

原创于 2026-09-09 15:15:20 发布 · 281 阅读

5 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

收录于

热门skill

话题

#开学季·九月创作之星博客挑战赛

AI 时代程序员必备技能

Codex、Claude Code、Cursor、Hermes Agent、OpenClaw等工程化实战专栏，讲透 AI 如何接管脏活累活

一键订阅

基金定投助手：为什么你的基金定投总在追涨杀跌？价值平均法定投引擎 + 综合估值模型+动态再平衡仓位管理，一个单文件 HTML 的免费定投工具-CSDN博客
https://download.csdn.net/download/weitingfu/93339607?spm=1011.2124.3001.6210

写在前面：同一个 Agent，为什么别人家的更「懂行」？

先讲个场景，你大概率经历过。

同样一句「帮我把这个文件分析一下」，普通开发者的 Agent 会老老实实读一遍、给你列个要点。可你同事的 Agent，张口就是「这是单细胞 RNA-seq 的 h5ad 文件，我先跑 QC、去 doublet，再整合注释」——

你当时就愣住了。

同一个模型，同一个 Agent，差距怎么这么大？

答案不在模型里，在它「读过的东西」里。那个 Agent 被喂过一本完整的「行业操作手册」，它知道这个领域里什么工具该配什么参数、什么坑绕不过去、什么流程是行规。

这套「操作手册」，在 2026 年的 AI 生态里，叫 Agent Skills。

今天要聊的，就是 9 月第一周 GitHub Trending 上最凶的那个技能库，scientific-agent-skills。它把「装过行业手册的 Agent」这件事，做到了极致。

一、本周屠榜的 4 万星仓库，到底是个啥？

先报一组数据，都是我这两天多方核对过的：

仓库名，scientific-agent-skills，作者是 K-Dense-AI；
9 月第一周连续杀进 GitHub Trending，单日涨星逼近 2000，总量已经摸到 4 万颗星的量级（第三方聚合页有 41,407 的快照，各来源统计日期略有出入）；
官方 README 口径，全球 17.5 万到 19 万科学家在用它；
里面有 165 个经过验证的即用技能，背后接着 100 多个科学数据库，70 多个主流 Python 科学计算包被做成了「开箱即用」的调教版本。

一句话定位，把任何 AI Agent 变成 AI Scientist。

普通 Agent 只会写代码，装了这个库的 Agent，能帮你查文献、跑单细胞分析、筛药物分子、解读临床变异报告，甚至按 Nature 的格式画图、写论文、做同行评审。

MIT 协议，完全开源。

二、一次改名，把生态的走向说透了

这个仓库能聊的东西很多，但我最想先讲一件小事。

它原来不叫这个名字，叫 Claude Scientific Skills。

今年 8 月，作者把它改成了 Scientific Agent Skills。就删掉一个词，却是一次明晃晃的表态。

原来它是 Claude Code 的一个「专属技能包」，现在它面向所有支持开放 Agent Skills 标准的 agent。Cursor 能用，Codex 能用，Gemini CLI 能用，Google Antigravity 能用，Pi 能用，OpenClaw 能用，NVIDIA 的 NemoClaw 也能用。

你品品这个信号。

Skills 这个东西，2025 年底还是 Anthropic 给 Claude Code 做的私房功能。但到了 2026 年，它正在悄悄变成一种厂商中立的专业知识打包格式。技能写一次，哪家 agent 赢了，就跑在哪家上。

模型能力在趋同，大家都在卷同一个天花板；不趋同的，是那些被编码成可执行形式的领域知识。一个知道怎么正确查询 ChEMBL 各种坑的 skill，在 Claude 下有用，在 Codex 下有用，在明年随便哪个新 agent 下还是有用。

K-Dense 把仓库名里的 Claude 改成 Agent，等于把这个赌注喊出了声，护城河在模型之上。

三、165 个技能，装进了一个 Agent 的「科学学士学位」

聊完改名，看看里面到底有什么。

3.1 四层弹药库

我按官方 README 和技能目录给你拆一下，大致是四层：

第一层，专业 Python 包技能，70+ 个。

生物信息学的 BioPython、pysam、Scanpy、scvi-tools、PyDESeq2；化学信息学的 RDKit、Datamol、DeepChem、DiffDock；分子动力学的 OpenMM + MDAnalysis；再加 PyTorch Lightning、scikit-learn、TimesFM 这些通用 ML 库。

注意，这些不是简单的「API 文档」，而是预调优的最佳实践。每个技能都写了这个包在真实科研场景里该怎么用、有哪些已知的坑、什么参数组合最稳。Agent 读一遍，等于被领域老手带过一轮。

第二层，科学数据库连接器，100+ 个。

PubChem、ChEMBL、UniProt、PDB、AlphaFold、ClinVar、COSMIC、ClinicalTrials.gov、FDA、Materials Project……其中 78 个被收进了一个统一的 database-lookup 技能里，Agent 不用记各家 REST API 的奇怪差异。

第三层，科研平台集成，9 个。

Benchling、DNAnexus、LatchBio、OMERO、Protocols.io、Ginkgo Cloud Lab、LabArchives、Opentrons、Open Notebook。意思是，你的 Agent 不只能分析数据，还能跟真实的实验管理平台对接。

第四层，科研全流程工具，40+ 个。

文献综述、科学写作、同行评审、引文管理、基金申请书、临床决策支持、治疗方案、统计报告、海报、幻灯片、原理图，甚至有个 autoskill，能观察你重复的工作流，自动起草新技能。

3.2 每个技能，长什么样？

一个技能就是一个目录，核心是一个 SKILL.md 文件，外加可选的 references、assets、scripts。

SKILL.md 的开头是 YAML frontmatter，name、description、metadata.version 是硬要求。正文按规范写清楚这个技能什么时候该用、前置条件是什么、Quick Start 代码、完整工作流、关键参数、常见坑的排查表。

最关键的一点，Agent 在规划阶段只读 description 字段。所以每个技能的描述都写得像一条触发规则，比如「看到 .h5ad 文件用 anndata，做单细胞分析用 scanpy，概率建模用 scvi-tools」。

它不是 prompt 合集，是一套带可执行代码、带验证、带最佳实践的工程资产。

四、三行命令，把技能装进你的 Agent

安装这件事，K-Dense 做得极其顺滑，三选一：

# 方式一：npx 官方标准方式（跨平台通用）
npx skills add K-Dense-AI/scientific-agent-skills

# 方式二：GitHub CLI（v2.90.0+），可按 agent 定向安装
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code
# 还能固定版本，保证可复现
gh skill install K-Dense-AI/scientific-agent-skills --pin v1.0.0

# 方式三：手动 clone 到约定的技能目录
git clone https://github.com/K-Dense-AI/scientific-agent-skills.git ~/.agents/skills/

前置条件就两个，装好 uv 包管理器，Python 3.11+。

装完你的 Agent 会自动发现这些技能，不需要额外配置。也可以不用装，直接在对话里点名，比如：

用 database-lookup 和 rdkit 技能，从 ChEMBL 检索 IC50 小于 100 nM 的 EGFR 抑制剂，做结构优化和 ADMET 毒性预测。

不过有一句忠告，README 自己都在反复强调，别一次全装。165 个技能加起来是很长一段上下文，也会放大安全面。干哪行装哪行，做药的就装 cheminformatics 那一撮，做临床的就装 clinical 那一撮。

五、三个真实工作流，越往后越离谱

光看目录没感觉，我给你排三个场景，按上手难度从低到高，你感受一下升番。

场景一，文献综述，入门级。

你要写一篇系统综述，以前是打开 PubMed、Google Scholar、arXiv 一个个搜，再把几百篇摘要人工过一遍。现在你告诉 Agent 用 literature-review 和 paper-lookup 技能，它会同时查 10 个学术数据库，把引文验证好、按 APA 格式整理好，最后给你一份带正确引用的 Markdown 综述。

场景二，单细胞 RNA-seq 全流程，进阶级。

手里有一份 10X Genomics 的测序数据。Agent 用 Scanpy 加载数据、做质控和去 doublet，用 Cellxgene Census 做跨数据集整合，拿 NCBI Gene 的 marker 注释细胞类型，再用 PyDESeq2 跑差异表达，最后用 Arboreto 推断基因调控网络。

这一串以前是生信工程师两周的活，现在是一段提示词的事。

场景三，端到端药物发现，Boss 关。

从 ChEMBL 里筛出 EGFR 抑制剂，用 RDKit 分析构效关系，用 datamol 生成类似物，拿 DiffDock 对 AlphaFold 预测的结构做虚拟筛选，最后回 PubMed 和 COSMIC 交叉验证耐药机制。

注意这五个环节，每个都是独立技能，但 Agent 能自己链起来跑完。这就是「可组合的多步科研执行」，不是单点 API 封装能比的。

六、冷静一下，谈谈局限和对比

夸了这么多，说几个我注意到的问题，这玩意不是银弹。

第一，安全审查的边界要拎清。 技能本质上是让 Agent 跑任意代码、发网络请求、改你文件的指令。仓库官方用 Cisco AI Defense Skill Scanner 每周全量扫描，但社区贡献的技能审查力度有限。所以官方建议就三条，别一次全装、装前读 SKILL.md、第三方技能先本地扫一遍再上车。我看了下 docs/security-report.md，这态度在开源仓库里算很端正的。

第二，它是「干活的工具箱」，不是「写论文的枪手」。 它的长板在生物、化学这些硬核计算，如果你只想让 AI 帮你把论文写漂亮，有更垂直的套件，比如侧重引文完整性的 Academic Research Skills，比如专门做临床和医学研究的 Medical Research Skills。

第三，同类竞品在追赶。 我对比了几个：

对比项	scientific-agent-skills	SciAgent-Skills	Academic/Medical Research Skills
出品方	K-Dense-AI	jaechang-hits 社区	各垂直团队
技能数	165（多领域）	197（偏生命科学）	视套件而定（垂直窄域）
覆盖	生物/化学/医学/物理/材料等	基因组/药物发现/生物统计	论文写作/临床研究专项
基准表现	官方周边 K-Bench 01 披露 40% 过度自信率	BixBench-Verified-50 达 92%（Claude Code 裸跑 65.3%→92%）	无统一基准
兼容	所有开放 Agent Skills 标准主机	Claude Code 为主	视实现而定