K-Dense-AI/scientific-agent-skills — 科研技能库

为 AI 配备科研工具、数据库和数据分析工作流。
本周新增 Star 4,355 ｜ 仓库 Star 总数 54,129 ｜ Forks 4,775

▲ 图 0：Scientific Agent Skills 官方演示（官方截图）

一、它包含什么

177 个 科研与研究技能，跨多个领域组织。每个技能提供完整文档、代码示例与最佳实践。

重要说明： 下列分类中的 Python 包与集成技能是 显式定义 的技能 —— 配有文档、示例与最佳实践，以获得更强、更可靠的性能。它们不是上限：智能体可以安装并使用 任何 Python 包或调用 任何 API，即使没有专属技能。这些技能只是让常见工作流更快、更可靠。

分类之间会重叠：一个技能可能出现在多个领域，因此分类计数之和不等于 177。

🧬 生物信息学与基因组学（32）

• RNA-seq 准备：Bulk RNA-seq（FASTQ 与定量流程、样本/参考 QC、经验证的基因级计数，供 PyDESeq2 使用）
• 序列分析：BioPython、pysam、scikit-bio、BioServices
• PCR 实验设计：Primer Design（Primer3 候选、热力学、变异掩蔽、尾段、有界的本地或 BLAST 辅助特异性筛查）
• 单细胞分析：Scanpy、AnnData、scvi-tools、scVelo（RNA 速度）、Arboreto、Cellxgene Census
• 基因组工具：gget、geniml/Gtars 区间工作流、deepTools、Polars-Bio、Zarr、TileDB-VCF
• 流式细胞术：FlowIO（FCS 输入输出）、FlowKit（补偿、变换、层次门控、FlowJo 工作区分析）
• 坐标卫生：Genomic Coordinates（跨 BED/GFF/GTF/VCF/SAM/WIG 约定转换区间、规范化变异表示、在 0-based/1-based 与组装/contig 命名错配破坏分析之前捕获它们）
• 群体与序列智能：OneKGPd（个体级 1000 Genomes 队列查询）、Genomic Intelligence（托管的调控/基因表达预测；仅研究用途）
• 变异效应预测：AlphaGenome（DeepMind 的 AlphaGenome Atlas，为每个 GRCh38 SNV 预计算效应 —— AVI 分数含 Phred 排名与 18 个 SHAP 特征归因，含 9440 条 RNA-seq/DNase/ATAC/ChIP/CAGE/剪接与接触图轨道的原始与分位分数；支持按需模型评分、计算内突变与 REF-vs-ALT 轨道预测，适用于人与小鼠；仅研究用途，非临床）
• 差异表达：PyDESeq2
• 混池 CRISPR 筛选：MAGeCK（guide 计数、重复 QC、显式对比、基因命中排序）
• 扩增子微生物组：QIIME 2 Amplicon（双端 16S 导入、引物修剪、去噪、分类学、reads 保留检查）
• 功能富集：Pathway Enrichment（ORA、GSEA/preranked、ssGSEA via gseapy + g:Profiler；GO、KEGG、Reactome、WikiPathways、MSigDB）
• 系统发育：ETE Toolkit、Phylogenetics（MAFFT、IQ-TREE 2、FastTree）
• 微生物组基础模型：Waypoint（Outpost Bio 的开源 Waypoint-6m/45m/170m 权重、Atlas 539k 样本 MGnify 预训练语料与八任务 Compass 基准 —— 嵌入、微调、基准与按分类丰度谱预训练，附 MetaPhlAn/Kraken2/QIIME 2 转换）

🧪 化学信息学与药物发现（11）

• 分子操作：RDKit、Datamol、Molfeat
• NMR 处理：nmrglue（标定的 1D FID、相位/基线校正、峰候选、带符号积分）
• 深度学习：DeepChem、TorchDrug
• 对接与筛选：DiffDock
• 分子动力学：OpenMM + MDAnalysis（MD 模拟与轨迹分析）
• 云端量子化学：Rowan（pKa、对接、cofolding）
• 类药性：MedChem
• 基准：PyTDC 1.1.15，在其已验证的 CPython 3.11 兼容栈上运行

🔬 蛋白质组学与质谱（2）

matchms、pyOpenMS

🏥 临床研究与证据工作流（8）

• 临床数据库：通过 Database Lookup（ClinicalTrials.gov、ClinVar、ClinPGx、COSMIC、FDA、cBioPortal、Monarch 等）
• 临床药理学：PK/PD Modeling（非房室分析、房室与群体 PK、暴露-反应与 Emax、TMDD、PBPK 方向、生等效性含 RSABE/ABEL、异速缩放与首次人体剂量、ICH M12 下的 DDI 预测、浓度-QTc、贝叶斯治疗药物监测 —— 纯标准库 + numpy/scipy，不调用任何专有估计软件）
• 癌症基因组学：DepMap（癌症依赖分数、药物敏感性）
• 癌症影像：Imaging Data Commons（NCI 放射与病理数据集，经由 idc-index）
• 医疗 AI 研究：PyHealth
• 决策支持研究：仅限本地、聚合或合成的临床决策支持评估与治理工件
• 临床文档：源绑定的 Clinical Reports 草稿与经核实的临床医生决策格式化，配 Treatment Plans；两个技能均不诊断、不建议治疗

🐭 前临床研究与动物福利（1）

RELSA Severity Assessment —— 从体重、体温、临床/筑巢评分、生物标志物、活动量、心率、掘洞与跑轮行为计算多变量 RELSA 分数；ARIMA 人道终点预测（95% 预测区间）；KDE 推导的关注区与危险区，用于 3R/优化及 EU Directive 2010/63/EU 严重程度报告。它是严重程度评估的辅助，绝非决策规则。

🖼️ 显微成像、医学影像与数字病理（5）

• DICOM 处理：pydicom 3.0.2，隐私优先的本地预检，不宣称诊断或去标识化合规
• 全切片成像：histolab 与仅研究用途的 PathML 3.0.8
• 定量显微：CellProfiler（可复用的细胞核测量管线、通道清单、分割叠加、测量检查）
• 虚拟空间转录组：非商业 DeepSpot-M，从 224×224 H&E 图块做全转录组空间基因表达

🧠 神经科学与电生理（4）

• 数据标准：BIDS（Brain Imaging Data Structure；配合 DataLad 获取 —— OpenNeuro 与 DANDI 以 DataLad 数据集形式发布其藏品；在记录溯源下运行 BIDS-App，BEP028 是衍生物溯源的扩展提案）
• 神经记录：Neuropixels-Analysis（胞外脉冲、硅探针、脉冲分选）
• 数据转换：NWB Conversion（双光子 TIFF 与行为位置、时钟对齐、往返保真、NWB 校验）
• 生理信号：NeuroKit2 0.2.13，用于可复现研究工作流 —— 非诊断、非监护决策、非医疗器械验证

🤖 机器学习与 AI（14 个核心技能）

• 深度学习：PyTorch Lightning、Transformers、Stable Baselines3、PufferLib（原生 5.0、已发布 3.0.0、固定历史版 4.0）
• 经典 ML：scikit-learn、scikit-survival 0.28、SHAP
• 时间序列：aeon、TimesFM（Google 的零样本单变量预测基础模型）

其它领域

材料科学、地理空间分析、实验室自动化、学术写作与文献检索、科学可视化、报告生成等 —— 完整目录见仓库 README 的 "Available Skills" 章节。

100+ 科学数据库

通过 Database Lookup 技能统一访问：ChEMBL、PubChem、PubMed、UniProt、NCBI Gene、COSMIC、ClinVar、STRING、Reactome、KEGG、GEO、Open Targets、ClinicalTrials.gov、AlphaFold、ZINC、USPTO、Exa、Parallel、Benchling、Materials Project 等。

二、环境要求

为每个科学工作流使用独立环境 —— 有些 skill 需要不同的 Python 版本或互相冲突的包固定。uv sync 安装的是仓库的开发与验证工具，不是集合里所有科学包。

安装 uv

macOS / Linux：

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows（PowerShell）：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

备选（pip）：

pip install uv

验证：

uv --version

三、部署方式

方式 A：npx（支持的主机）

npx skills add K-Dense-AI/scientific-agent-skills

这是一个基于标准的通用安装器，支持当前的 Claude Code、Claude Cowork、Codex、Gemini CLI、Google Antigravity、Cursor 等版本。

方式 B：GitHub CLI（gh skill，推荐用于可复现安装）

前置： GitHub CLI v2.90.0+

# 交互式浏览与安装
gh skill install K-Dense-AI/scientific-agent-skills

# 直接安装某个特定 skill
gh skill install K-Dense-AI/scientific-agent-skills scanpy

# 指定目标智能体主机
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code
gh skill install K-Dense-AI/scientific-agent-skills --agent codex
gh skill install K-Dense-AI/scientific-agent-skills --agent gemini

gh skill 会自动安装到对应主机的正确目录，并记录来源元数据以保证供应链完整性。

版本固定（可复现安装）：

# 固定到 release tag
gh skill install K-Dense-AI/scientific-agent-skills --pin v2.71.0

# 固定到 commit SHA
gh skill install K-Dense-AI/scientific-agent-skills --pin abc123def

保持更新：

# 交互式检查更新
gh skill update

# 更新全部已安装的 skill
gh skill update --all

方式 C：Agent Plugins（Cursor、Codex 等插件客户端）

本仓库是有效的 Agent Plugins 1.0.0 包：根目录 plugin.json + skills/ 下的 Agent Skills。支持该标准的客户端会自动发现 skills/ 下每个包含 SKILL.md 的直接子目录。

Cursor：

mkdir -p ~/.cursor/plugins/local
ln -s "$(pwd)" ~/.cursor/plugins/local/scientific-agent-skills

重启 Cursor 或运行 Developer: Reload Window，然后在 Customize 下确认插件与 skill 出现。

Codex：

codex plugins install .

其它兼容客户端（GitHub Copilot、VS Code、Kiro 等，见 agent-plugins.org 兼容列表）共享同一包布局，安装体验各自不同。

方式 D：其他 Agent Skills 主机（OpenClaw、NemoClaw、Pi、Hermes 等）

不同主机的安装路径、发现设置与可选 frontmatter 字段支持不同。npx skills add（方式 A）通常安装到 ~/.agents/skills/ 约定路径，项目级安装在 .agents/skills/ 下。

手动安装（针对配置为扫描这些位置的主机）：

# 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

Hermes（支持 skill taps 的版本）：

hermes skills tap add K-Dense-AI/scientific-agent-skills

Frontmatter 规则： 每个 SKILL.md 使用带引号 metadata.version 的 YAML frontmatter。仓库贡献必须使用块式 YAML —— JSON 风格的流式映射会通不过参考校验器。可选的主机特定配置放在 metadata 下，主机清单块保持为嵌套映射。完整规则见 AGENTS.md#frontmatter。

NemoClaw 注意： NemoClaw 在 NVIDIA OpenShell 内运行智能体，默认拒绝外发网络。Skill 能正常被发现与加载，但任何需要网络的 skill —— 通过 uv 安装包，或调用 API（Exa、Parallel、Benchling、NCBI、Materials Project 等）—— 只有在操作者在 OpenShell TUI 中 预先批准 相关域名后才可用。

方式 E：只装需要的主题子集

保持可用 skill 目录聚焦于你的实际工作。

四、使用方法

4.1 基本用法

安装后，直接向智能体描述你的科研任务，它会 组合多个 skill 完成多步工作流。也可以在提示词中 显式点名 skill。

4.2 官方示例提示词

🧪 药物发现管线

目标： 为肺癌前临床研究筛选 EGFR 抑制剂候选

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.

用到的 skill： database-lookup、rdkit、datamol、diffdock、paper-lookup、scientific-visualization

🔬 单细胞 RNA-seq 分析

目标： 10X Genomics 数据的全面分析 + 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.

用到的 skill： scanpy、cellxgene-census、database-lookup、pydeseq2、arboreto

🧬 多组学生物标志物发现

目标： 整合 RNA-seq、蛋白质组与代谢组预测患者预后

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.

用到的 skill： pydeseq2、pyopenms、database-lookup、statsmodels、scikit-learn

🎯 虚拟筛选战役

目标： 发现蛋白-蛋白相互作用别构调节剂

Use available skills you have access to whenever possible. Retrieve AlphaFold structures, identify
interaction interface with BioPython, search ZINC for allosteric candidates (MW 300-500, logP 2-4),
filter with RDKit, dock with DiffDock, rank with DeepChem, check PubChem suppliers, search USPTO
patents, and optimize leads with MedChem/molfeat.

用到的 skill： database-lookup、biopython、rdkit、diffdock、deepchem、medchem、molfeat

🏥 研究变异证据复核

目标： 为遗传性癌症研究标注合成或适当去标识化的 VCF

Use available skills you have access to whenever possible. Work only with authorized synthetic
or de-identified data. Parse the VCF with pysam, annotate variants with Ensembl VEP, retrieve
ClinVar/COSMIC/NCBI Gene/UniProt evidence, and verify literature sources. Build an evidence-
traceable research summary with scientific-writing. If clinical-reports is used, create only a
visibly marked draft structure from a verified source-fact manifest for qualified review; do not
diagnose, assess individual risk, recommend treatment, or determine trial eligibility.

用到的 skill： pysam、database-lookup、paper-lookup、scientific-writing、clinical-reports

🌐 系统生物学网络分析

目标： 从 RNA-seq 数据分析基因调控网络

Use available skills you have access to whenever possible. Query NCBI Gene for annotations, retrieve
sequences from UniProt, identify interactions via STRING, map to Reactome/KEGG pathways, analyze
topology with Torch Geometric, reconstruct GRNs with Arboreto, assess druggability with Open Targets,
model with PyMC, visualize networks, and search GEO for similar patterns.

用到的 skill： database-lookup、torch-geometric、arboreto、pymc、networkx、scientific-visualization

更多示例见 docs/examples.md。

4.3 使用场景

五、开发者工作流

测试与验证

# 安装仓库的开发与验证工具
uv sync

# 结构契约与覆盖率守卫 —— 秒级，不需要科学包
uv run python scripts/validate_structure.py

# 验证某个 skill 的 Agent Skills frontmatter
uv run python scripts/validate_skill.py skills/scanpy/SKILL.md

# 在当前环境中跑某个 skill 的测试套件
uv run pytest skills/scanpy/tests/

# 在带声明包与 Python 版本的环境中跑某个 skill
uv run python scripts/run_skill_tests.py skills/scanpy

# 每个套件在各自的临时环境中运行
uv run python scripts/run_all_skill_tests.py

安全扫描

uv pip install cisco-ai-skill-scanner
skill-scanner scan /path/to/skill --use-behavioral

六、⚠️ 安全声明（务必阅读）

Skill 可以执行代码并影响你的编码智能体行为。安装前请审查。

Agent Skills 很强大 —— 它们可以指示你的 AI 智能体运行任意代码、安装包、发起网络请求、修改系统文件。一个恶意或编写糟糕的 skill 都有把智能体引向有害行为的潜力。

K-Dense 方的做法：所有贡献都经过审查流程，并对仓库中每个 skill 运行 LLM 驱动的安全扫描（via Cisco AI Defense Skill Scanner）。但团队规模小、社区贡献多，无法保证每个 skill 都已被彻底审查。

最终责任在你。 官方建议：

1. 不要一次装全部。 只安装你实际需要的。K-Dense 自己维护每个 skill 时装全套是合理的，但现在仓库包含大量社区贡献，未必都被同等深入审查过。
2. 安装前读 SKILL.md。 每个 skill 的文档描述它做什么、用什么包、连什么外部服务。看起来可疑就别装。
3. 看贡献历史。 K-Dense-AI 作者的 skill 经过内部审查；社区贡献的 skill 尽力审查但资源有限。
4. 自己跑安全扫描（见上）。
5. 发现可疑立即报告 —— 提 issue。

扫描节奏： 每周增量扫描 —— 未变更的 skill 沿用上次结果；至少每 30 天全量重扫一次，或扫描器/模型变更时重扫。结果发布在 docs/security-report.md。安全政策见 SECURITY.md。

七、常见问题

Q：装完 skill 后还是报错找不到包？
因为安装 skill 文件 不等于 安装它的依赖。每个 skill 的 SKILL.md 里声明了所需包、Python 版本与系统工具，需按其 setup 说明单独安装（推荐用 uv）。

Q：为什么建议每个工作流用独立环境？
不同 skill 可能需要不同 Python 版本或互相冲突的包固定。独立环境避免互相破坏。

Q：Windows 能用吗？
需要 WSL2。系统要求是 macOS、Linux 或 Windows + WSL2。

Q：NemoClaw 里 skill 不联网？
NemoClaw 默认拒绝外发网络。需要在 OpenShell TUI 中预先批准相关域名。

Q：如何只装一个 skill？
gh skill install K-Dense-AI/scientific-agent-skills scanpy，或手动克隆后只把需要的 skill 目录放进 skills 目录。

参考链接

• 仓库：https://github.com/K-Dense-AI/scientific-agent-skills
• 论文：https://arxiv.org/abs/2609.00065
• 安全报告：https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/docs/security-report.md
• 安全政策：https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/SECURITY.md
• 前置元数据规则：https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/AGENTS.md
• 工作流示例：https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/docs/examples.md
• 依赖的开源项目列表：https://github.com/K-Dense-AI/scientific-agent-skills/blob/main/docs/open-source-sponsors.md
• Agent Skills 标准：https://agentskills.io/
• Agent Plugins 标准：https://agent-plugins.org/