177 个科研技能打包送给你：当 AI Agent 学会做实验、跑 CRISPR、处理核磁共振

仓库： K-Dense-AI/scientific-agent-skills
语言： Python | 协议： MIT | 今日 stars： 1158 ↑
论文： Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents（arXiv:2609.00065）
标准： Agent Skills 开放标准
兼容： Cursor、Claude Code、Codex、Google Antigravity

一、177 个技能是什么概念

K-Dense AI 发布了一个仓库，包含 177 个科学研究技能，覆盖：

• 🧬 生物信息学与基因组学（序列分析、单细胞 RNA-seq、CRISPR 筛选、引物设计、系统发育）
• 🧪 化学信息学与药物发现（分子性质预测、虚拟筛选、ADMET 分析、分子对接、NMR 处理）
• 🔬 蛋白质组学与质谱（LC-MS/MS、肽段鉴定、光谱匹配、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、PK/PD 建模）
• 🧠 神经科学与电生理（BIDS 数据集、NWB 转换、胞外记录）
• 🖼️ 显微镜与医学影像（荧光显微、DICOM 处理、全切片图像分析）
• 🤖 机器学习与 AI（深度学习、强化学习、时间序列、可解释性、贝叶斯方法）
• 🔮 材料科学与化学（晶体结构、CALPHAD 相平衡、计算化学）
• 🌌 物理与天文学（天文数据处理、坐标变换、宇宙学计算）
• ⚙️ 工程与仿真（电池循环模型、化学动力学、流体力学、离散事件仿真）
• 📊 数据分析与可视化（统计、网络分析、出版级图表）
• 🌊 化学海洋学（海水碳酸盐化学、海洋酸化）

外加 100+ 科学数据库的访问接口。

这不是一个"AI 帮你写论文"的项目。这是一个"让任何 AI Agent 变成 AI 科学家"的基础设施。

二、为什么需要"科研技能"

通用 LLM 在科学任务上的表现有一个悖论：它知道概念，但不知道约定。

举个例子。你让 Claude 帮你处理一个单细胞 RNA-seq 数据集。Claude 知道什么是 scRNA-seq，知道 Seurat 和 Scanpy 是常用工具，知道要做降维和聚类。但 Claude 不知道：

• 10x Genomics 的输出矩阵是 Market Exchange 格式（.mtx），需要按基因组+条形码双索引加载
• 质控时线粒体基因比例阈值在不同组织里不一样（心肌细胞 5%，上皮细胞 10%）
• 双细胞（doublet）检测必须在聚类之前做，否则会污染下游分析
• Harmony 和 CCA 是两种不同的批次校正策略，选择取决于批次效应的来源

这些不是"知识"——这是程序性知识（procedural knowledge）。它不是关于"什么是 scRNA-seq"，而是关于"如何正确地做 scRNA-seq"。这种知识通常存在于资深实验员的手记、实验室 SOP、或者某篇被引用了 5000 次的方法学综述里。

K-Dense 的 177 个技能，本质上就是把这些程序性知识结构化成 Agent 可读的格式。

三、技能的结构：不只是文档

每个技能是一个 SKILL.md 文件，但内容远不止"使用说明"。一个典型的科研技能包含：

1. 触发条件

什么时候应该激活这个技能。不是关键词匹配——而是任务语义匹配。比如"分析单细胞数据"触发 scRNA-seq 技能，但"解释什么是单细胞测序"不触发（因为这是概念解释，不需要程序性知识）。

2. 科学约定

这个领域有哪些"不言而喻的规则"。比如处理 NMR 数据时：

• 1D NMR 的化学位移参考标准是 TMS（四甲基硅烷）= 0 ppm
• 溶剂峰位置是校准参考（DMSO-d6 在 2.50 ppm）
• 相位校正和基线校正的顺序不能反

这些约定在任何教科书里都能找到，但 LLM 经常搞混——因为它没有把这些约定当作"必须遵守的约束"，而是当作"可选的建议"。

3. 验证检查

技能不只是告诉 Agent 怎么做，还告诉 Agent 做完后怎么检查。比如分子对接完成后：

• 检查配体在结合口袋内的构象是否合理（RMSD < 2.0 Å）
• 检查关键残基的相互作用是否保留
• 检查对接得分是否在物理合理范围内（ΔG > -15 kcal/mol 需要警惕）

这些验证步骤让 Agent 的输出从"看起来对"变成"经得起检查"。

4. 常见陷阱

每个领域都有新手容易踩的坑。技能会明确列出这些陷阱：

• CRISPR 筛选中，sgRNA 的效率预测不能只看 Rule Set 2，还需要考虑染色质可及性
• 蛋白质定量时，iTRAQ 报告离子在低丰度下有比值压缩效应
• 系统发育树构建时，Bootstrap 值 < 70 的分支不可信

四、从"工具使用"到"工作流编排"

177 个技能单独看是工具使用指南，但组合起来就是工作流编排。

K-Dense 在 README 里提到了一个配套项目：K-Dense BYOK——一个本地运行的 AI 科研助手，"Bring Your Own Keys"（自带 API 密钥）。它把 177 个技能组合成完整的研究工作流：

场景：药物重定位研究

1. 靶点识别（技能：target-identification）→ 从疾病数据库（OpenTargets）获取候选靶点
2. 化合物筛选（技能：virtual-screening）→ 在 ZINC 数据库中筛选候选化合物
3. 分子对接（技能：molecular-docking）→ 评估化合物与靶点的结合亲和力
4. ADMET 评估（技能：admet-analysis）→ 预测吸收、分布、代谢、排泄、毒性
5. 临床前评估（技能：preclinical-evaluation）→ 综合评估候选药物

整个工作流涉及 5 个技能 + 4 个数据库。如果手动做，每个步骤需要切换工具、转换数据格式、查阅约定。Agent 加载技能后，可以在一个会话中完成全流程。

这就是"177 个技能"的真正价值——不是 177 个孤立的工具，而是 177 个可组合的工作流节点。

五、论文背后的设计理念

K-Dense 在 arXiv 上发了一篇论文（2609.00065）描述这个项目。论文的核心论点：

"通用 LLM 在科学任务上的失败，不是因为缺乏知识，而是因为缺乏程序性知识。"

这个论点很重要。它意味着：

1. 不需要训练更大的模型：GPT-5 或 Claude 4 已经知道什么是 CRISPR，问题在于它不知道怎么正确地做 CRISPR 分析
2. 需要的是结构化的程序性知识：把实验室 SOP、方法学综述、资深实验员的经验，转化成 Agent 可读的格式
3. 技能是载体，不是代码：技能本身不执行代码，它指导 Agent 如何正确地使用代码

这个理念对应了认知科学里的一个经典区分：陈述性知识（declarative knowledge，知道"是什么"）vs 程序性知识（procedural knowledge，知道"怎么做"）。通用 LLM 擅长前者，但在后者上表现不可靠。科研技能就是补上后者。

六、开放标准与生态兼容

K-Dense 选择遵循 agentskills.io 开放标准，这意味着这些技能不绑定任何特定 Agent：

同时，技能包也是 Agent Plugins 标准的兼容包（plugin.json + skills/），可以在支持该标准的客户端中作为单个插件加载。

这个选择很重要。如果 K-Dense 选择绑定 Claude Code 或 Cursor，用户就被锁定在一个平台上。开放标准让 177 个技能成为整个 Agent 生态的公共基础设施。

七、局限与风险

1. 验证的责任

技能提供的"验证检查"是指导性的，不是强制性的。Agent 可能跳过验证步骤，或者验证不通过但仍然输出结果。最终的质量保证仍然需要人类科学家。

2. 技能的时效性

科学研究方法在持续演进。2024 年的单细胞分析最佳实践，到 2026 年可能已经过时。177 个技能需要持续更新，否则会变成"过时建议的集合"。K-Dense 有版本号（v2.72.0），但更新频率和覆盖范围需要观察。

3. "25 万科学家"的声明

README 声称"used by 250,000+ scientists worldwide"，但没有给出数据来源。这个数字可能包括所有克隆过仓库或浏览过文档的人。实际活跃用户数可能低得多。

4. 领域覆盖的深度

177 个技能听起来很多，但分到 12+ 个领域后，每个领域只有 10-15 个技能。对于深度专业用户（比如专门做冷冻电镜结构解析的），覆盖面可能不够。

八、更大的图景：科研知识的民主化

这个项目的深层意义不在于 177 个技能本身，而在于它代表的趋势：科研程序性知识正在从实验室的"隐性资产"变成可加载的"显性资产"。

以前，一个博士生需要 5 年才能掌握某个领域的实验流程。这 5 年里，他学到的不是"什么是 X"，而是"怎么做 X"——而这些"怎么做"的知识，大部分存在于口头传承和个人手记中。

当这些知识被结构化成 SKILL.md 后：

• 一个非本领域的 Agent 可以临时处理跨学科任务
• 一个发展中国家的研究者可以获得和顶级实验室相同的程序性知识
• 一个实验室的新人可以更快上手，减少"踩坑"时间

这不是"AI 取代科学家"——AI 仍然无法提出假设、设计实验逻辑、判断结果的科学意义。但 AI 可以接管"执行层面的程序性工作"，让科学家把时间花在真正需要人类判断力的地方。

科研的瓶颈从来不是"知道答案"，而是"知道怎么做"。 当"怎么做"变成可加载的技能包，科研的效率会有一个阶跃式提升。

九、如何开始

# 克隆仓库
git clone https://github.com/K-Dense-AI/scientific-agent-skills.git

# 在 Claude Code 中安装
/plugin install scientific-agent-skills

# 或在 Cursor 中通过技能管理器安装

# 查看完整技能目录
# 访问 docs/skills.md

如果你需要完整的科研工作流（不只是技能，还有 Web 搜索、文件处理、数据库访问），可以试试配套的 K-Dense BYOK——本地运行，自带 API 密钥，支持 40+ 模型。

技能是 MIT 协议，可以自由使用和修改。如果你在研究中使用了这些技能，K-Dense 要求引用他们的论文（arXiv:2609.00065）。

核心洞察： 通用 LLM 在科学任务上的失败不是因为缺乏知识，而是因为缺乏程序性知识。177 个科研技能把实验室的"隐性经验"变成 Agent 可加载的"显性资产"。当"怎么做实验"变成一条命令就能安装的技能包，科研的效率瓶颈会从"学会怎么做"转移到"判断该做什么"。