分析科学数据并加速专业研究

scientific-agent-skills

为AI智能体提供150项专业科学研究技能，涵盖生物、化学、医学及药物研发等领域，支持Cursor、Claude Code等主流平台。

K-Dense-AI

学生研究者 / 职场人

数据分析写作文案已认证开源许可: MIT

GitHub Stars32K

试试这样做

请使用分子动力学技能分析该蛋白质结构的稳定性，并生成一份包含关键指标的科研报告。

利用生物信息学技能对提供的RNA测序数据进行差异表达分析，并绘制火山图。

请协助我进行文献综述，搜索并总结关于CRISPR基因编辑技术的最新研究进展。

详细介绍

Scientific Agent Skills

一个全面的集合，包含 158 个即用型科学和研究技能（涵盖癌症基因组学、个体级千人基因组查询、托管的调控序列预测、实时病原体变异监测、分析方法验证、PK/PD 建模与剂量选择、生物医学和监管文献全文检索、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 进行科学 ML 资源发现、78+ 个科学数据库等），适用于任何支持开放 Agent Skills 标准的 AI 智能体，由 K-Dense 创建。适用于 Cursor、Claude Code、Codex、Google Antigravity 等。将您的 AI 编码智能体转变为能够跨生物学、化学、医学等领域执行复杂多步骤科学工作流程的研究助手。

Claude Scientific Skills 现已更名为 Scientific Agent Skills。 相同的技能，更广泛的兼容性——现在可与任何支持开放 Agent Skills 标准的 AI 智能体配合使用，而不仅限于 Claude。

这些技能使您的 AI 智能体能够无缝地使用专门的科学库、数据库和工具，跨越多个科学领域。虽然智能体可以自行使用任何 Python 包或 API，但这些明确定义的技能提供了经过精心整理的文档和示例，使其在以下工作流程中更强大、更可靠：

🧬 生物信息学与基因组学 – 序列分析、单细胞 RNA-seq、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 – 分子属性预测、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、蛋白质定量
🏥 临床研究与证据工作流 – 临床试验、药物基因组学、变异证据审阅、药代动力学/药效学建模与剂量方案评估、汇总决策支持评估、基于源证据的草稿报告结构，以及临床医生撰写的治疗决策格式化
🧠 医疗 AI 与生物信号研究 – EHR 和模型研究、生理信号分析及回顾性验证——不涉及患者特定诊断、治疗、警报或部署决策
🖼️ 医学影像与数字病理学 – 隐私感知的 DICOM 处理及仅限研究的全切片图像分析、计算病理学和放射学数据工作流
🤖 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、代谢建模、计算化学
🌌 物理学与天文学 – 天文数据分析、坐标变换、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、过程优化
📊 数据分析与可视化 – 统计分析、网络分析、时间序列、可发表质量图表、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、用于地球观测的机器学习
🧪 实验室自动化 – 液体处理协议、实验室设备控制、工作流自动化、LIMS 集成
📚 科学交流 – 可追溯证据的写作、保密授权同行评审、文献综合、文档处理、无宏 PPTX 海报、幻灯片、示意图和引用管理
🔬 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
🧰 智能体平台与基础设施 – 使用 SDK、RPC、扩展、自定义提供商/模型、包、TUI 组件和会话工具在 Pi 上构建
🎓 研究方法论 – 受证据约束的候选假设、科学头脑风暴、批判性思维、资助申请撰写以及对学术作品的定性、低风险评估
⚖️ 法规与标准 – 为 ISO 管理体系与实验室标准起草证据准备工件，以及根据 ICH/USP/CLSI 框架进行分析方法验证、确认和转移——仅供合格人员审阅，绝不等同于认证、认可或方法放行决策

将您的 AI 编码智能体转变为桌面上的‘AI 科学家’！

🎬 Scientific Agent Skills 新手？ 观看我们的 Getting Started with Scientific Agent Skills 视频，快速了解。

📦 包含内容

本仓库提供 158 个科学和研究技能，按以下类别组织：

100+ 个科学和金融数据库 – 一个统一的数据库查找技能提供确定性、来源丰富的访问权限，可访问 78 个公共数据库（PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO 等），以及针对 DepMap、Imaging Data Commons、PrimeKG、美国财政部财政数据、Hugging Science、OneKGPd 和 Genomic Intelligence 的专用技能。多数据库包如 BioServices（约 40 个生物信息服务）、BioPython（通过 Entrez 访问 39 个 NCBI 子数据库）和 gget（20+ 个基因组学数据库）进一步扩展了覆盖范围。
70+ 个优化的 Python 包技能 – 明确定义、版本感知的工作流程，适用于 RDKit、Scanpy、PyTorch Lightning、scikit-learn、PyTDC、PathML、pydicom、NeuroKit2、PufferLib、QuTiP、GeoPandas、pymatgen、BioPython、Qiskit、分子动力学（OpenMM/MDAnalysis）等。智能体仍然可以使用任何 Python 包；这些技能为所列出的包提供了更强、更安全的指导。
9 个科学集成技能 – 明确定义的技能，适用于 Benchling、DNAnexus、LatchBio、OMERO、Protocols.io、Open Notebook、Ginkgo Cloud Lab、LabArchives 和 Opentrons。同样，智能体并不限于这些——任何可从 Python 访问的 API 或平台都在其能力范围内；这些技能是优化过、预文档化的路径。
30+ 个分析与交流工具 – 文献综述、可追溯证据的科学写作、保密同行评审、文档处理、Paperclip（全文论文、FDA/PMDA/EMA 申报文件及临床试验注册信息，带有行锚定引用）、Paperzilla、Exa Search、无宏 PPTX 海报、幻灯片、示意图、信息图、Mermaid 图表等。
10+ 个研究与临床工具 – 受证据约束的假设生成、资助申请撰写、汇总临床决策支持研究、临床医生撰写的治疗计划格式化、PK/PD 建模与仿真（NCA、群体 PK、暴露-反应、生物等效性、首次人体剂量）、BIDS、ISO 标准就绪证据准备（ISO 13485、ISO 14971、ISO/IEC 17025、ISO 15189）、分析方法验证与转移（ICH Q2(R2)/Q14、ICH M10、USP、CLSI EP）、情景分析以及使用 Autoskill 从工作流派生技能草稿。

每个技能包括：

✅ 全面文档（SKILL.md）
✅ 实用代码示例
✅ 用例和最佳实践
✅ 集成指南
✅ 参考资料
✅ 每个附带 scripts/ 的技能都有测试套件

🚀 为什么使用它？

⚡ 加速您的研究

跳过 API 文档研究和集成设置
经过审阅的起点 – 经过测试的示例，带有明确的验证、来源和安全性边界；在目标环境中验证它们
多步骤工作流 – 通过单个提示执行复杂管道

🎯 全面覆盖

158 个技能 – 覆盖所有主要科学领域的广泛范围
100+ 个数据库 – 通过 database-lookup 统一访问 78+ 个数据库，以及专用数据访问技能和多数据库包如 BioServices、BioPython 和 gget
70+ 个优化的 Python 包技能 – 当前、版本限定的指导，适用于包括 RDKit、Scanpy、PyTorch Lightning、scikit-learn、PyTDC、pydicom、PufferLib、QuTiP、GeoPandas、pymatgen、Qiskit、分子动力学（OpenMM/MDAnalysis）、scVelo 和 TimesFM 的包（智能体可以使用任何 Python 包；这些是预文档化的路径）

🔧 轻松集成

配置化发现 – 兼容的主机可以从其配置的技能路径中查找和使用相关技能
文档完善 – 每个技能都包含示例、用例和最佳实践

🌟 维护与支持

定期更新 – 由 K-Dense 团队持续维护和扩展
社区驱动 – 开源，拥有活跃的社区贡献
企业就绪 – 可为高级需求提供商业支持

⚙️ 前置条件

Python：仓库工具需要 3.13+；单个技能依赖项可能支持更宽的 Python 范围
uv：Python 包管理器（安装技能依赖项所需）
客户端：任何支持 Agent Skills 标准的智能体（Cursor、Claude Code、Gemini CLI、Codex、Google Antigravity 等）
系统：macOS、Linux 或带有 WSL2 的 Windows
依赖项：由单个技能自动处理（查看 SKILL.md 文件了解具体要求）

安装 uv

技能使用 uv 作为包管理器来安装 Python 依赖项。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，通过运行以下命令验证其工作：

uv --version

有关更多安装选项和详细信息，请访问官方 uv 文档。

NemoClaw 注意： NemoClaw 在 NVIDIA OpenShell 中运行智能体，默认拒绝出站网络连接。技能会被正常发现和加载，但任何需要网络的技能——通过 uv 安装包，或 API 调用（Exa、Parallel、Benchling、NCBI、Materials Project 等）——只有在操作员在 OpenShell TUI 中预先批准相关域后才能工作。

⚠️ 安全免责声明

技能可以执行代码并影响您的编码智能体的行为。请审查您安装的内容。

Agent Skills 功能强大——它们可以指示您的 AI 智能体运行任意代码、安装包、发出网络请求以及修改您系统上的文件。恶意或编写不当的技能有可能引导您的编码智能体做出有害行为。

我们认真对待安全性。所有贡献都经过审查流程，并且我们对此仓库中的每个技能运行基于 LLM 的安全扫描（通过 Cisco AI Defense Skill Scanner）。然而，作为一个团队规模较小且社区贡献不断增长的项目，我们无法保证每个技能都已对所有可能的风险进行了详尽审查。

最终，您有责任审查您安装的技能并决定信任哪些。

我们建议：

不要一次性安装所有内容。 只安装您实际工作所需的技能。
在安装前阅读 SKILL.md。 每个技能的文档描述了它的功能、使用的包以及连接的外部服务。如果发现可疑内容，请勿安装。
检查贡献历史。 由 K-Dense（K-Dense-AI）撰写的技能已经过我们的内部审查流程。社区贡献的技能已尽我们所能进行了审查，但资源有限。
报告任何可疑内容。 如果您发现某个技能看起来恶意或行为异常，请立即提交问题，以便我们调查。

💡 快速示例

🧪 药物发现管道

提示：

查询 ChEMBL 获取 EGFR 抑制剂（IC50 < 50nM），使用 RDKit 分析构效关系，使用 datamol 生成改进的类似物，使用 DiffDock 对 AlphaFold EGFR 结构进行虚拟筛选，搜索 PubMed 寻找耐药机制，检查 COSMIC 中的突变，并创建可视化图表和综合报告。

使用的技能： database-lookup, rdkit, datamol, diffdock, paper-lookup, scientific-visualization

🔬 单细胞 RNA-seq 分析

提示：

使用 Scanpy 加载 10X 数据集，进行 QC 和双细胞去除，与 Cellxgene Census 数据整合，使用 NCBI Gene 标记物识别细胞类型，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，并使用 Open Targets 识别治疗靶点。

使用的技能： scanpy, cellxgene-census, database-lookup, pydeseq2, arboreto

🧬 多组学生物标志物发现

提示：

使用 PyDESeq2 分析 RNA-seq，使用 pyOpenMS 处理质谱数据，整合来自 HMDB/Metabolomics Workbench 的代谢物，将蛋白质映射到通路（UniProt/KEGG），通过 STRING 查找相互作用，使用 statsmodels 关联组学层，使用 scikit-learn 构建预测模型，并搜索 ClinicalTrials.gov 寻找相关试验。

使用的技能： pydeseq2, pyopenms, database-lookup, statsmodels, scikit-learn

🎯 虚拟筛选活动

提示：

检索 AlphaFold 结构，使用 BioPython 识别相互作用界面，搜索 ZINC 寻找变构候选物（MW 300-500，logP 2-4），使用 RDKit 过滤，使用 DiffDock 对接，使用 DeepChem 排名，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： database-lookup, biopython, rdkit, diffdock, deepchem, medchem, molfeat

🏥 研究变异证据审阅

提示：

仅使用授权的合成或去标识化数据。使用 pysam 解析 VCF，使用 Ensembl VEP 注释变异，检索 ClinVar/COSMIC/NCBI Gene/UniProt 证据，并验证文献来源。使用 scientific-writing 构建可追溯证据的研究摘要。如果使用 clinical-reports，仅根据已验证的源事实清单创建带有明显标记的草稿结构，供合格人员审阅；不要诊断、评估个体风险、推荐治疗或确定试验资格。

使用的技能： pysam, database-lookup, paper-lookup, scientific-writing, clinical-reports

🌐 系统生物学网络分析

提示：

查询 NCBI Gene 获取注释，从 UniProt 检索序列，通过 STRING 识别相互作用，映射到 Reactome/KEGG 通路，使用 Torch Geometric 分析拓扑，使用 Arboreto 重建基因调控网络，使用 Open Targets 评估可药性，使用 PyMC 建模，可视化网络，并在 GEO 中搜索相似模式。

使用的技能： database-lookup, torch-geometric, arboreto, pymc, networkx, scientific-visualization

📖 想要更多示例？ 查看 docs/examples.md，了解涵盖所有科学领域的全面工作流示例和详细用例。

🔬 用例

🧪 药物发现与药物化学

虚拟筛选：从 PubChem/ZINC 中筛选数百万个化合物对抗蛋白质靶点
先导化合物优化：使用 RDKit 分析构效关系，使用 datamol 生成类似物
ADMET 预测：使用 DeepChem 预测吸收、分布、代谢、排泄和毒性
分子对接：使用 DiffDock 预测结合姿势，并使用亲和力导向工具重新评分
生物活性挖掘：查询 ChEMBL 获取已知抑制剂并分析 SAR 模式

🧬 生物信息学与基因组学

序列分析：使用 BioPython 和 pysam 处理 DNA/RNA/蛋白质序列
单细胞分析：使用 Scanpy 分析 10X Genomics 数据，识别细胞类型，使用 Arboreto 推断基因调控网络
变异注释：使用 Ensembl VEP 注释研究 VCF 文件，并检索 ClinVar 证据供合格人员解读
变异数据库管理：使用 TileDB-VCF 构建可扩展的 VCF 数据库，用于增量样本添加、高效群体规模查询和基因组变异数据的压缩存储
群体基因组学：使用 OneKGPd 查询 3,202 人 GRCh38 千人基因组队列中的变异、队列样本 ID 和亲缘关系
调控序列模型：运行托管的 Genomic Intelligence 启动子、剪接、增强子、染色质、表达和基因注释预测，用于研究目的——而非临床或诊断决策
病原体监测：通过 GenSpectrum LAPIS API 追踪当前流行的病毒谱系及其增长速度（SARS-CoV-2、流感包括 H5N1、RSV、mpox、麻疹、登革热），并测量报告延迟而非假设
基因发现：查询 NCBI Gene、UniProt 和 Ensembl 获取全面基因信息
网络分析：通过 STRING 识别蛋白质-蛋白质相互作用，映射到通路（KEGG、Reactome）

🏥 临床研究与证据工作流

临床试验：分析汇总试验格局和方案标准，而不决定个体资格
变异证据审阅：使用 ClinVar、COSMIC 和 ClinPGx 注释授权研究数据；合格专业人员保留解读责任
药物安全研究：查询 FDA 数据库获取汇总不良事件、相互作用和召回证据
临床药理学：从浓度-时间数据推导暴露指标，拟合房室和群体 PK 模型，将暴露与效应关联，并评估给药方案、生物等效性和首次人体剂量
全文证据检索：使用 Paperclip 端到端搜索和阅读论文、监管申报文件和试验记录，返回锚定到行号而非摘要的引用
决策支持评估：准备合成或汇总评估、证据概况、隐私和治理工件——而非实时临床决策
临床医生撰写文档：结构化已验证的源绑定报告草稿，并格式化已由授权执业临床医生做出的治疗决策

🔬 多组学与系统生物学

多组学整合：结合 RNA-seq、蛋白质组学和代谢组学数据
通路分析：在 KEGG/Reactome 通路中富集差异表达基因
网络生物学：重建基因调控网络，识别枢纽基因
生物标志物发现：整合多组学层以预测患者结局

📊 数据分析与可视化

统计分析：执行假设检验、功效分析和实验设计
可发表图表：使用 matplotlib 和 seaborn 创建可发表质量的可视化
网络可视化：使用 NetworkX 可视化生物网络
报告生成：使用 Scientific Writing 和文档工具生成可追溯证据的研究报告；Clinical Reports 的输出仍为明显标记的草稿，仅基于已验证的合成、去标识化或汇总源事实

🧪 实验室自动化

协议设计：在受过培训的操作员审阅前，编写和仿真 Opentrons 或 PyLabRobot 协议
LIMS/ELN 集成：准备限定了范围的 Benchling 和 LabArchives 操作，并明确授权远程写入
工作流自动化：离线验证和仿真多步实验室工作流；物理执行保留在设备特定的操作员安全门之后

📚 可用技能

本仓库包含 158 个科学和研究技能，涵盖多个领域。每个技能都提供针对科学库、数据库和工具的全面文档、代码示例和最佳实践。

注意： 下面列出的 Python 包和集成技能是明确定义的技能——经过整理，并附有文档、示例和最佳实践，以实现更强、更可靠的性能。它们不是天花板：智能体可以安装和使用任何 Python 包或调用任何 API，即使没有专用技能。列出的技能只是使常见工作流更快、更可靠。

🧬 生物信息学与基因组学（26 个技能）

RNA-seq 管道：Bulk RNA-seq（端到端 FASTQ -> 计数 -> DE -> 富集编排器）
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、当前 geniml/Gtars 区间工作流、deepTools、FlowIO、Polars-Bio、Zarr、TileDB-VCF
坐标卫生：Genomic Coordinates（在 BED/GFF/GTF/VCF/SAM/WIG 约定之间转换区间，规范化变异表示，并捕捉 0 基 vs 1 基以及组装/重叠群命名不匹配，以免在分析前破坏数据）
群体和序列智能：OneKGPd（个体级千人基因组队列查询）和 Genomic Intelligence（托管的调控/基因表达预测；仅限研究）
差异表达：PyDESeq2
功能富集：Pathway Enrichment（ORA、GSEA/预排名、ssGSEA 通过 gseapy + g:Profiler；GO、KEGG、Reactome、WikiPathways、MSigDB）
系统发育学：ETE Toolkit、Phylogenetics（MAFFT、IQ-TREE 2、FastTree）

🧪 化学信息学与药物发现（10 个技能）

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 仿真与轨迹分析）
云量子化学：Rowan（pKa、对接、共折叠）
药物相似性：MedChem
基准测试：PyTDC 1.1.15 在其已验证的 CPython 3.11 兼容性栈上

🔬 蛋白质组学与质谱分析（2 个技能）

谱图处理：matchms、pyOpenMS

🏥 临床研究与证据工作流（8 个技能）

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 建模（非房室分析、房室和群体 PK、暴露-反应和 Emax、TMDD、PBPK 导向、生物等效性包括 RSABE/ABEL、异速缩放和首次人体剂量、ICH M12 下的 DDI 预测、浓度-QTc 以及贝叶斯治疗药物监测——stdlib + numpy/scipy，不调用专有估计软件）
癌症基因组学：DepMap（癌症依赖评分、药物敏感性）
癌症影像：Imaging Data Commons（通过 idc-index 访问 NCI 放射学和病理学数据集）
医疗 AI 研究：PyHealth
决策支持研究：仅限本地、汇总或合成临床决策支持评估和治理工件
临床文档：源绑定 Clinical Reports 草稿和带 Treatment Plans 的已验证临床医生撰写决策的格式化；这两个技能均不诊断或推荐护理

🖼️ 医学影像与数字病理学（3 个技能）

DICOM 处理：pydicom 3.0.2，带有隐私优先的本地预检，不声称诊断或去标识化合规性
全切片成像：histolab 和仅限研究的 PathML 3.0.5

🧠 神经科学与电生理学（3 个技能）

数据标准：BIDS（神经科学和生物医学数据集的脑成像数据结构）
神经记录：Neuropixels-Analysis（细胞外尖峰、硅探针、尖峰排序）
生理信号：NeuroKit2 0.2.13，用于可重复的研究工作流——不用于诊断、监测决策或医疗设备验证

🤖 机器学习与 AI（14 个核心技能）

深度学习：PyTorch Lightning、Transformers、Stable Baselines3 以及版本分离的 PufferLib 3.0/4.0 工作流
经典 ML：scikit-learn、scikit-survival 0.28 和 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 ML：Torch Geometric
降维：UMAP-learn
统计建模：statsmodels

🔮 材料科学、化学与物理学（7 个技能）

材料：当前拆分的 pymatgen 包装器/核心，加上明确限定的 Materials Project 查询
代谢建模：COBRApy
天文学：Astropy
量子计算：Cirq、PennyLane、Qiskit、QuTiP 5.3

⚙️ 工程与仿真（5 个技能）

数值计算：专有 MATLAB R2026a 和独立的 GNU Octave 11.3 规划/审阅工作流
计算流体动力学：限定范围的 FluidSim 0.9 仿真，带有数值有效性和 HPC 检查
实验流量测量：OpenPIV（来自 PIV 图像对的速度场、询问窗口互相关、虚假向量验证、涡度/应变率/湍流统计）
离散事件仿真：SimPy 4.1.2，带有复制、预热和输出分析指导
符号数学：SymPy

📊 数据分析与可视化（22 个技能）

可视化：Matplotlib、Seaborn、Scientific Visualization
地理空间分析：GeoPandas 1.1.4 和 GeoMaster（遥感、GIS、卫星图像、空间 ML，500+ 示例）
数据处理：Dask、Polars、Vaex
网络分析：NetworkX
文档处理：LiteParse（本地 PDF/文档解析，带有边界框和 OCR）、MarkItDown、PDF、DOCX、PPTX 和 XLSX
信息图：Infographics（AI 驱动的专业信息图创建）
图表：Markdown & Mermaid Writing（基于文本的图表作为默认文档标准）
探索性数据分析：对明确支持格式的限定范围本地 EDA，未知格式则失败关闭
统计分析：Statistical Analysis 工作流
单位和测量不确定度：Uncertainty & Units（pint 维度检查、GUM 不确定度预算、A/B 类评估、覆盖因子和扩展不确定度、蒙特卡洛传播、CODATA 常数）
实验设计：Experimental Design（随机化、区组、析因/部分析因 DOE、交叉、聚类、序贯设计；pyDOE3）
统计功效：Statistical Power（t 检验、ANOVA、比例、相关性、回归的样本量和功效——封闭形式加上适用于 GLM、混合模型和聚类设计的基于仿真的方法）

🧪 实验室自动化（6 个技能）

液体处理：离线优先的 PyLabRobot 规划/仿真和 Opentrons 编写，物理执行在显式操作员安全门之后
云实验室：Ginkgo Cloud Lab（无细胞/E. coli/Pichia 中的蛋白质表达和纯化、IVT RNA 合成、热位移和 Echo-MS 分析、SPR 入门、通过自主 RAC 基础设施的荧光像素艺术）
协议管理：对已记录的 v3/v4 端点的限定范围 protocols.io 读取和非执行写入计划
LIMS/ELN 集成：Benchling 和独立的 LabArchives 旧版 ELN 和 Inventory v1 API

🔬 多组学与系统生物学（3 个技能）

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

🧬 蛋白质工程与设计（4 个技能）

蛋白质语言模型：ESM
糖工程：Glycoengineering（N/O-糖基化预测、治疗性抗体优化）
云实验室平台：Adaptyv（自动化蛋白质测试和验证）
云结构与设计平台：Tamarind（通过 REST API 或 MCP 管理 GPU 访问 AlphaFold、Boltz、Chai、ESMFold、RFdiffusion、ProteinMPNN、BoltzGen、抗体/纳米抗体设计、DiffDock/Vina 对接、结合亲和力和 MSA 生成）

📚 科学交流（27 个技能）

文献：Paper Lookup（PubMed、PMC、bioRxiv、medRxiv、arXiv、OpenAlex、Crossref、Semantic Scholar、CORE、Unpaywall）、Literature Review、Paperzilla
全文语料库访问：Paperclip（只读虚拟文件系统，覆盖约 1100 万篇全文论文、217K+ 份 FDA/PMDA/EMA 监管文档、临床试验注册信息以及 UniProt/PDB/ChEMBL 条目——源范围语义搜索、语料库范围 grep、SQL 元数据查询、跨多篇论文的 map/reduce 阅读、图表视觉分析和行锚定引用）
高级论文搜索：BGPT Paper Search（每篇论文 25+ 个结构化字段——方法、结果、样本量、质量评分——来自全文，而非仅摘要）
网络智能：Parallel Web（网络搜索、URL/PDF 提取、深度研究、结构化丰富、实体发现和定期监控）、Exa Search 和 Research Lookup
研究笔记本：Open Notebook（自托管 NotebookLM 替代品——PDF、视频、音频、网页；16+ 个 AI 提供商；多说话者播客生成）
写作：可追溯证据的 Scientific Writing 和本地、保密、授权的 Peer Review
文档处理：LiteParse、PDF、DOCX、PPTX、XLSX 和 MarkItDown
出版和论文工作流：Venue Templates
演示文稿：Scientific Slides、LaTeX Posters 以及从作者批准的本地清单生成的无宏 PPTX Posters
图表：Scientific Schematics、Markdown & Mermaid Writing
信息图：Infographics（10 种类型、8 种风格、色盲安全调色板）
引用：Citation Management、pyzotero
插图：Generate Image（使用 FLUX.2 Pro 和 Gemini 3.1 Flash Image / Nano Banana 2 进行 AI 图像生成）

🔬 科学数据库与数据访问（10 个技能 → 总计 100+ 个数据库）

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——PubChem、ChEMBL、UniProt、PDB、AlphaFold、KEGG、Reactome、STRING、ClinVar、COSMIC、ClinicalTrials.gov、FDA、FRED、USPTO、SEC EDGAR 等数十个——带有可审计的过滤器和来源）
癌症基因组学：DepMap（癌细胞系依赖关系、药物敏感性、基因效应谱）
癌症影像：Imaging Data Commons（通过 idc-index 访问 NCI 放射学和病理学数据集）
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、财政部报表、拍卖、汇率）
科学 ML 资源目录：Hugging Science（跨 17 个科学领域的数据集、模型、博文和交互式 Spaces 的精选索引——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——以及 datasets、transformers 和 gradio_client 的使用模式）
个体级群体基因组学：OneKGPd（3,202 人高覆盖度千人基因组队列查询）
托管调控基因组学：Genomic Intelligence（启动子、剪接、增强子、染色质、表达和基因注释预测，用于研究用途）
本体标识符：Ontology Term Resolution（将自由文本的组织、细胞类型、疾病、表型、分析、化学物质、生物体和发育阶段标签解析为术语 ID，并针对 EBI OLS4 验证 CURIEs，用于 GEO/ENA/BioSamples/CELLxGENE/HCA/ISA-Tab 元数据）
实时病原体监测：Pathogen Variant Surveillance（当前流行的病毒谱系、其增长速度以及携带的突变——SARS-CoV-2、流感包括 H5N1、RSV、mpox、麻疹、登革热等，通过 GenSpectrum LAPIS API，谱系名称根据实时 pango-designation 命名法解析，并测量报告延迟而非假设）

🔧 基础设施与平台（11 个技能）

云计算：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
工作流引擎：Nextflow（构建/运行/调试 Nextflow 和 nf-core 管道——DSL2 模块、执行器/容器、HPC/云扩展）和 pacsomatic（用于 nf-core/pacsomatic 肿瘤-正常体细胞变异调用工作流的操作员工具包）
显微镜：OMERO
自动化：Opentrons
资源检测：Get Available Resources 在请求时或在明确资源敏感的本地工作负载之前调用；经过编辑，无压力测试
工作流挖掘：Autoskill（基于本地 screenpipe 的重复工作流检测和技能草稿生成）
智能体平台开发：Pi Agent（将 Pi 用作终端编码工具，并在此基础上使用 SDK、RPC/JSONL、扩展、自定义提供商/模型、包、TUI 组件和会话工具进行构建）

🎓 研究方法论与规划（13 个技能）

构思：evidence-aware Scientific Brainstorming 和 non-scoring Hypothesis Generation，将假设标记为候选
文本数据集假设软件：HypoGeniC/HypoRefine 生成候选文本模式和任务预测统计，而非经过验证的科学假设
自主优化：Arbor（假设树优化——针对开发评估器迭代改进代码/模型/智能体工具/数据工件，同时通过保留的测试门防止过拟合）
批判性分析：Scientific Critical Thinking 和对作品的定性、低风险 Scholar Evaluation——绝不给人排名或支持有后果的决策
情景分析：What-If Oracle（4–6 分支可能性探索、应急规划、决策压力测试）
多视角审议：Consciousness Council（多样化的专家观点、魔鬼代言人分析）
认知特征分析：DHDNA Profiler（从任何文本中提取思维模式和认知特征）
资金：Research Grants
发现：Research Lookup、Paper Lookup（10 个学术数据库）
市场分析：可追溯证据的 Market Research Reports，带有假设驱动的规模化和预测敏感性

⚖️ 法规与标准（2 个技能）

标准就绪：为 ISO 13485（医疗器械 QMS）、ISO 14971（医疗器械风险管理）、ISO/IEC 17025（测试和校准实验室）和 ISO 15189（医学实验室）起草证据准备工件，通过 --standard 配置文件选择每个标准的过程域
分析方法验证：在适用框架下规划、评估和记录分析程序（HPLC、LC-MS/MS、GC、CE、ICP-MS、溶出度、qNMR、qPCR、NIR、配体结合和基于细胞的分析）的验证、确认和转移——ICH Q2(R2)/Q14 和 ICH M10 从其公开许可的文本中编码，USP <1220>/<1225>/<1226>、CLSI EP 系列和 ISO/IEC 17025 仅通过名称和范围引用；仅使用 stdlib 统计，无网络访问
保证车道分离：保持 ISO 认证、实验室认可、FDA QMSR 检查、CLIA 认证、MDSAP 和 EU MDR/IVDR 证据边界清晰——实验室是认可而非认证，ISO 15189 认可不能满足 CLIA
绝不等同于合规、审计、评估、认证、认可或方法放行决策；需要合格的 RA/QA、法律、实验室主任、评估员和认证机构审阅

📖 有关所有技能的完整详细信息，请参阅 docs/skills.md

💡 寻找实用示例？ 查看 docs/examples.md，了解涵盖所有科学领域的全面工作流示例。

📝 来自博客

来自 K-Dense 博客的深度文章、基准测试和指南，与使用此仓库中的技能直接相关。

从这里开始

Agent Skills: The Final Piece for AI-Powered Scientific Research — 什么是 Agent Skills，为什么精心策划的领域指导优于原始模型能力，以及此仓库的介绍。
K-Dense Web vs Scientific Agent Skills: Why We Built Both (And Which One You Should Use) — 何时开源技能是正确工具，何时托管平台与管理计算更合适。

技能基准测试与深度探讨

One Skill, 78 Databases: Why We Didn't Build 78 Skills — database-lookup 的设计原理：整合将始终在线的上下文成本降低了 13.9 倍，同时保持了跨五个模型的路由精度。
Can an AI Agent Run Your Mass Spec Pipeline? Benchmarking the PyOpenMS Skill — 一项对 pyopenms 的 250 次运行研究：使用技能时任务成功率为 100%，不使用时为 96%，pyOpenMS API 错误减少 92%，成本降低 10%。
Beyond RDKit: Benchmarking the Rowan Agent Skill Against Experiment — Rowan 与 RDKit 和实验数据的比较：pKa MAE 0.23（R² 0.986），logD₇.₄ MAE 1.15，以及约 0.52 美元计算成本下的 0.19 Å RMSD 对接姿势恢复。
GPU-Accelerate Your Science: 58x Average Speedup with a Single Skill — optimize-for-gpu 重写 12 个库中的 CPU 密集型 Python，加速比从 1.7 倍到 492 倍不等。
Towards Smarter Scientific Search: Exa Joins the Scientific Agent Skills Library — exa-search 增加了什么：针对学术发现而非关键字匹配调整的神经语义搜索和 URL 提取。
Benchmarking Nano Banana 2 Lite for Scientific Image Generation — 一项 240 张图像的科学图表模型比较，对于选择 generate-image 的后端很有用：Nano Banana 2 Lite 的中位延迟为 3.8 秒，而 GPT Image 2 为 49 秒，存在质量权衡。
Benchmarking NVIDIA BioNeMo Agent Toolkit Skills for NIM microservices — 一个独立的 NVIDIA 技能集，而非此处之一，但发现具有普遍性：技能在路由到非明显端点以及弱模型可靠性方面帮助最大，但不会提高底层科学模型的准确性。

安全与安全部署

Security in the Science Agent Era: What Every Lab Needs to Know Before Installing Skills — 本仓库安全免责声明背后的实用审查清单：阅读完整的 SKILL.md 和 scripts/，安装前进行扫描，并固定版本而非跟踪分支。
The Sandboxed AI Scientist: Pairing NVIDIA OpenShell with Scientific Agent Skills — 在策略治理的沙箱中运行这些技能；另请参阅前置条件中的 NemoClaw 注意。

互补的开源项目

Introducing Science Superpowers: Scientific Discipline for Your Research Agent — 假设预注册、可重复工作流以及围绕这些技能构建的验证先于主张，以防止 p-hacking 和 HARKing。
Your AI Assistant Reasons Like a Generalist. Science Needs a Specialist. — 503 个开源 AGENTS.md 配置文件，提供“如何思考”层，与这些技能中的“做什么”程序并列。
Introducing mimeo and 80+ Mimeographs — 通过提炼给定从业者如何推理来生成您自己的 SKILL.md / AGENTS.md 专家配置文件。

🔧 故障排除

常见问题

问题：技能未加载

验证技能文件夹是否位于正确目录
每个技能文件夹必须包含一个 SKILL.md 文件
复制技能后重新启动智能体/IDE
在 Cursor 中，检查设置 → 规则以确认技能已被发现

问题：缺少 Python 依赖项

解决方案：检查特定 SKILL.md 文件中的所需包
安装依赖项：uv pip install package-name

问题：API 速率限制

解决方案：许多数据库具有速率限制。查看特定数据库文档
考虑实施缓存或批量请求

问题：身份验证错误

解决方案：某些服务需要 API 密钥。检查 SKILL.md 中的身份验证设置
验证您的凭据和权限

问题：示例过时

解决方案：通过 GitHub Issues 报告问题
检查官方包文档以获取更新的语法

❓ 常见问题

一般问题

问：这是免费使用的吗？ 答：是的！此仓库采用 MIT 许可证。但是，每个单独技能在其 SKILL.md 文件的 license 元数据字段中指定了自己的许可证——请务必审阅并遵守这些条款。

问：为什么所有技能都分组在一起，而不是单独的包？ 答：我们相信，在 AI 时代，好的科学本质上是跨学科的。将所有技能捆绑在一起，使您（和您的智能体）能够轻松地跨领域连接——例如，在一个工作流程中结合基因组学、化学信息学、临床数据和机器学习——而无需担心安装或连接哪些单独技能。

问：我可以在商业项目中使用它吗？ 答：仓库本身采用 MIT 许可证，允许商业使用。但是，单独技能可能具有不同的许可证——请检查每个技能 SKILL.md 文件中的 license 字段，以确保符合您预期用途。

问：所有技能都有相同的许可证吗？ 答：不。每个技能在其 SKILL.md 文件的 license 元数据字段中指定了自己的许可证。这些许可证可能与仓库的 MIT 许可证不同。用户有责任审阅并遵守他们使用的每个单独技能的许可证条款。

问：多久更新一次？ 答：我们定期更新技能，以反映包和 API 的最新版本。主要更新在发布说明中宣布。

问：我可以将它与其它 AI 模型一起使用吗？ 答：核心 SKILL.md 格式遵循开放 Agent Skills 标准。安装路径、发现和可选元数据支持因主机和版本而异，因此请确认目标主机的最新文档。

安装与设置

问：我需要安装所有 Python 包吗？ 答：不！只安装您需要的包。每个技能在其 SKILL.md 文件中指定了其要求。

问：如果技能不起作用怎么办？ 答：首先检查故障排除部分。如果问题仍然存在，请在 GitHub 上提交问题，并附上详细的复现步骤。

问：这些技能可以离线工作吗？ 答：数据库技能需要互联网访问来查询 API。一旦安装了 Python 依赖项，包技能可以离线工作。

💬 支持

📖 文档：查看相关的 SKILL.md 和 references/ 文件夹
🐛 错误报告：提交问题
💡 功能请求：提交功能请求
💼 企业支持：联系 K-Dense 获取商业支持

📖 引用

如果您在研究或项目中使用 Scientific Agent Skills，请引用整个集合，并在相关时引用对您的工作有实质性支持的单个技能。

推荐做法：

始终使用以下格式之一引用 Scientific Agent Skills。
同时引用每个直接有助于您分析、代码、图表、报告或研究工作流的单个技能。
如果技能包装或记录了外部包、数据库或平台，当您所在领域的规范要求时，也请引用该上游项目。

集合引用

BibTeX

@software{scientific_agent_skills_2026,
  author = {{K-Dense Inc.}},
  title = {Scientific Agent Skills: A Comprehensive Collection of Scientific Tools for AI Agents},
  year = {2026},
  url = {https://github.com/K-Dense-AI/scientific-agent-skills},
  note = {158 skills covering databases, packages, integrations, and analysis tools}
}

APA

K-Dense Inc. (2026). Scientific Agent Skills: A comprehensive collection of scientific tools for AI agents [Computer software]. https://github.com/K-Dense-AI/scientific-agent-skills

MLA

K-Dense Inc. Scientific Agent Skills: A Comprehensive Collection of Scientific Tools for AI Agents. 2026, github.com/K-Dense-AI/scientific-agent-skills.

纯文本

Scientific Agent Skills by K-Dense Inc. (2026)
Available at: https://github.com/K-Dense-AI/scientific-agent-skills

单个技能引用

引用特定技能时，请包含技能名称、该技能 SKILL.md 中 metadata.version 的版本以及直接技能 URL。例如：

@software{scientific_agent_skills_astropy_2026,
  author = {{K-Dense Inc.}},
  title = {Astropy Skill for Scientific Agent Skills},
  year = {2026},
  url = {https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/astropy},
  note = {Version 1.0, part of Scientific Agent Skills}
}

纯文本格式：

Astropy skill for Scientific Agent Skills, version 1.0.
K-Dense Inc. (2026).
https://github.com/K-Dense-AI/scientific-agent-skills/tree/main/skills/astropy

📄 许可证

本项目采用 MIT 许可证。

关键点：

✅ 免费用于任何用途（商业和非商业）
✅ 开源 - 可自由修改、分发和使用
✅ 宽松 - 对复用的限制最少
⚠️ 无担保 - 按“原样”提供，无任何形式的担保

查看 LICENSE.md 了解完整条款。

单个技能许可证

⚠️ 重要：每个技能在其 SKILL.md 文件的 license 元数据字段中指定了自己的许可证。这些许可证可能与仓库的 MIT 许可证不同，并且可能包含附加条款或限制。用户有责任审阅并遵守他们使用的每个单独技能的许可证条款。