科学智能体技能库（Scientific Agent Skills）
将任何 AI 智能体转变为 AI 科学家：159 项现成技能与 100+ 科学数据库，覆盖生物、化学、医学和药物发现。
证据显示：README 明确警告技能可执行代码，建议用户审查并仅安装所需子集；SECURITY.md 定义了漏洞报告流程和扫描机制；技能来源有归属（如 Anthropic 的文档技能）。扣分：未提供最小权限原则的具体实现，如技能是否请求不必要的权限；用户确认机制未明确，仅建议用户审查；数据流透明度不足，未说明技能如何收集或传输数据；敏感数据处理仅提及避免凭证泄露，但无具体措施；依赖安全仅提及扫描，未提供依赖锁定或漏洞数据库；外部影响未明确说明技能可能产生的副作用；回滚机制完全缺失。
证据显示：测试契约（tests/_contract）定义了结构、CLI 和共享文件的测试，确保一致性；失败消息设计良好，如 CLI 测试会报告超时和缺失依赖。扣分：依赖可用性未充分验证，仅提及测试在隔离环境下运行；未提供依赖版本锁定或兼容性矩阵。
证据显示：README 明确目标受众（科学家、工程师）和多种使用场景（药物发现、单细胞分析等）；能力边界有说明，如医疗技能仅用于研究，不用于诊断；环境适配良好，支持多种代理宿主和操作系统。扣分：触发精度不足，未说明技能如何被触发，仅提及手动调用；未提供技能选择或上下文管理的详细机制。
证据显示：信息架构清晰，有目录和分类；安装说明详细，提供多种安装方式；命名稳定，技能名称一致；示例和 FAQ 丰富；已知限制在安全免责声明中提及；MIT 许可证明确；版本和变更日志通过 release.yml 自动生成；维护责任明确，由 K-Dense 团队维护。扣分：命名稳定性未明确承诺，但版本控制存在。
证据显示：输出可用性高，技能提供代码示例和文档；边际价值高，节省 API 文档研究时间；成本效益合理，开源免费。扣分：未提供实际运行结果或性能数据，仅静态评估。
证据显示：README 中的声明部分有链接支持（如安全扫描徽章），但未提供具体证据；跨来源验证不足，仅依赖单一仓库；事实与推断分离不明确，如声称'170,000+ 科学家使用'无来源。扣分：声明可追溯性弱，缺乏具体数据或引用。
- 技能可执行任意代码，安装前务必审查 SKILL.md 和脚本。
- 未提供回滚机制，安装后难以撤销。
- 依赖安全仅依赖扫描，未提供锁定文件，供应链风险存在。
- 声明如'170,000+ 科学家使用'缺乏可验证来源。
这个 Agent 能做什么，适合哪些场景？
Scientific Agent Skills 是一个 MIT 许可的开源技能库，由 K-Dense 开发，包含 159 项可直接用于科学研究的 Agent Skills，以及 100+ 科学数据库的统一访问接口。这些技能遵循开放的 Agent Skills 标准，能够与 Cursor、Claude Code、Codex、Google Antigravity 等主流编码智能体兼容，使智能体可执行复杂的多步骤科学工作流。技能覆盖生物信息学（如单细胞 RNA-seq、基因组学）、化学信息学（如分子性质预测、虚拟筛选）、蛋白质组学、临床研究、医学影像、机器学习、材料科学等多个领域。每个技能都包含详细文档、代码示例、最佳实践和测试套件，并有定期安全扫描。该库由社区维护，还提供了如 Paperclip（全文文献检索）、数据库查找、PK/PD 建模等特色工具。
该库提供了一系列预定义的技能（skills），每个技能包含 SKILL.md 文档、代码示例和测试。安装后，智能体可通过技能发现机制在需要时自动调用。例如，数据库查找技能通过 REST API 提供对 78 个公共数据库的确定性访问，包括 PubChem、ChEMBL、UniProt 等。其他技能如 scanpy 用于单细胞分析，rdkit 用于分子操作，paper-lookup 用于文献检索。技能通常使用 Python 和 uv 包管理器安装依赖，并可与外部 API 交互。输出包括可视化图表、研究报告、虚拟筛选结果等。
- 药物发现研究人员：利用 ChEMBL 查询 EGFR 抑制剂，使用 RDKit 进行 SAR 分析，并借助 DiffDock 进行虚拟筛选。
- 生物信息学家：分析单细胞 RNA-seq 数据，进行差异表达和基因调控网络推断。
- 临床研究员：检索临床试验、药物安全性数据，进行 PK/PD 建模和剂量方案评估。
- 材料科学家：利用 pymatgen 和 Materials Project 进行晶体结构分析和性质预测。
- 科研写作人员：使用 scikit-learn 和 statsmodels 进行统计分析和生成科学图表。
- 实验室自动化工程师：使用 Opentrons 技能进行液体处理协议设计和模拟。
这个 Agent 有哪些优点和局限？
- 覆盖广泛：159 项技能和 100+ 数据库，涵盖多个科学领域。
- 标准化：遵循开放的 Agent Skills 标准，兼容多种编码智能体。
- 高质量：每个技能包含文档、示例和测试，并有安全扫描。
- 社区驱动：由 K-Dense 维护，并有活跃的社区贡献。
- 上下文开销：全部技能安装可能占用大量上下文，建议按需安装子集。
- 依赖复杂：技能依赖众多 Python 包，需使用 uv 管理，可能增加环境配置难度。
- 安全风险：社区贡献的技能可能未经过深度审查，需用户自行评估。
- 学习曲线：需要理解 Agent Skills 标准及技能安装配置。
如何安装或部署这个 Agent？
建议使用 npx 命令：npx skills add K-Dense-AI/scientific-agent-skills。也可使用 GitHub CLI（v2.90.0+）：gh skill install K-Dense-AI/scientific-agent-skills。对于其他支持 Agent Skills 的主机，可手动克隆仓库到 ~/.agents/skills/ 或 .agents/skills/ 目录。需要 Python 3.13+ 和 uv 包管理器。
如何使用这个 Agent？
安装后，智能体可从配置的路径中发现技能。用户可在提示中提及技能名称来手动调用，例如“使用 scanpy 技能分析此单细胞数据”。技能会自动安装依赖并执行工作流。建议先阅读相关 SKILL.md 文档以了解具体用法和注意事项。