mirrors / k-dense-ai--scientific-agent-skills

项目文件夹

0
派生 0
k-dense-ai--scientific-agent-skills
main
T
Clone
用 VS Code 打开 用 VSCodium 打开 用 Intellij IDEA 打开
下载 ZIP 下载 TAR.GZ 下载 BUNDLE

README.md

Note

本文档由 WeHub 基于上游 README 翻译整理，属于社区翻译，非官方中文文档。
English · 原始项目 · 上游 README
原作者、版权与许可证归属以原始项目及本仓库 LICENSE 文件为准。

Scientific Agent Skills

License: MIT Version Skills Databases Agent Skills Security Scan Works with X LinkedIn YouTube

Star History

Star History Chart

🔔 Claude Scientific Skills 现已更名为 Scientific Agent Skills。 技能内容不变，兼容性更广——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。

新功能：K-Dense BYOK — 一款免费、开源的 AI 协作科学家桌面应用，由 Scientific Agent Skills 驱动。自带 API 密钥（Bring Your Own API Keys），可从 40+ 款模型中选择，并获得完整研究工作区：网页搜索、文件处理、100+ 科学数据库，以及本仓库全部 148 项技能的访问权限。数据保留在你的电脑上；重负载工作还可通过 Modal 可选扩展至云端算力。点此开始使用。

保持更新： 在 X, LinkedIn, 和 YouTube 关注 K-Dense，获取新技能、版本公告、操作演示、研究工作流示例，以及可在你自己的 AI 智能体中使用的案例。

这是一套全面的 148 项开箱即用的科学与研究技能 合集（涵盖癌症基因组学、药物-靶点结合、分子动力学、RNA velocity、地理空间科学、时间序列预测、通过 Hugging Science 进行科学机器学习资源发现、78+ 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。兼容 Cursor、Claude Code、Codex、Google Antigravity 等。将你的 AI 智能体转变为研究助手，能够在生物学、化学、医学等领域执行复杂的多步骤科学工作流。

⭐ 帮助更多人发现面向科学的 AI： 如果 Scientific Agent Skills 为你节省时间、教会智能体某项工作流，或帮助实验室提速，请 为本仓库加星. 加星是公开信号，表明这些开放、可复用的研究技能值得持续维护：它帮助科学家、工程师和开源贡献者发现本项目，展示哪些智能体技能标准正在获得真实采用，并为我们继续为社区扩展该合集提供明确理由。

这些技能使你的 AI 智能体能够无缝对接多个科学领域的专业库、数据库与工具。智能体本身可使用任意 Python 包或 API，而这些明确定义的技能提供精选文档与示例，使其在以下工作流中显著更强、更可靠：

  • 🧬 生物信息学与基因组学（Bioinformatics & Genomics）- 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（Cheminformatics & Drug Discovery）- 分子性质预测、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（Proteomics & Mass Spectrometry）- LC-MS/MS 处理、肽段鉴定、谱图匹配、蛋白质定量
  • 🏥 临床研究与精准医学（Clinical Research & Precision Medicine）- 临床试验、药物基因组学、变异解读、药物安全性、临床决策支持、治疗规划
  • 🧠 医疗 AI 与临床机器学习（Healthcare AI & Clinical ML）- EHR 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（Medical Imaging & Digital Pathology）- 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（Machine Learning & 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（Materials Science & Chemistry）- 晶体结构分析、相图、代谢建模、计算化学
  • 🌌 物理与天文学（Physics & Astronomy）- 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（Engineering & Simulation）- 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（Data Analysis & Visualization）- 统计分析、网络分析、时间序列、出版级图表、大规模数据处理、EDA
  • 🌍 地理空间科学与遥感（Geospatial Science & Remote Sensing）- 卫星影像处理、GIS 分析、空间统计、地形分析、面向地球观测的机器学习
  • 🧪 实验室自动化（Laboratory Automation）- 移液协议、实验设备控制、工作流自动化、LIMS 集成
  • 📚 科学交流（Scientific Communication）- 文献综述、同行评审、科技写作、文档处理、海报、幻灯片、示意图、引文管理
  • 🔬 多组学与系统生物学（Multi-omics & Systems Biology）- 多模态数据整合、通路分析、网络生物学、系统层面洞察
  • 🧬 蛋白质工程与设计（Protein Engineering & Design）- 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（Agent Platforms & Infrastructure）- 基于 Pi 构建，含 SDK、RPC、扩展、自定义提供商/模型、包、TUI 组件与会话工具
  • 🎓 研究方法论（Research Methodology）- 假设生成、科学头脑风暴、批判性思维、基金申请写作、学者评估

将桌面上的 AI 编程智能体转变为「AI 科学家」！

🎬 初次接触 Scientific Agent Skills？ 观看我们的 Scientific Agent Skills 入门指南 视频，快速上手。

📦 包含内容

本仓库提供 148 项科学与研究技能，按以下类别组织：

  • 100+ 科学与金融数据库 - 统一的 database-lookup 技能提供对 78 个公共数据库的确定性、可追溯（provenance-rich）访问（PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO 等），另有针对 DepMap、Imaging Data Commons、PrimeKG、U.S. Treasury Fiscal Data 和 Hugging Science（Hugging Face 上跨 17 个科学领域的精选科学数据集、模型与演示目录）的专用技能。BioServices（约 40 项生物信息服务）、BioPython（通过 Entrez 访问 38 个 NCBI 子数据库）和 gget（20+ 基因组学数据库）等多数据库包进一步扩展覆盖范围
  • 70+ 优化 Python 包技能 - 为 RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioPython、pyzotero、BioServices、PennyLane、Qiskit、分子动力学（OpenMM/MDAnalysis）、scVelo、TimesFM 等明确定义技能，附带精选文档、示例与最佳实践。注意：智能体可使用任意 Python 包编写代码，不仅限于上述列表；这些技能仅为所列包提供更强、更可靠的性能
  • 9 项科学集成技能 - 为 Benchling、DNAnexus、LatchBio、OMERO、Protocols.io、Open Notebook、Ginkgo Cloud Lab、LabArchives 和 Opentrons 明确定义技能。同样，智能体并不限于这些平台——任何可通过 Python 访问的 API 或平台均可使用；这些技能是已优化、预置文档的路径
  • 30+ 分析与交流工具 - 文献综述、科技写作、同行评审、文档处理、Paperzilla、Exa Search、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、基金申请写作、临床决策支持、治疗方案、BIDS、合规监管、情景分析，以及通过 Autoskill 从工作流衍生技能起草

每个 skill 包含：

  • ✅ 完整文档（SKILL.md）
  • ✅ 实用代码示例
  • ✅ 用例与最佳实践
  • ✅ 集成指南
  • ✅ 参考材料

📋 目录

🚀 为何使用？

⚡ 加速你的研究

  • 节省数日工作量 - 跳过 API 文档调研与集成搭建
  • 生产就绪代码 - 经过测试与验证、遵循科学最佳实践的示例
  • 多步骤工作流 - 用一条提示即可执行复杂流水线

🎯 全面覆盖

  • 148 个 Skills - 覆盖所有主要科学领域的广泛能力
  • 100+ 数据库 - 通过 database-lookup 统一访问 78+ 数据库，另有专用数据访问 skills，以及 BioServices、BioPython、gget 等多数据库包
  • 70+ 优化 Python 包 Skills - RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioServices、PennyLane、Qiskit、分子动力学（OpenMM/MDAnalysis）、scVelo、TimesFM 等（agent 可使用任意 Python 包；这些是已预置文档、性能更优的路径）

🔧 轻松集成

  • 简单配置 - 将 skills 复制到 skills 目录即可开始工作
  • 自动发现 - agent 会自动找到并使用相关 skills
  • 文档完善 - 每个 skill 都包含示例、用例与最佳实践

🌟 持续维护与支持

  • 定期更新 - 由 K-Dense 团队持续维护与扩展
  • 社区驱动 - 开源项目，社区贡献活跃
  • 企业就绪 - 高级需求可提供商业支持

🎯 快速开始

方式 1：npx（全平台）

一条命令即可安装 Scientific Agent Skills：

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

这是在所有平台上安装 Agent Skills 的官方标准方式，适用于 Claude Code、Claude Cowork、Codex、Gemini CLI、Google Antigravity、Cursor、OpenClaw、NVIDIA NemoClaw、Hermes、Pi，以及任何支持开放 Agent Skills 标准的其他 agent。

方式 2：GitHub CLI（gh skill）

如果你使用 GitHub CLI（v2.90.0+），可通过 gh skill: 安装 skills：

# Browse and install interactively
gh skill install K-Dense-AI/scientific-agent-skills

# Install a specific skill directly
gh skill install K-Dense-AI/scientific-agent-skills scanpy

# Target a specific agent host
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 agent 主机的正确目录，并记录来源元数据以保障供应链完整性。

版本固定

固定到特定发布标签或 commit SHA，以实现可复现安装：

# Pin to a release tag
gh skill install K-Dense-AI/scientific-agent-skills --pin v1.0.0

# Pin to a commit SHA
gh skill install K-Dense-AI/scientific-agent-skills --pin abc123def

保持 skills 为最新

# Check for updates interactively
gh skill update

# Update all installed skills
gh skill update --all

其他 Agent Skills 主机（OpenClaw、NemoClaw、Pi、Hermes、…）

通常无需任何主机专属配置。npx skills add（方式 1）会安装到共享的 ~/.agents/skills/ 约定目录，任何会扫描该目录的合规客户端——包括 OpenClaw、NVIDIA NemoClaw（基于 OpenClaw 的安全运行时）和 Pi——都会自动发现这些 skills。项目级安装会落在 .agents/skills/，工作方式相同。若不使用 CLI，可直接克隆到上述任一位置：

git clone https://github.com/K-Dense-AI/scientific-agent-skills.git ~/.agents/skills/scientific-agent-skills   # user-level
git clone https://github.com/K-Dense-AI/scientific-agent-skills.git .agents/skills/scientific-agent-skills      # project-level

Hermes 是唯一使用自有 registry、而非共享目录的主机，因此需将仓库添加为 tap：

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

这些 skills 在所有主机上均可移植：metadata 为单行 JSON（便于 OpenClaw 的按行解析器读取），需要凭据的 skills 会声明顶层 required_environment_variables 字段（以便 Hermes 提示输入密钥），其他未知字段在各处都会被忽略。由于 148 个 skills 会累积大量常驻上下文，建议安装主题子集，而非整套合集。

NemoClaw 说明： NemoClaw 在 NVIDIA OpenShell 内运行 agent，默认拒绝出站网络。Skills 可正常发现与加载，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会生效。

就这么简单！ 你的 AI agent 会自动发现这些 skills，并在与你的科研任务相关时使用它们。你也可以在提示中提及 skill 名称来手动调用任意 skill。

⚠️ 安全声明

Skills 可执行代码并影响你的编码 agent 行为。请审查你安装的内容。

Agent Skills 功能强大——它们可指示 AI agent 运行任意代码、安装包、发起网络请求，并修改你系统上的文件。恶意或编写不当的 skill 有可能将你的编码 agent 引向有害行为。

我们高度重视安全。所有贡献都会经过审查流程，并对本仓库中的每个 skill 运行基于 LLM 的安全扫描（通过 Cisco AI Defense Skill Scanner)）。然而，作为一个小团队，面对日益增多的社区贡献，我们无法保证每个 skill 都已针对所有可能风险完成穷尽式审查。

最终由你负责审查所安装的 skills，并决定信任哪些。

我们建议如下：

  • 不要一次性安装全部内容。 只安装你实际工作所需的 skills。在 K-Dense 创建并维护每个 skill 时，安装整套合集尚属合理；如今仓库包含大量社区贡献，我们可能无法同样彻底地审查。
  • 安装前阅读 SKILL.md。 每个 skill 的文档会说明其功能、使用的包以及连接的外部服务。如有可疑之处，请勿安装。
  • 查看贡献历史。 由 K-Dense 编写的 skills（K-Dense-AI）已通过我们的内部审查流程。社区贡献的 skills 我们已尽力审查，但资源有限。
  • 自行运行安全扫描器。 安装第三方 skills 前，请在本地扫描： 
    uv pip install cisco-ai-skill-scanner
skill-scanner scan /path/to/skill --use-behavioral
  • 举报可疑内容。 如发现看似恶意或行为异常的 skill，请立即 提交 issue，以便我们调查。

所有技能大约每周扫描一次，SECURITY.md 会更新最新结果。我们会在安全漏洞出现时尽快处理。

❤️ 支持开源社区

Scientific Agent Skills 由全球敬业的开发者和研究社区维护的 50+ 个出色的开源项目 驱动。Biopython、Scanpy、RDKit、scikit-learn、PyTorch Lightning 等众多项目构成了这些技能的基础。

如果您觉得本仓库有价值，请考虑支持使其成为可能的项目：

  • ⭐ 在 GitHub 上 为他们的仓库加 Star
  • 💰 通过 GitHub Sponsors 或 NumFOCUS 赞助维护者
  • 📝 在您的出版物中 引用这些项目
  • 💻 贡献 代码、文档或错误报告

👉 查看完整支持项目列表

⚙️ 前置要求

  • Python：仓库工具链需要 3.13+；各技能的依赖可能支持更广泛的 Python 版本范围
  • uv：Python 包管理器（安装技能依赖所需）
  • Client：支持 Agent Skills 标准的任意智能体（Cursor、Claude Code、Gemini CLI、Codex、Google Antigravity 等）
  • System：macOS、Linux 或带 WSL2 的 Windows
  • Dependencies：由各技能自动处理（具体需求请查看 SKILL.md 文件）

安装 uv

这些技能使用 uv 作为安装 Python 依赖的包管理器。请根据您的操作系统按以下说明安装：

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"

替代方式（通过 pip）：

pip install uv

安装完成后，运行以下命令验证是否正常工作：

uv --version

更多安装选项和详情，请访问 官方 uv 文档.

💡 快速示例

安装技能后，您可以要求 AI 智能体执行复杂的多步骤科学工作流。以下是一些示例提示词：

🧪 药物发现流水线

目标：寻找用于肺癌治疗的新型 EGFR 抑制剂

提示词：

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.

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

🔬 单细胞 RNA-seq 分析

目标：对 10X Genomics 数据进行综合分析，并整合公共数据

提示词：

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.

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

🧬 多组学生物标志物发现

目标：整合 RNA-seq、蛋白质组学和代谢组学数据以预测患者结局

提示词：

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.

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

🎯 虚拟筛选活动

目标：发现用于蛋白质-蛋白质相互作用的变构调节剂

提示词：

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.

使用的技能：database-lookup, biopython, rdkit, diffdock, deepchem, medchem, molfeat

🏥 临床变异解读

目标：分析 VCF 文件以进行遗传性癌症风险评估

提示词：

Use available skills you have access to whenever possible. Parse VCF with pysam, annotate variants with Ensembl VEP, query ClinVar for pathogenicity, 
check COSMIC for cancer mutations, retrieve gene info from NCBI Gene, analyze protein impact 
with UniProt, search PubMed for case reports, check ClinPGx for pharmacogenomics, generate 
clinical report with document processing tools, and find matching trials on ClinicalTrials.gov.

使用的技能：pysam, database-lookup, paper-lookup, clinical-reports, docx, pdf

🌐 系统生物学网络分析

目标：从 RNA-seq 数据分析基因调控网络

提示词：

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.

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

📖 想要更多示例？ 请查看 docs/examples.md，获取涵盖所有科学领域的完整工作流示例和详细用例。

🔬 用例

🧪 药物发现与药物化学

  • Virtual Screening（虚拟筛选）：从 PubChem/ZINC 筛选数百万化合物，针对蛋白质靶点进行筛选
  • Lead Optimization（先导化合物优化）：使用 RDKit 分析构效关系（SAR），使用 datamol 生成类似物
  • ADMET Prediction（ADMET 预测）：使用 DeepChem 预测吸收、分布、代谢、排泄和毒性
  • Molecular Docking（分子对接）：使用 DiffDock 预测结合构象，并使用面向亲和力的工具对构象重新评分
  • Bioactivity Mining（生物活性数据挖掘）：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

  • Sequence Analysis（序列分析）：使用 BioPython 和 pysam 处理 DNA/RNA/蛋白质序列
  • Single-Cell Analysis（单细胞分析）：使用 Scanpy 分析 10X Genomics 数据，鉴定细胞类型，使用 Arboreto 推断 GRN
  • Variant Annotation（变异注释）：使用 Ensembl VEP 注释 VCF 文件，查询 ClinVar 获取致病性信息
  • Variant Database Management（变异数据库管理）：使用 TileDB-VCF 构建可扩展的 VCF 数据库，支持增量添加样本、高效的人群规模查询，以及基因组变异数据的压缩存储
  • Gene Discovery（基因发现）：查询 NCBI Gene、UniProt 和 Ensembl 获取全面的基因信息
  • Network Analysis（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）

🏥 临床研究与精准医疗

  • Clinical Trials（临床试验）：在 ClinicalTrials.gov 搜索相关研究，分析入组标准
  • Variant Interpretation（变异解读）：使用 ClinVar、COSMIC 和 ClinPGx 注释变异，用于药物基因组学
  • Drug Safety（药物安全）：查询 FDA 数据库获取不良事件、药物相互作用和召回信息
  • Precision Therapeutics（精准治疗）：将患者变异与靶向治疗和临床试验相匹配

🔬 多组学与系统生物学

  • Multi-Omics Integration（多组学整合）：整合 RNA-seq、蛋白质组学和代谢组学数据
  • Pathway Analysis（通路分析）：在 KEGG/Reactome 通路中对差异表达基因进行富集分析
  • Network Biology（网络生物学）：重建基因调控网络，识别枢纽基因
  • Biomarker Discovery（生物标志物发现）：整合多组学层数据以预测患者结局

📊 数据分析与可视化

  • 统计分析：进行假设检验、功效分析与实验设计
  • 出版级图表：使用 matplotlib 与 seaborn 创建出版级可视化
  • 网络可视化：使用 NetworkX 可视化生物网络
  • 报告生成：借助 PDF、DOCX、PPTX、XLSX、MarkItDown、LiteParse 以及 clinical-reporting 技能生成综合报告

🧪 实验室自动化

  • 方案设计：创建用于自动化液体处理的 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 148 项科学与研究技能，按多个领域组织。每项技能均提供完整文档、代码示例，以及使用科学库、数据库与工具的最佳实践。

技能分类

说明： 下列 Python 包与集成技能为明确定义的技能——经文档、示例与最佳实践精心整理，以实现更强、更可靠的性能。它们并非上限：智能体可安装并使用任意 Python 包或调用任意 API，即便没有专属技能。所列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（23 项技能）

  • RNA-seq 流程：Bulk RNA-seq（端到端 FASTQ -> counts -> DE -> enrichment 编排器）
  • 序列分析：BioPython、pysam、scikit-bio、BioServices
  • 单细胞分析：Scanpy、AnnData、scvi-tools、scVelo（RNA velocity）、Arboreto、Cellxgene Census
  • 基因组工具：gget、geniml、gtars、deepTools、FlowIO、Polars-Bio、Zarr、TileDB-VCF
  • 差异表达：PyDESeq2
  • 功能富集：Pathway Enrichment（ORA、GSEA/preranked、经 gseapy + g:Profiler 的 ssGSEA；GO、KEGG、Reactome、WikiPathways、MSigDB）
  • 系统发育：ETE Toolkit、Phylogenetics（MAFFT、IQ-TREE 2、FastTree）

🧪 化学信息学与药物发现（10 项技能）

  • 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、docking、cofolding）
  • 类药性：MedChem
  • 基准测试：PyTDC

🔬 蛋白质组学与质谱（2 项技能）

  • 谱图处理：matchms、pyOpenMS

🏥 临床研究与精准医学（8 项技能）

  • 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（经 idc-index 访问 NCI 放射学与病理学数据集）
  • 医疗 AI：PyHealth、NeuroKit2、Clinical Decision Support
  • 临床文档：Clinical Reports、Treatment Plans

🖼️ 医学影像与数字病理（3 项技能）

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

🧠 神经科学与电生理（2 项技能）

  • 数据标准：BIDS（Brain Imaging Data Structure，用于神经科学与生物医学数据集）
  • 神经记录：Neuropixels-Analysis（细胞外 spikes、硅探针、spike sorting）

🤖 机器学习与 AI（14 项核心技能）

  • 深度学习：PyTorch Lightning、Transformers、Stable Baselines3、PufferLib
  • 经典 ML：scikit-learn、scikit-survival、SHAP
  • 时间序列：aeon、TimesFM（Google 面向单变量预测的无样本基础模型）
  • 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（7 项技能）

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

⚙️ 工程与仿真（4 项技能）

  • 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（21 项技能）

  • 可视化：Matplotlib、Seaborn、Scientific Visualization
  • 地理空间分析：GeoPandas、GeoMaster（遥感、GIS、卫星影像、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，含边界框与 OCR）、MarkItDown、PDF、DOCX、PPTX 与 XLSX
  • 信息图：Infographics（AI 驱动的专业信息图创作）
  • 图表：Markdown & Mermaid Writing（以文本图表作为默认文档标准）
  • 探索性数据分析：EDA workflows
  • 统计分析：Statistical Analysis workflows
  • 实验设计：Experimental Design（随机化、区组、因子/部分因子 DOE、交叉、聚类、序贯设计；pyDOE3）
  • 统计功效：Statistical Power（t 检验、ANOVA、比例、相关、回归的样本量与功效——闭式解，另含 GLM、混合模型与聚类设计的仿真方法）

🧪 实验室自动化（6 项技能）

  • 液体处理：PyLabRobot 与 Opentrons
  • 云端实验室：Ginkgo Cloud Lab（跨无细胞/E. coli/Pichia 的蛋白表达与纯化、IVT RNA 合成、热位移与 Echo-MS 检测、SPR 上线，以及通过自主 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 项技能）

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

🧬 蛋白质工程与设计（4 项技能）

  • 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）
  • 云端实验室平台：Adaptyv（自动化蛋白测试与验证）
  • 云端结构与设计平台：Tamarind（托管 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，以及经 REST API 或 MCP 的 MSA 生成）

📚 科学传播（26 项技能）

  • 文献：Paper Lookup（PubMed、PMC、bioRxiv、medRxiv、arXiv、OpenAlex、Crossref、Semantic Scholar、CORE、Unpaywall）、Literature Review、Paperzilla
  • 高级论文检索：BGPT Paper Search（每篇论文 25+ 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）
  • 网络搜索：Parallel Web、Exa Search 与 Research Lookup
  • 研究笔记本：Open Notebook（自托管 NotebookLM 替代方案——PDF、视频、音频、网页；16+ AI 提供商；多说话人播客生成）
  • 写作：Scientific Writing、Peer Review
  • 文档处理：LiteParse、PDF、DOCX、PPTX、XLSX 与 MarkItDown
  • 发表与论文工作流：Venue Templates
  • 演示：Scientific Slides、LaTeX Posters、PPTX Posters
  • 图表：Scientific Schematics、Markdown & Mermaid Writing
  • 信息图：Infographics（10 种类型、8 种风格、色盲友好调色板）
  • 引用：Citation Management、pyzotero
  • 插图：Generate Image（AI 图像生成，使用 FLUX.2 Pro 与 Gemini 3 Pro（Nano Banana Pro））

🔬 科学数据库与数据访问（6 项技能 → 合计 100+ 数据库）

统一的 database-lookup 技能为各领域 78 个公共数据库提供确定性 REST API 访问，含检索契约、分页/计数核对与端点来源追溯。专属技能覆盖专业化数据平台。BioServices（约 40 项生物信息服务）、BioPython（经 Entrez 访问 38 个 NCBI 子数据库）与 gget（20+ 基因组数据库）等多数据库包进一步扩展覆盖范围。

  • 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、经济等——PubChem、ChEMBL、UniProt、PDB、AlphaFold、KEGG、Reactome、STRING、ClinVar、COSMIC、ClinicalTrials.gov、FDA、FRED、USPTO、SEC EDGAR 等数十个——含可审计筛选与来源追溯）
  • 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（经 idc-index 访问 NCI 放射学与病理学数据集）
  • 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：U.S. Treasury Fiscal Data（国债、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、博客文章与交互式 Spaces 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——含 datasets、transformers 与 gradio_client 的使用模式）

🔧 Infrastructure & Platforms（11 项技能）

  • 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 与 nf-core 流水线——DSL2 模块、执行器/容器、HPC/云扩展）以及 pacsomatic（nf-core/pacsomatic 肿瘤-正常体细胞变异检测工作流的操作员工具包）
  • 显微成像：OMERO
  • 自动化：Opentrons
  • 资源检测：Get Available Resources
  • 工作流挖掘：Autoskill（基于本地 screenpipe 的重复工作流检测与技能起草）
  • 智能体平台开发：Pi Agent（将 Pi 用作终端编码工具，并基于 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）

🎓 Research Methodology & Planning（12 项技能）

  • 创意构思：Scientific Brainstorming、Hypothesis Generation
  • 自主优化：Arbor（Hypothesis Tree Refinement——在留出测试门控防止过拟合的同时，针对开发评估器迭代改进代码/模型/智能体工具/数据制品）
  • 批判性分析：Scientific Critical Thinking、Scholar Evaluation
  • 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（多元专家观点、魔鬼代言人分析）
  • 认知画像：DHDNA Profiler（从任意文本中提取思维模式与认知特征）
  • 资助申请：Research Grants
  • 文献发现：Research Lookup、Paper Lookup（10 个学术数据库）
  • 市场分析：Market Research Reports

⚖️ Regulatory & Standards（1 项技能）

  • 医疗器械标准：ISO 13485 Certification

📖 如需了解所有技能的完整详情，请参阅 docs/skills.md

💡 想找实用示例？ 请查看 docs/examples.md，其中包含跨各科学领域的综合工作流示例。

🤝 Contributing

我们欢迎贡献，以扩展和改进这一科学技能仓库！

有关添加或更新技能的详细说明，请参阅 CONTRIBUTING.md。该指南涵盖仓库结构、必需的 SKILL.md frontmatter、Agent Skills 规范要求、版本管理、验证、安全扫描以及拉取请求预期。

Ways to Contribute

✨ Add New Skills

  • 为更多科学软件包或数据库创建技能
  • 为科学平台与工具添加集成

📚 Improve Existing Skills

  • 通过更多示例和用例增强文档
  • 添加新的工作流和参考资料
  • 改进代码示例和脚本
  • 修复 bug 或更新过时信息

🐛 Report Issues

  • 提交包含详细复现步骤的 bug 报告
  • 提出改进建议或新功能

How to Contribute

  1. Fork 该仓库
  2. Create 一个功能分支（git checkout -b feature/amazing-skill）
  3. Follow CONTRIBUTING.md 及现有目录结构
  4. Ensure 所有新技能均包含带有必需 frontmatter 和 metadata.version 的有效 SKILL.md 文件
  5. Test 充分测试你的示例和工作流
  6. Commit 你的更改（git commit -m 'Add amazing skill'）
  7. Push 到你的分支（git push origin feature/amazing-skill）
  8. Submit 提交拉取请求，并清晰描述你的更改

Contribution Guidelines

✅ 遵守 Agent Skills Specification** — 每项技能必须遵循官方规范（有效的 SKILL.md frontmatter、命名约定、目录结构）
✅ 在每个 SKILL.md 中包含带引号的 metadata.version 值
✅ 更新现有技能时递增 metadata.version
✅ 与现有技能文档格式保持一致
✅ 确保所有代码示例经过测试且可运行
✅ 在示例和工作流中遵循科学最佳实践
✅ 添加新能力时更新相关文档
✅ 在代码中提供清晰的注释和 docstrings
✅ 包含对官方文档的引用

Security Scanning

本仓库中的所有技能均使用 Cisco AI Defense Skill Scanner, 进行安全扫描，这是一款可检测 Agent Skills 中提示注入、数据外泄和恶意代码模式的开源工具。

如果你正在贡献新技能，建议在提交拉取请求前在本地运行扫描器：

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

Note: 干净的扫描结果可减少评审噪音，但并不能保证技能完全没有风险。贡献的技能在合并前也会经过人工审核。

Recognition

贡献者会在我们的社区中获得认可，并可能出现在：

  • 仓库贡献者列表
  • 发布说明中的特别致谢
  • K-Dense 社区亮点

你的贡献有助于让科学计算更易获取，并帮助研究人员更有效地利用 AI 工具！

Support Open Source

本项目基于 50 多个出色的开源项目构建。如果你觉得这些技能有价值，请考虑支持我们所依赖的项目。

🔧 Troubleshooting

Common Issues

Problem: Skills not loading

  • 确认技能文件夹位于正确目录（参见 Getting Started）
  • 每个技能文件夹必须包含 SKILL.md 文件
  • 复制技能后重启你的 agent/IDE
  • 在 Cursor 中，检查 Settings → Rules 以确认技能已被发现

Problem: Missing Python dependencies

  • 解决方案：查看特定 SKILL.md 文件中列出的必需软件包
  • 安装依赖：uv pip install package-name

Problem: API rate limits

  • 解决方案：许多数据库设有速率限制。请查阅特定数据库文档
  • 考虑实现缓存或批量请求

Problem: Authentication errors

  • 解决方案：部分服务需要 API 密钥。请查看 SKILL.md 了解身份验证配置
  • 验证你的凭据和权限

Problem: Outdated examples

  • 解决方案：通过 GitHub Issues 报告该问题
  • 查阅官方软件包文档以获取更新后的语法

Problem: gh skill install 或指向 scientific-skills/ 的文档链接失败（v2.43.0+）

  • 自 v2.43.0 起，技能位于 skills/（而非 scientific-skills/），以匹配 GitHub CLI 所期望的 Agent Skills 布局
  • 将手动复制路径、书签和引用从 scientific-skills/<name> 更新为 skills/<name>
  • 拉取最新版本后重新运行 gh skill install K-Dense-AI/scientific-agent-skills

❓ FAQ

General Questions

Q: Is this free to use?
A: 可以！本仓库采用 MIT 许可证。不过，每项技能在其 SKILL.md 文件内的 license 元数据字段中均指定了各自的许可证——请务必查阅并遵守相关条款。

Q: Why are all skills grouped together instead of separate packages?
A: 我们认为，在 AI 时代，优秀的科学研究本质上是跨学科的。将所有技能捆绑在一起，可让你（以及你的 agent）轻松跨越领域——例如，在一个工作流中结合基因组学、化学信息学、临床数据和机器学习——而无需操心该安装或对接哪些单独的技能。

Q: Can I use this for commercial projects?
A: 仓库本身采用 MIT 许可证，允许商业使用。不过，各单项技能可能有不同许可证——请查看每项技能 SKILL.md 文件中的 license 字段，以确保符合你的预期用途。

Q: Do all skills have the same license?
A: 否。每项技能在其 SKILL.md 文件内的 license 元数据字段中均指定了各自的许可证。这些许可证可能与仓库的 MIT License 不同。用户有责任查阅并遵守其所使用的每项技能的许可条款。

Q: 更新频率如何？
A: 我们会定期更新 skills，以反映软件包和 API 的最新版本。重大更新会在 release notes 中公布。

Q: 能否与其他 AI 模型配合使用？
A: 这些 skills 遵循开放的 Agent Skills 标准，可与任何兼容的智能体（agent）配合使用，包括 Cursor、Claude Code、Codex、Google Antigravity、OpenClaw、NVIDIA NemoClaw、Hermes 和 Pi。

安装与配置

Q: 是否需要安装全部 Python 软件包？
A: 不需要！只安装你需要的软件包即可。每个 skill 会在其 SKILL.md 文件中说明依赖要求。

Q: 某个 skill 无法正常工作怎么办？
A: 请先查看 故障排除 章节。若问题仍然存在，请在 GitHub 上提交 issue，并提供详细的复现步骤。

Q: skills 能否离线使用？
A: 数据库类 skills 需要联网才能查询 API。软件包类 skills 在安装好 Python 依赖后即可离线使用。

参与贡献

Q: 我可以贡献自己的 skills 吗？
A: 当然可以！我们欢迎贡献。请参阅 参与贡献 章节了解指南与最佳实践。

Q: 如何报告 bug 或提出功能建议？
A: 在 GitHub 上提交 issue，并附上清晰说明。若为 bug，请包含复现步骤，以及预期行为与实际行为的对比。

💬 支持

需要帮助？可通过以下方式获取支持：

  • 📖 文档：查看相关的 SKILL.md 和 references/ 文件夹
  • 🐛 Bug 报告：提交 issue
  • 💡 功能请求：提交功能请求
  • 📣 更新与演示：关注 X, LinkedIn, 和 YouTube，及时了解新 skills、教程及 Scientific Agent Skills 发布动态
  • 💼 企业支持：联系 K-Dense 获取商业支持

📖 引用

若在研究或项目中使用了 Scientific Agent Skills，请引用整个技能集；若相关，也请引用对你的工作有实质性帮助的具体 skill 或 skills。

引用整个集合有助于他人找到该仓库、了解你工作流中使用的更广 skill 生态，并认可 Scientific Agent Skills 背后的维护工作。引用单个 skill 则能更精确地致谢你的智能体所依赖的具体软件包、数据库或工作流指导。

推荐做法：

  • 请始终使用以下格式之一引用 Scientific Agent Skills。
  • 同时引用直接参与你的分析、代码、图表、报告或研究工作流的每个 skill。
  • 若某个 skill 封装或记录了外部软件包、数据库或平台，且你所在领域的惯例要求如此，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 = {148 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 Skill 引用

引用特定 skill 时，请包含 skill 名称、该 skill 的 SKILL.md 中来自 metadata.version 的版本信息，以及 skill 的直接 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

感谢在受益于这些 skills 的出版物、演示或项目中予以致谢。

📄 许可证

本项目采用 MIT License 许可。

Copyright © 2026 K-Dense Inc. (k-dense.ai)

要点：

  • ✅ 可免费用于任何用途（商业与非商业）
  • ✅ 开源——可自由修改、分发和使用
  • ✅ 宽松许可——对再利用的限制极少
  • ⚠️ 无担保——按“原样”提供，不承担任何担保

完整条款请参阅 LICENSE.md。

各 Skill 许可证

⚠️ 重要提示：每个 skill 在其 SKILL.md 文件的 license 元数据字段中单独指定了许可证。这些许可证可能与仓库的 MIT License 不同，并可能包含额外条款或限制。用户有责任查阅并遵守其所使用的每个 skill 的许可条款。

在新工单中引用 查看 Git Blame 复制永久链接