AI

Scientific Agent Skills：177 個科學研究 Skill，讓 AI Agent 會用 RDKit、Scanpy 與上百個科學資料庫

Monday

本內容僅供參考，詳細使用規則與工具安全性與否，建議要進行相關安全性測試與評估

通用 Coding Agent 寫網頁、改後端都很拿手，但請它分析單細胞 RNA 定序資料、在 ChEMBL 查化合物活性、或用 RDKit 做結構活性關係分析，結果常常是 API 用錯、參數亂猜、流程不符合領域慣例。Scientific Agent Skills（K-Dense-AI/scientific-agent-skills）想補上的正是這塊「領域程序知識」：把科學套件、資料庫與實驗室工具的正確用法，整理成 Agent 可以直接載入的 Skill。專案目前約 52.9k stars，在 10 月 16 日的 AI 開源趨勢報告中與 REA 並列為當日焦點。

1. 專案背景與定位

這個 repo 由 K-Dense 建立與維護，前身名為「Claude Scientific Skills」，目前版本 2.72.0，repo 本身為 MIT 授權（但每個 Skill 的授權各自標示在 SKILL.md 中，可能不同），並有一篇 arXiv 論文（2609.00065）描述它作為「研究 Agent 的程序知識庫」的設計。

官方自稱是「科學領域第一名的 Agent Skills 函式庫，全球有 25 萬名以上科學家使用」——這是自述數據，無法獨立驗證。它支援 Claude Code、Codex、Cursor、Gemini CLI、Google Antigravity、Claude Cowork，以及 Hermes、OpenClaw 等其他 Agent。

2. 技術架構與核心設計

  • 177 個 Skill（2.72.0 版從 181 個減少，移除了 docx、pdf、pptx、xlsx 這類通用文件 Skill，改請使用者從 Anthropic 的官方 repo 安裝）。
  • 三大類能力：
    • 科學資料庫：總計 100 多個，其中 Database Lookup Skill 就整理了 80 個
    • Python 套件：70 多個，例如 RDKit、Scanpy、scikit-learn、PyTorch Lightning、pymatgen、QuTiP
    • 實驗室與平台整合：9 個，包括 Benchling、Opentrons、OMERO、LabArchives
  • 領域分類（部分重疊）：生物資訊與基因體 32 個、科學傳播 23 個、資料分析與視覺化 18 個、機器學習 14 個、研究方法 13 個、化學資訊與藥物發現 11 個，另有材料科學、醫學影像、蛋白質工程、神經科學、法規標準等。
  • 範例工作流程：
    • 藥物發現：ChEMBL 查詢 → RDKit SAR 分析 → DiffDock 分子對接 → PubMed／COSMIC 文獻查找
    • 單細胞 RNA-seq：Scanpy 品管 → Cellxgene Census 整合 → PyDESeq2 差異分析
    • 多體學生物標記、虛擬篩選、變異證據審查、系統生物學網路分析
  • 安裝方式：npx skills add K-Dense-AI/scientific-agent-skills、GitHub CLI 的 gh skill install（可鎖定版本），或手動 clone 到 ~/.agents/skills/。
  • 安全掃描：每週以 Cisco AI Defense Skill Scanner 掃描，結果公開在 docs/security-report.md。

3. 社群熱度與生態採用

約 52.9k stars、4.7k forks、761 commits，open issue 只有 8 個。除了 Skill 本身，K-Dense 也推出了開源的桌面應用 K-Dense BYOK（自帶 API 金鑰，可選用 Modal 擴展雲端算力），以及託管平台 K-Dense Web。在 Agent Skill 生態中，它是目前最具代表性的「垂直領域」Skill 集合。

4. 局限性與潛在風險

  • Skill 可以執行程式碼：README 特別警告「Skill 可以執行程式碼並影響 Agent 的行為，安裝前請先審查」，建議只安裝需要的 Skill，並逐一閱讀 SKILL.md。
  • 審查無法保證完整：維護者坦承無法保證每個 Skill 都經過完整審查，社群貢獻的部分尤其如此。
  • CI 覆蓋有限：CI 只跑結構檢查與純標準函式庫的測試，完整的科學相依套件測試並未在 CI 中執行；各 Skill 的驗證程度不一。
  • 不是醫療工具：許多 Skill 明確排除診斷或治療用途（例如 NeuroKit2 註明不可用於診斷、監測決策或醫療器材驗證）；法規類 Skill 也聲明「絕不是認證、認可或方法放行的決定」。臨床相關輸出只能作為研究摘要，必須由合格人員審閱。
  • 資料敏感性：變異證據審查等流程要求使用經授權或去識別化的資料；把病患或受試者資料交給雲端模型前，必須確認符合 IRB 與個資法規。
  • 相依環境複雜：安裝 Skill 不會自動安裝其相依套件，官方建議每個工作流程使用獨立環境；部分 Skill 還需要外部執行環境、API 金鑰或網路存取。
  • 自述數據：25 萬使用者與部落格中的 benchmark 都是廠商自述，未經獨立驗證。

5. 應用價值與適用場景

最受益的是會寫一點程式、但不是軟體工程師的研究人員：生物資訊、藥物化學、材料科學的研究者，可以讓 Agent 依照正確的領域流程查資料庫、跑分析、產出圖表與報告草稿，把時間留給實驗設計與結果解讀。對已經在用 Claude Code 或 Cursor 的計算生物學團隊，它也能減少「Agent 用錯套件」造成的除錯時間。

Monday 的觀點與架構建議

  • 這個專案點出了 Agent 在專業領域的真正瓶頸：不是推理能力，而是「程序知識」——哪個資料庫該怎麼查、哪個套件的參數慣例是什麼。把這些知識寫成 Skill，比期待模型自己學會更可靠。
  • 建議研究團隊「只裝需要的 Skill」並鎖定版本，搭配每個專案獨立的 Python 環境，讓分析結果可重現——這對科學研究比對一般軟體更重要。
  • 所有 Agent 產出的分析都應保留完整的程式碼與參數紀錄，作為方法章節與同儕審查的依據；Agent 是研究助理，不是研究者。
  • 從 Superpowers、agent-skills 到 Scientific Agent Skills，Agent Skill 生態正在從「通用工程」走向「垂直領域」。下一波值得關注的，可能是法律、財務、醫療等高度專業領域的 Skill 庫，以及隨之而來的品質認證與責任歸屬問題。

參考來源