GitHub - K-Dense-AI/scientific-agent-skills: 一套即用型Agent技能，适用于研究、科学、工程、分析、金融和写作等领域。

科学Agent技能

Claude Scientific Skills 现已更名为 Scientific Agent Skills。 技能内容不变，但兼容性更广——现在可与任何支持开放 Agent Skills 标准的AI Agent配合使用，不再仅限于Claude。

更新：K-Dense BYOK —— 一个免费、开源的AI科研协作者，可在您的桌面运行，由Scientific Agent Skills提供支持。您自带API密钥，从40多种模型中进行选择，即可获得一个完整的研究工作空间，包含网页搜索、文件处理、100多个科学数据库以及本仓库中全部135项技能。您的数据始终保留在您的计算机上，您还可以选择通过 Modal 将繁重任务扩展到云端计算。 点击此处开始使用。

这是一套全面的 135个即用型科学和研究技能（涵盖癌症基因组学、药物靶点结合、分子动力学、RNA速度、地理空间科学、时间序列预测、通过Hugging Science发现的科学机器学习资源、78+科学数据库等），适用于任何支持开放 Agent Skills 标准的AI Agent，由 K-Dense 创建。可与 Cursor、Claude Code、Codex 等 配合使用。将您的AI Agent转变为能够执行生物学、化学、医学等领域复杂多步骤科学研究工作流的研究助手。

这些技能使您的AI Agent能够无缝处理多个科学领域的专业科学库、数据库和工具。虽然Agent本身可以自行使用任何Python包或API，但这些明确定义的技能提供了精心整理的使用文档和示例，使其在执行以下工作流时更加强大和可靠：

  • 生物信息学与基因组学 - 序列分析、单细胞RNA测序、基因调控网络、变异注释、系统发育分析
  • 化学信息学与药物发现 - 分子特性预测、虚拟筛选、ADMET分析、分子对接、先导化合物优化
  • 蛋白质组学与质谱分析 - LC-MS/MS处理、肽段鉴定、谱图匹配、蛋白定量
  • 临床研究与精准医学 - 临床试验、药物基因组学、变异解读、药物安全、临床决策支持、治疗规划
  • 医疗AI与临床机器学习 - 电子健康记录分析、生理信号处理、医学影像、临床预测模型
  • 医学影像与数字病理学 - DICOM处理、全切片图像分析、计算病理学、放射学工作流
  • 机器学习与AI - 深度学习、强化学习、时间序列分析、模型可解释性、贝叶斯方法
  • 材料科学与化学 - 晶体结构分析、相图、代谢模型构建、计算化学
  • 物理学与天文学 - 天文数据分析、坐标转换、宇宙学计算、符号数学、物理计算
  • 工程与仿真 - 离散事件仿真、多目标优化、代谢工程、系统建模、工艺优化
  • 数据分析与可视化 - 统计分析、网络分析、时间序列、可发表级图表、大规模数据处理、探索性数据分析
  • 地理空间科学与遥感 - 卫星图像处理、GIS分析、空间统计、地形分析、地球观测机器学习
  • 实验室自动化 - 液体处理方案、实验设备控制、工作流自动化、LIMS集成
  • 科学传播 - 文献综述、同行评审、科学写作、文档处理、海报、幻灯片、示意图、文献管理
  • 多组学与系统生物学 - 多模态数据整合、通路分析、网络生物学、系统级洞察
  • 蛋白质工程与设计 - 蛋白质语言模型、结构预测、序列设计、功能注释
  • 研究方法论 - 假设生成、科学头脑风暴、批判性思维、基金申请、学者评估

将您的AI编码Agent转变为桌面上的“AI科学家”！

⭐ 如果您觉得这个仓库有用，请考虑给它一个Star！这有助于其他人发现这些工具，并鼓励我们继续维护和扩展这个集合。

刚接触Scientific Agent Skills？ 观看我们的Scientific Agent Skills入门视频，快速了解。

包含内容

本仓库提供 135个科学和研究技能，分为以下几类：

  • 100+ 科学与金融数据库 - 一个统一的数据库查询技能提供对78个公共数据库的直接访问（PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO等），此外还有针对DepMap、Imaging Data Commons、PrimeKG、美国财政部财政数据和Hugging Science（Hugging Face上涵盖17个科学领域的精选科学数据集、模型和演示目录）的专用技能。多数据库软件包如BioServices（约40个生物信息学服务）、BioPython（通过Entrez访问38个NCBI子数据库）和gget（20+基因组数据库）进一步扩大了覆盖范围。
  • 70+ 优化的Python包技能 - 为RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioPython、pyzotero、BioServices、PennyLane、Qiskit、OpenMM、MDAnalysis、scVelo、TimesFM等明确定义的技能——附带精选文档、示例和最佳实践。注意：Agent可以使用 任何 Python包编写代码，不仅限于这些；这些技能只是为所列出的包提供了更强大、更可靠的性能。
  • 9 个科学集成技能 - 为Benchling、DNAnexus、LatchBio、OMERO、Protocols.io、Open Notebook等明确定义的技能。同样，Agent不仅限于这些——任何可通过Python访问的API或平台都可以使用；这些技能是预先优化了文档的路径。
  • 30+ 分析与传播工具 - 文献综述、科学写作、同行评审、文档处理、海报、幻灯片、示意图、信息图、Mermaid图表等。
  • 10+ 研究与临床工具 - 假设生成、基金申请、临床决策支持、治疗方案、法规遵从、情景分析。

每个技能包括：

  • ✅ 全面的文档（SKILL.md）
  • ✅ 实用的代码示例
  • ✅ 使用案例和最佳实践
  • ✅ 集成指南
  • ✅ 参考资料

目录

为何使用？

Scientific Agent Skills 通过提供即用型、精心整理的库和平台接口，将AI Agent转变为强大的研究助手。

  • 开箱即用 - 无需为每个新项目重新编写科学库的集成代码。这些技能附带预构建的示例和最佳实践。
  • 经过验证的模式 - 每个技能都包含经过测试的代码模式和工作流，避免了常见陷阱。
  • 跨领域 - 从药物发现到气候科学，跨越多个科学学科的技能。
  • 持续更新 - 随着新库和数据库的出现，技能库会定期扩展。

快速开始

系统要求

  • AI Agent：任何支持Agent Skills标准的AI Agent（Cursor、Claude Code、Gemini CLI、Codex等）
  • 系统：macOS、Linux或带有WSL2的Windows
  • 依赖项：由各个技能自动处理（具体需求请查看SKILL.md文件）

安装uv

这些技能使用 uv 作为包管理器来安装Python依赖项。请根据您的操作系统使用以下说明进行安装：

macOS和Linux:

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

Windows:

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

替代方法（通过pip）:

pip install uv

安装后，运行以下命令验证是否成功：

uv --version

更多安装选项和详细信息，请访问官方uv文档。

快速示例

安装好技能后，您可以让您的AI Agent执行复杂的多步骤科研工作流。以下是一些示例提示：

药物发现流程

目标：寻找用于肺癌治疗的新型EGFR抑制剂

提示：尽可能使用你可用的技能。查询ChEMBL数据库中IC50 < 50nM的EGFR抑制剂，使用RDKit分析构效关系，使用datamol生成改进类似物，使用DiffDock对AlphaFold EGFR结构进行虚拟筛选，搜索PubMed查找耐药机制，检查COSMIC数据库中的突变，并创建可视化图表和一份全面的报告。

使用的技能：ChEMBL、RDKit、datamol、DiffDock、AlphaFold DB、PubMed、COSMIC、科学可视化

需要云端GPU和最终的可发表级报告？在K-Dense Web上免费运行。

单细胞RNA测序分析

目标：对10X Genomics数据进行综合分析并整合公共数据

提示：尽可能使用你可用的技能。使用Scanpy加载10X数据集，进行质量控制和双细胞去除，整合Cellxgene Census数据，使用NCBI Gene标记识别细胞类型，使用PyDESeq2进行差异表达分析，使用Arboreto推断基因调控网络，通过Reactome/KEGG进行通路富集分析，并使用Open Targets识别治疗靶点。

使用的技能：Scanpy、Cellxgene Census、NCBI Gene、PyDESeq2、Arboreto、Reactome、KEGG、Open Targets

想要零设置的云端执行和可共享的输出？免费试用K-Dense Web。

多组学生物标志物发现

目标：整合RNA-seq、蛋白质组学和代谢组学数据以预测患者预后

提示：尽可能使用你可用的技能。使用PyDESeq2分析RNA-seq数据，使用pyOpenMS处理质谱数据，从HMDB/Metabolomics Workbench整合代谢物数据，将蛋白质映射到通路（UniProt/KEGG），通过STRING数据库查找相互作用，使用statsmodels关联组学层数据，使用scikit-learn构建预测模型，并在ClinicalTrials.gov中搜索相关试验。

使用的技能：PyDESeq2、pyOpenMS、HMDB、Metabolomics Workbench、UniProt、KEGG、STRING、statsmodels、scikit-learn、ClinicalTrials.gov

此流程计算量很大。在K-Dense Web上使用云端GPU运行，免费试用。

虚拟筛选活动

目标：发现针对蛋白质-蛋白质相互作用的变构调节剂

提示：尽可能使用你可用的技能。获取AlphaFold结构，使用BioPython识别相互作用界面，在ZINC数据库中搜索变构候选物（分子量300-500，logP 2-4），使用RDKit进行筛选，使用DiffDock进行对接，使用DeepChem进行排序，检查PubChem供应商，搜索USPTO专利，并使用MedChem/molfeat优化先导化合物。

使用的技能：AlphaFold DB、BioPython、ZINC、RDKit、DiffDock、DeepChem、PubChem、USPTO、MedChem/molfeat

临床基因组学解释

目标：评估遗传性癌症风险的临床意义

提示：尽可能使用你可用的技能。使用pysam解析VCF文件，使用Ensembl VEP注释变异，查询ClinVar数据库查找致病性信息，检查COSMIC数据库中的癌症突变，从NCBI Gene检索基因信息，使用UniProt分析蛋白质影响，搜索PubMed查找病例报告，检查Open Targets和ClinicalTrials.gov中相关的靶点和试验。

使用的技能：pysam、Ensembl VEP、ClinVar、COSMIC、NCBI Gene、UniProt、PubMed、Open Targets、ClinicalTrials.gov

使用案例

  • 药物发现：从靶点识别到先导化合物优化的完整筛选流程
  • 癌症研究：突变分析、药物敏感性预测和标志物发现
  • 单细胞分析：端到端的scRNA-seq数据处理、分析和解释
  • 临床决策支持：基于基因组和临床数据的治疗建议
  • 文献综述：跨多个数据库的自动化综合文献检索和总结
  • 资助申请撰写：协助撰写和优化研究资助申请
  • 实验设计：协助设计实验方案，包括样本量计算、功效分析和设计
  • 可发表级图表：使用matplotlib和seaborn创建可发表级的可视化图表
  • 网络可视化：使用NetworkX可视化生物网络
  • 报告生成：使用文档技能生成全面的PDF报告
  • 方案设计：为自动化液体处理创建Opentrons方案
  • LIMS集成：与Benchling和LabArchives集成以进行数据管理
  • 工作流自动化：自动化多步骤实验室工作流

可用技能

本仓库包含 135个科学和研究技能，按多个领域组织。每个技能都提供全面的文档、代码示例以及使用科学库、数据库和工具的最佳实践。

技能类别

注意： 下面列出的Python包和集成技能是 明确定义 的技能——附带文档、示例和最佳实践，以提供更强、更可靠的性能。它们不是上限：Agent可以安装和使用 任何 Python包或调用 任何 API，即使没有专门的技能。列出的技能只是让常见工作流更快、更可靠。

生物信息学与基因组学（21+技能）

  • 序列分析：BioPython、pysam、scikit-bio、BioServices
  • 单细胞分析：Scanpy、AnnData、scvi-tools、scVelo（RNA速度）、Arboreto、Cellxgene Census
  • 基因组工具：gget、geniml、gtars、deepTools、FlowIO、Polars-Bio、Zarr、TileDB-VCF
  • 差异表达：PyDESeq2
  • 系统发育学：ETE Toolkit、Phylogenetics（MAFFT、IQ-TREE 2、FastTree）

化学信息学与药物发现（10+技能）

  • 分子操作：RDKit、Datamol、Molfeat
  • 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、共折叠）
  • 药物相似性：MedChem
  • 基准测试：PyTDC

蛋白质组学与质谱分析（2技能）

  • 谱图处理：matchms、pyOpenMS

临床研究与精准医学（8+技能）

  • 临床数据库：通过Database Lookup（ClinicalTrials.gov、ClinVar、ClinPGx、COSMIC、FDA、cBioPortal、Monarch等）
  • 癌症基因组学：DepMap（癌症依赖性评分、药物敏感性）
  • 癌症影像：Imaging Data Commons（NCI放射学和病理学数据集，通过idc-index访问）
  • 医疗AI：PyHealth、NeuroKit2、临床决策支持
  • 临床文档：临床报告、治疗方案

医学影像与数字病理学（3技能）

  • DICOM处理：pydicom
  • 全切片成像：histolab、PathML

神经科学与电生理学（1技能）

  • 神经记录：Neuropixels-Analysis（细胞外尖峰信号、硅探针、尖峰分类）

机器学习与AI（16+技能）

  • 深度学习：PyTorch Lightning、Transformers、Stable Baselines3、PufferLib
  • 经典机器学习：scikit-learn、scikit-survival、SHAP
  • 时间序列：aeon、TimesFM（Google的零样本单变量预测基础模型）
  • 贝叶斯方法：PyMC
  • 优化：PyMOO
  • 图机器学习：Torch Geometric
  • 降维：UMAP-learn
  • 统计建模：statsmodels

材料科学、化学与物理学（7技能）

  • 材料：Pymatgen
  • 代谢模型：COBRApy
  • 天文学：Astropy
  • 量子计算：Cirq、PennyLane、Qiskit、QuTiP

工程与仿真（4技能）

  • 数值计算：MATLAB/Octave
  • 计算流体力学：FluidSim
  • 离散事件仿真：SimPy
  • 符号数学：SymPy

数据分析与可视化（16+技能）

  • 可视化：Matplotlib、Seaborn、科学可视化
  • 地理空间分析：GeoPandas、GeoMaster（遥感、GIS、卫星影像、空间机器学习、500+示例）
  • 数据处理：Dask、Polars、Vaex
  • 网络分析：NetworkX
  • 文档处理：文档技能（PDF、DOCX、PPTX、XLSX）
  • 信息图：信息图（AI驱动的专业信息图制作）
  • 图表：Markdown与Mermaid写作（基于文本的图表作为默认文档标准）
  • 探索性数据分析：EDA工作流
  • 统计分析：统计分析工作流

实验室自动化（4技能）

  • 液体处理：PyLabRobot
  • 云端实验室：Ginkgo Cloud Lab（无细胞蛋白表达、通过自主RAC基础设施实现的荧光像素艺术）
  • 方案管理：Protocols.io
  • LIMS集成：Benchling、LabArchives

多组学与系统生物学（4+技能）

  • 通路分析：通过Database Lookup（KEGG、Reactome、STRING）和PrimeKG
  • 多组学：HypoGeniC
  • 数据管理：LaminDB

蛋白质工程与设计（3技能）

  • 蛋白质语言模型：ESM
  • 糖工程：糖工程（N/O-糖基化预测、治疗性抗体优化）
  • 云端实验室平台：Adaptyv（自动化蛋白质测试和验证）

科学传播（20+技能）

  • 文献：Paper Lookup（PubMed、PMC、bioRxiv、medRxiv、arXiv、OpenAlex、Crossref、Semantic Scholar、CORE、Unpaywall）、文献综述
  • 高级论文搜索：BGPT Paper Search（每篇论文超过25个结构化字段——方法、结果、样本量、质量评分——来自全文，而不仅仅是摘要）
  • 网页搜索：Parallel Web（带有引用的综合摘要）
  • 研究笔记本：Open Notebook（自托管的NotebookLM替代方案——PDF、视频、音频、网页；16+ AI提供商；多发言人播客生成）
  • 写作：科学写作、同行评审
  • 文档处理：XLSX、MarkItDown、文档技能
  • 出版：Venue Templates
  • 演示文稿：科学幻灯片、LaTeX海报、PPTX海报
  • 图表：科学示意图、Markdown与Mermaid写作
  • 信息图：信息图（10种类型、8种风格、色盲安全调色板）
  • 引文：引文管理
  • 插图：生成图像（使用FLUX.2 Pro和Gemini 3 Pro（Nano Banana Pro）进行AI图像生成）

科学数据库与数据访问（6技能 → 总计100+数据库）

一个统一的数据库查询技能提供对所有领域78个公共数据库的直接REST API访问。专用技能涵盖专门的数据平台。多数据库软件包如BioServices（约40个生物信息学服务）、BioPython（通过Entrez访问38个NCBI子数据库）和gget（20+基因组数据库）进一步扩大了覆盖范围。

  • 统一访问：Database Lookup（78个数据库，涵盖化学、基因组学、临床、通路、专利、经济学等领域——PubChem、ChEMBL、UniProt、PDB、AlphaFold、KEGG、Reactome、STRING、ClinVar、COSMIC、ClinicalTrials.gov、FDA、FRED、USPTO、SEC EDGAR等）
  • 癌症基因组学：DepMap（癌细胞系依赖性、药物敏感性、基因效应谱）
  • 癌症影像：Imaging Data Commons（NCI放射学和病理学数据集，通过idc-index访问）
  • 知识图谱：PrimeKG（精准医学知识图谱——基因、药物、疾病、表型）
  • 财政数据：美国财政部财政数据（国家债务、财政报表、拍卖、汇率）
  • 科学机器学习资源目录：Hugging Science（涵盖17个科学领域——天文学、生物学、化学、气候、基因组学、材料科学、医学、物理学、科学推理等——的数据集、模型、博文和交互式Spaces的精选索引，包含datasets、transformers和gradio_client的使用模式）

基础设施与平台（7+技能）

  • 云端计算：Modal
  • GPU加速：Optimize for GPU（CuPy、Numba CUDA、Warp、cuDF、cuML、cuGraph、KvikIO、cuCIM、cuxfilter、cuVS、cuSpatial、RAFT）
  • 基因组学平台：DNAnexus、LatchBio
  • 显微镜：OMERO
  • 自动化：Opentrons
  • 资源检测：获取可用资源

研究方法论与规划（12+技能）

  • 构思：科学头脑风暴、假设生成
  • 批判性分析：科学批判性思维、学者评估
  • 情景分析：What-If Oracle（多分支可能性探索、风险分析、战略选项）
  • 多视角审议：Consciousness Council（多元化专家观点、魔鬼代言人分析）
  • 认知画像：DHDNA Profiler（从任何文本中提取思维模式和认知特征）
  • 资金：研究基金
  • 发现：Research Lookup、Paper Lookup（10个学术数据库）
  • 市场分析：市场研究报告

法规与标准（1技能）

  • 医疗器械标准：ISO 13485认证

有关所有技能的完整详情，请访问 K-Dense 文档。

独特价值主张

  • 开源且免费：100%免费使用，无隐藏费用或付费墙。
  • 本地优先：敏感数据保留在您的机器上。
  • 模型无关：支持所有主要AI模型，无供应商锁定。
  • 基于标准：基于开放的Agent Skills标准构建，确保长期兼容性。
  • 生产就绪：包含实际科研中经过测试和验证的工作流。

从何处开始

  1. 浏览技能：查看上面的可用技能部分
  2. 选择您的AI Agent：选择任何支持Agent Skills的AI Agent
  3. 安装技能：将技能目录添加到您的Agent的技能路径中
  4. 尝试示例：从上面的快速示例提示开始
  5. 根据您的需求调整：修改技能或创建您自己的技能

支持开源社区

⭐ 如果这个仓库对您有帮助，请为它点一个Star！

您的Star：

  • 帮助其他研究人员发现这些工具
  • 激励我们继续维护和扩展这个集合
  • 支持开源科研软件的生态系统

在GitHub上为这个仓库点Star

安全免责声明

重要：在使用本仓库中的技能之前，请阅读此安全声明。

  • API密钥和凭证：永远不要将API密钥、密码或任何敏感凭证硬编码到技能文件或提示中。使用环境变量或安全的密钥管理服务。
  • 数据隐私：当您通过AI Agent使用技能时，您的数据可能会根据您所使用的AI服务提供商的隐私政策进行处理。对于敏感或专有数据，请考虑使用本地模型或具有强有力数据保护保证的服务。
  • 代码执行：技能使AI Agent能够生成并执行代码。在执行之前，请始终审查AI生成的代码，尤其是在生产环境或敏感数据集上运行时。
  • 外部API：许多技能依赖于访问外部API（例如，PubMed、ChEMBL、UniProt）。请确保您已获得适当的权限，并遵守这些服务的服务条款和速率限制。
  • 输出验证：AI Agent可能产生幻觉或不正确的输出。对于任何研究或临床决策，请由领域专家验证所有结果。
  • 医疗免责声明：本仓库中的技能旨在用于研究目的，不应用于做出临床决策，除非在适当的监督下并经过临床验证。
  • 测试：在将技能部署到关键工作流之前，请使用非生产数据对其进行测试。

通过使用本仓库，您承认您理解这些风险，并对使用这些技能的结果负全部责任。

参与贡献

我们欢迎贡献！如果您想添加新的技能、改进现有技能或修复错误，请：

  1. Fork本仓库
  2. 创建一个功能分支
  3. 进行您的更改
  4. 提交一个拉取请求

有关贡献的更多信息，请查看我们的贡献指南。

故障排除

常见问题

  • 技能未被识别：确保技能目录位于正确的位置（例如，~/.claude/skills 或 ./.claude/skills）
  • Python包未找到：技能会自动安装依赖项，但您可能需要先安装 uv
  • API速率限制：许多数据库都有速率限制。对于大规模查询，请考虑实现重试逻辑或使用缓存
  • 内存不足：某些技能处理大型数据集（例如，单细胞分析）。考虑使用高性能计算资源或子采样您的数据

常见问题解答

问：这些技能是免费的吗？ 答：是的！Scientific Agent Skills完全免费且开源。

问：我需要一个特定的AI Agent吗？ 答：不需要——这些技能可在任何支持Agent Skills标准的AI Agent上运行。

问：这些技能可以在我的本地机器上运行吗？ 答：可以。它们被设计为在您的机器上本地运行，可选择通过Modal扩展到云端计算。

问：技能只适用于科学吗？ 答：虽然重点是科学，但我们也包括金融和工程技能，并欢迎在这些领域做出贡献。

问：我如何创建我自己的技能？ 答：请参考 Agent Skills规范 以获取创建自定义技能的说明。

支持

参考资料