scientific-agent-skills：给 AI 智能体装上科研技能包

想把任何 AI 智能体变成一个”AI 科学家”？这个仓库一天涨 879 颗星，是目前科学方向最大的 Agent Skills 库。scientific-agent-skills（前身叫 Claude Scientific Skills）提供 177 个开箱即用、经过验证的科研技能，外加 100 多个科学数据库的接入，覆盖生物学、化学、医学和药物发现。官方口径：全球已有超过 25 万名科学家在用。

从 Claude 专属到全智能体标准

这个项目最有意思的动作是改名：从”Claude Scientific Skills”改成”Scientific Agent Skills”，同步把兼容性从 Claude 系扩展到所有支持开放 Agent Skills 标准的智能体——Cursor、Claude Code、Codex、Pi、Antigravity 都能用。README 里的说明很直白：”同样的技能，更广的兼容。”这是技能生态标准化的一个标志性样本：内容层（SKILL.md）与运行时层（哪家智能体）正式解耦。

每个技能都是一个带版本号的独立单元：SKILL.md 里声明 metadata.version，各自有独立许可证（可能与仓库的 MIT 不同），引用时要求像引用软件一样给出版本号加 URL——仓库甚至提供了 CITATION.cff 和逐技能的引用格式。这套”可引用、可测试、可扫描”的工程规格相当严格：CI 里有安全扫描和技能测试两条流水线，还有专门的 scan_skills.py 脚本审计全部技能。配套 arXiv 论文（2609.00065）让它在学术圈的使用顺带满足引用规范。

图 1

谁真的需要这些技能

具体场景比”AI 做科研”的口号实在得多。生物信息学研究者可以让智能体直接调用封装好的基因组分析技能，不用再手写 samtools 命令行管道；药物发现方向的研究者能通过技能连到 PubChem、ChEMBL 这类化学数据库，让模型在真实数据上跑虚拟筛选和分子性质预测，而不是凭参数记忆瞎编分子结构。Astropy 技能让天文数据处理、matplotlib 科学可视化这些高频操作变成一句话的事。

它解决的痛点很精准：通用大模型懂”概念”但不懂”工具链”。它知道什么是 BLAST，但不记得你服务器上 BLAST 数据库的路径和参数惯例；它能编 Python，但编出的科研代码常常用错库版本。技能包的本质是把领域专家的操作规程固化成模型可靠执行的程序性知识——这正是”skills”范式区别于 prompt 工程的地方。

本地优先的 AI 科学家

团队还放了一个配套项目 K-Dense BYOK：免费的开源桌面 AI 科研助手，自带 API key（40 多个模型任选），本地跑完整研究工作区——网页搜索、文件处理、100+ 数据库、全部 177 个技能，数据不出你的电脑，重活可以可选地甩给 Modal 云端算力。这个”BYOK（自带密钥）+本地优先”的姿态，对高校实验室尤其敏感领域（未发表数据、临床信息）几乎是刚需：把数据交给闭源云端科研助手，很多课题组根本过不了伦理审查。

值得留个心眼的是许可证细节：每个技能有独立 license，可能与仓库 MIT 不同，用户要用有责任逐个核查——学术圈常见的非商用条款可能藏在某个技能里。推测起来，25 万用户的数字包含了 K-Dense 自家产品的用户，实际跨智能体的技能采用度可能低一些，但趋势清晰：科研工具链正在被”技能化”重构。下一个问题留给实验物理学家们：当智能体替你跑完数据分析全流程，论文方法学一节该引用哪个技能版本号？

核心观点：科研工作者现在就可以把这份技能库装进你正在用的智能体——从 astropy 或基因组学技能开始试一条真实分析流水线。技能库比拼的不是数量而是验证质量，这个仓库的 CI 测试+安全扫描+版本引用规格，是目前最接近”可复现”标准的技能基础设施。