scientific-agent-skills：为AI代理提供165项科学研究技能
给科研人员用的AI代理技能库，含165项技能和100+数据库，强调可验证工作流而非只生成答案。
GitHub K-Dense-AI/scientific-agent-skills 更新 2026-09-04 分支 main 星标 43.0K 分叉 3.9K
Agent Skills 科学研究 Python Claude Code Cursor 科学数据库

🧭 决策指南

为什么现在热： 无法从材料判断

适合，如果你

  • 你使用Claude Code、Codex、Cursor或Google Antigravity，需要直接安装Agent Skills。
    README“Getting Started”中的“Option 1: npx (supported hosts)”列出这些主机，并提供npx安装命令。
  • 你的工作涉及ClinicalTrials.gov、ClinVar、COSMIC或FDA的聚合证据检索。
    README“Clinical Research & Evidence Workflows”列出Clinical databases以及Clinical Trials、Variant Evidence Review和Drug Safety Research。
  • 你需要PK/PD、暴露-反应、群体药代或首人体剂量分析技能。
    README“Clinical Pharmacology”列出compartmental and population PK、exposure-response、bioequivalence和first-in-human dose。
  • 你希望技能中的scripts有tests，并在Pull Request中接受结构契约检查。
    README“Why Use This?”的“Tested in CI”说明scripts技能有tests，仓库级检查覆盖frontmatter、链接解析、脚本解析和--help行为。

不适合，如果你

  • 你要让系统直接决定个体临床试验资格、诊断或治疗方案。
    README明确写明Clinical Trials不决定individual eligibility，Clinical documentation不诊断或推荐care。
  • 运行环境不能访问外部API，但你依赖ClinicalTrials.gov、ClinVar或FDA技能。
    README FAQ“Do the skills work offline?”说明database skills需要互联网访问查询API。
  • 你需要一个已有稳定版本发布记录的依赖，而仓库元数据显示“No releases”。
    项目数据中的“版本发布”为0个、“最新版本”为“No releases”。
  • 你需要明确的近期维护指标，但项目数据中的最近更新为Unknown。
    项目基础信息显示“维护状态：最近更新 Unknown”。

前置条件

  • 需要受支持的Agent Skills主机；README列出Claude Code、Claude Cowork、Codex、Gemini CLI、Google Antigravity和Cursor。
  • Python依赖使用uv管理；README提供macOS/Linux的curl安装命令、Windows的PowerShell安装命令和pip安装方式。
  • 数据库技能需要互联网访问API；Package skills在安装Python依赖后可离线运行。
  • 各技能的具体依赖写在对应的SKILL.md文件中。

第一步命令（README 原文）

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

要注意

  • npx安装后的路径和可选元数据行为要按主机当前文档确认。
    README“Option 1: npx”明确要求确认installation paths和optional metadata behavior。
  • 不要把aggregate Clinical Trials分析当成个体资格判断。
    README Use Cases明确限定Clinical Trials为aggregate trial landscapes和protocol criteria分析。
  • Variant Evidence Review的解释责任仍由qualified professionals承担。
    README明确提到ClinVar、COSMIC和ClinPGx注释后，由qualified professionals保留interpretation responsibility。
  • 仓库技能数量存在163与165两种说法。
    核心描述写165 ready-to-use validated skills，而README“Available Skills”写163 scientific and research skills。

材料未说明

  • 没有提供各技能完整的Python依赖、API凭证要求和服务覆盖清单。
  • 没有说明Claude Code、Cursor、Codex等主机的最低版本或完整兼容矩阵。
  • 没有提供各技能的性能、准确率或端到端运行时间指标。
  • 没有说明100+科学数据库各自的访问限制、配额、数据版本和许可条件。
  • 项目元数据显示贡献者为0、最近提交为0，但README同时称项目有active community contributions，实际社区活跃度无法从材料核实。
  • README和核心描述的技能数量分别为163和165，未说明差异原因。
  • README提到individual skill licenses，但提供材料未列出各技能的具体许可证。

💡 深度解析

6
适合 我主要在 ClinicalTrials.gov、ClinVar、COSMIC 和 FDA 数据库上做聚合研究，不希望代理做个体患者诊断或入组决定；这个项目是否适合？
适合读者： 需要查询 ClinicalTrials.gov、ClinVar、COSMIC 和 FDA 聚合证据的临床研究人员

适合，但仅限聚合证据研究和文档支持，不适合直接承担临床决策。

  • README 列出 ClinicalTrials.gov、ClinVar、ClinPGx、COSMIC、FDA、cBioPortal 和 Monarch 等临床数据库技能。
  • 临床用例明确支持分析聚合试验景观、变异证据和 FDA 不良事件、相互作用及召回信息。
  • README 同时限定：Clinical Decision Support 只生成本地、聚合或合成的评估与治理材料；临床文档技能只整理已由授权专业人员确认的决定。
  • 数据库技能通常需要互联网访问，结果还会受 API 限流、认证、数据更新和许可条件影响，因此不能把它当作稳定的临床数据库替代品。
  • Use Cases / Clinical Research & Evidence Workflows：ClinicalTrials.gov、ClinVar、COSMIC、FDA
  • Use Cases：Analyze aggregate trial landscapes and protocol criteria without deciding individual eligibility
  • Use Cases：Decision-Support Evaluation — local, aggregate or synthetic ... only
  • FAQ：Database skills require internet access to query APIs
材料未说明：README 未说明每个数据库 API 的认证方式、速率限制和服务可用性；README 未说明组织内部临床数据的隐私隔离、审计和合规部署方式
适合 我在 Claude Code 中复现一篇 Nature Medicine 论文，希望代理读取全文、执行分析代码，并把结论绑定到行号级引用；这个项目适合吗？
适合读者： 需要复现 Nature Medicine 论文分析并生成带行号引用的科研写作者

适合，尤其适合把论文复现、全文证据检索和科研写作连接起来，但它不会保证复现结果自动正确。

  • README 的教程直接包含“Can AI Reproduce a Nature Medicine Paper?”，说明项目针对端到端论文分析复现提供了实际演示。
  • Full-Text Evidence Retrieval 支持搜索和阅读论文、监管文件及试验记录，并返回固定到行号而非仅摘要的引用。
  • 项目强调保存来源、代码、数据出处和中间工作；这与复现任务需要比较样本数、效应量、图表和原文结论相匹配。
  • README 引用的内部基准显示，9 个前沿模型在 178 个科学任务中有 40% 的运行出现过度声称，因此代理报告“完成”不能替代独立核对。
  • More tutorials：Can AI Reproduce a Nature Medicine Paper?
  • Use Cases / Full-Text Evidence Retrieval：returning citations pinned to line numbers rather than to abstracts
  • Why the workflow layer matters：overclaiming in 40% of runs
材料未说明：README 未说明 Nature Medicine 示例所用论文、数据集、代码和具体复现成功标准；README 未说明全文检索服务对付费墙、版权内容和访问凭证的处理方式
适合 我已经在 Claude Code 或 Cursor 中处理单细胞 RNA 测序和多组学数据，想让代理完成数据分析、可视化和生物标志物发现；这个项目适合我的工作流吗？
适合读者： 使用 Claude Code 或 Cursor 处理单细胞 RNA 测序和多组学数据的生物信息学研究人员

适合，因为 README 明确覆盖单细胞 RNA 测序、多组学生物标志物发现和数据可视化，并能把这些步骤组织成 Agent Skills。

  • 项目提供 163 个科学研究技能，覆盖 Bioinformatics & Genomics、Multi-Omics & Systems Biology，以及 Data Analysis & Visualization。
  • README 的示例工作流包含“Single-Cell RNA-seq Analysis”和“Multi-Omics Biomarker Discovery”，与目标任务直接对应。
  • 每个技能通常包含 SKILL.md、代码示例、依赖和最佳实践；Python 负责数据处理、统计分析和绘图。
  • 但结果仍依赖输入数据格式、代理选择技能的准确性和用户对统计方法的判断，不能把脚本成功运行等同于生物学结论成立。
  • Available Skills：This repository contains 163 scientific and research skills
  • README 省略章节：Single-Cell RNA-seq Analysis、Multi-Omics Biomarker Discovery
  • FAQ：Each skill specifies its requirements in its SKILL.md file
uv --version
材料未说明：README 未说明具体单细胞工具链、支持的数据文件格式和各技能对样本规模的性能边界；README 未给出该工作流在用户实际数据集上的运行时间和内存需求
视情况 我用 uv 管理 Python 依赖，工作包括非房室分析、群体 PK、PBPK、暴露-反应和 ICH M12 下的 DDI 预测；这个项目能否覆盖我的研究流程？
适合读者： 使用 uv 管理 Python 环境、需要执行 PK/PD、PBPK 和 DDI 预测的临床药理研究人员

视情况：流程覆盖度较高，但是否能替代现有药理软件取决于你的模型、数据和验证要求。

  • README 的 Clinical Pharmacology 技能覆盖非房室分析、房室和群体 PK、暴露-反应与 Emax、PBPK 方向、生物等效性、首人体剂量、DDI 预测、浓度-QTc 和 Bayesian TDM。
  • 文档明确写明该技能使用 stdlib + numpy/scipy，且不调用专有估计软件；这适合 Python 工作流，但不代表拥有商业软件的全部估计能力。
  • uv 被指定为 Python 依赖管理器，每个技能只安装自身需要的包，避免一次性安装全部依赖。
  • 临床药理输出仍属于研究与文档支持，README 没有承诺法规申报级验证或自动剂量决策。
  • Available Skills / Clinical Research & Evidence Workflows：PK/PD Modeling ... stdlib + numpy/scipy, no proprietary estimation software invoked
  • Installing uv：The skills use uv as the package manager for installing Python dependencies
  • Use Cases：Clinical Pharmacology
curl -LsSf https://astral.sh/uv/install.sh | sh
材料未说明：README 未说明支持哪些具体 PK/PD 输入格式、模型估计算法和参数诊断报告；README 未提供 PBPK、DDI 或群体 PK 技能的公开基准结果和法规验证证据
适合 我想为现有仓库新增一个带 Python 脚本、references、examples 和 tests 的自定义技能，并在提交前通过 frontmatter、链接和 --help 检查；这个项目适合我扩展吗？
适合读者： 维护科研自动化仓库、准备编写并贡献自定义 Agent Skill 的 Python 开发者

适合，因为项目把技能设计成可扩展、可测试和可打包的独立单元，并提供从零编写技能的教程。

  • README 教程包含“Writing, testing, and packaging a new skill from scratch”，直接覆盖你的贡献路径。
  • 技能通常由 SKILL.md、references、examples、scripts 和 tests 组成，既能表达自然语言工作流，也能附带可执行实现。
  • 项目洞察列出的 CI 检查包括脚本测试、frontmatter 校验、链接解析、脚本语法检查和 –help 行为检查，与你的提交门槛一致。
  • 项目整体采用 MIT License，但 README 明确要求单独核查各技能、依赖库和数据源的许可证；新增技能若接入外部数据库，还需要处理网络和数据许可问题。
  • More tutorials：Writing, testing, and packaging a new skill from scratch
  • 项目洞察 / technical_approach：每个技能可附带 references、examples、scripts 和 tests
  • 项目洞察 / key_features：CI 测试包含脚本测试、frontmatter 检查、链接解析、脚本语法检查和 --help 行为检查
  • Key Points / Individual Skill Licenses
pip install uv
材料未说明：README 未提供完整的技能目录模板、必需 frontmatter 字段和本地 CI 执行命令；README 未说明贡献审核周期、技能维护责任和新增技能的领域质量标准
适合 我需要同时支持 Claude Code、Cursor、Codex 和 Pi，并尽量避免绑定单一代理平台；这个技能库能否作为跨宿主的科研工作流层？
适合读者： 希望在 Claude Code、Cursor、Codex、Pi 和其他 Agent Skills 宿主之间迁移科研流程的平台工程师

适合，因为项目以开放 Agent Skills 标准组织技能，并明确列出多个兼容宿主。

  • 项目数据声明兼容 Cursor、Claude Code、Codex、Pi、Antigravity 以及开放 Agent Skills 标准。
  • README 的集成章节还列出 npx、GitHub CLI、Agent Plugins，以及 OpenClaw、NemoClaw、Pi、Hermes 等其他宿主路径。
  • 技能单元通过 SKILL.md 描述适用场景、调用方式、依赖和工作流，代理宿主与 Python 科学工具层相对分离。
  • 但 README 也提示不同宿主对标准、安装路径、插件机制和元数据的支持可能不同；项目没有正式 Release，项目数据中的 latest_release 为空，因此不能假定所有宿主行为完全一致。
  • 项目数据：Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard
  • README 省略章节：Option 1: npx、Option 2: GitHub CLI、Option 3: Agent Plugins、Other Agent Skills hosts
  • 项目数据：latest_release 为空；release_count 为 0
材料未说明：README 未提供每个宿主的兼容性矩阵、版本要求和安装路径差异；README 未说明跨宿主迁移时技能元数据、权限和上下文行为是否完全一致

✨ 核心亮点

  • 覆盖165项技能与100+科学数据库
  • 支持Claude Code、Codex、Cursor等主机
  • scripts技能配套tests并执行CI结构检查
  • 涵盖ClinVar、COSMIC与FDA证据工作流

🔧 工程化

  • 用npx skills add安装科学Agent Skills
  • 支持ClinicalTrials.gov、ClinVar和FDA查询
  • 提供PK/PD建模、药物安全与临床证据技能
  • 通过uv按技能安装Python依赖

⚠️ 风险

  • 临床技能不决定个体资格或诊疗方案
  • 数据库技能查询API需要互联网访问
  • 每项技能依赖需查看对应SKILL.md
  • 元数据显示贡献者和版本发布均为0

👥 适合谁？

  • 使用Claude Code、Codex或Cursor的科研开发者
  • 需要ClinVar、COSMIC或FDA证据检索的团队
  • 需要PK/PD、药物发现或生物信息学工作流的研究者