斩获27.6k Star！Agent科研技能库开源，140+Skill覆盖论文写作、材料科学各类方向

过去一年，AI Agent 在编程、写作、搜索、数据分析等场景里越来越常见。

很多学者也开始把Claude Code、Cursor、Codex这类智能体拉进自己的科研流程里，让Agent帮忙改论文、做图表、查资料。

但真正的科研任务，不是把论文丢给 Claude Code，然后让它「帮我研究一下」就完事了。

比如想写一篇文献综述，Agent 不能只是把十几篇论文简单总结一遍，而是需要把不同论文之间的关系理清楚，然后再生成有一定判断力的内容。

再比如想复现一篇论文里的实验，它也不是简单写几行 Python，而是要找到数据集，确认预处理方式，配置实验环境，理解评价指标，对齐论文里的参数设置，跑完之后还要判断结果为什么和原文不一样。

这些东西，每一个单独拎出来，都是一个小坑。

这不是「写个摘要」的问题。

而是工具链、数据库、领域知识、代码、方法规范、结果解释，全都缠在一起的问题。

今天要给大家介绍的开源技能库 Scientific Agent Skills，瞄准的正是这个事。该项目在github上已收获 27.6k stars。

• 项目链接：

  https://github.com/K-Dense-AI/scientific-agent-skills

它没有试图把所有科研知识都塞进模型里，而是做了一件更工程的事，把研究里那些原本靠师兄师姐、实验室文档、个人经验、无数次踩坑才能积累下来的东西，变成 Agent 可以安装、识别、调用、复用的技能。

目前，该项目提供140多个科研技能，覆盖机器学习、科学写作、实验室自动化、生物信息学、医学影像、材料科学、物理天文、工程仿真、地理空间等多个方向。

Scientific Agent Skills 并不是简单把一堆科研提示词放进仓库里，而是把真实科研过程中常见的工具、数据库、代码包、方法规范和输出模板，整理成 Agent 可以识别和调用的标准化技能。

过去让 Agent 做科研任务时，它更多依赖模型自己的“记忆”和临场推理。模型可能知道 scikit-learn、PyTorch、Matplotlib、LaTeX、Zotero 这些工具，但它未必知道在一个具体科研任务里，什么时候该查数据库，什么时候该写代码，什么时候该做统计检验，什么时候该生成图表，什么时候该回到论文原文确认依据。

Scientific Agent Skills 做的事情，就是把这些科研场景里的隐性流程显式写进技能里。

每一个 Skill 包含一份SKILL.md文档，里面说明这个技能适合什么任务、会用到哪些工具、如何调用、有哪些代码示例、有哪些最佳实践和参考资料。

这样 Agent 不是凭感觉回答，而是能沿着一套更明确的操作路径去完成任务。

比如做机器学习实验，Scientific Agent Skills 并不是让 Agent 写一个模型训练脚本，而是通过多个相关技能，把数据处理、建模、评估、解释分析和可视化输出串成一条更完整的科研链路。

它覆盖深度学习、强化学习、时间序列分析、模型解释、贝叶斯方法等方向，也包括 scikit-learn、PyTorch Lightning、TimesFM 等常见工具。

这对大部分科研场景非常有价值。

而用 AI 写综述时，最容易得到的是一篇“看起来很像综述”的文章，但里面可能只是把几篇论文平铺直叙地总结一遍。

Scientific Agent Skills 覆盖 literature review、paper lookup、scientific writing、peer review 和 citation management 等技能，Agent 可以更像一个研究助理，先帮你检索资料，整理论文关系，比较方法差异，辅助形成综述结构，最后再进入写作、审校和引用管理环节。

这正是科研 Agent 落地的关键——科研不是单轮问答，而是一个需要工具支持、有证据链条、遵循方法论、产出规范结果的连续工作流。

（1）安装

环境要求：Python（Python 3.13 及以上版本）、uv（Python 极速包管理器）、任意遵循 Agent Skills 规范的智能体（Cursor、Claude Code、Gemini CLI、Codex、Google Antigravity ）；

Scientific Agent Skills 的安装方式比较直接，官方推荐使用 npx 安装：

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

安装完成后，Agent 可以在相关任务中自动发现并调用技能，用户也可以在提示词中直接点名某个 Skill。

也可以通过 gh skill 安装：

gh skill install K-Dense-AI/scientific-agent-skills# 只想安装某个具体技能gh skill install K-Dense-AI/scientific-agent-skills scanpy# 指定安装到某个Agent环境gh skill install K-Dense-AI/scientific-agent-skills --agent cursorgh skill install K-Dense-AI/scientific-agent-skills --agent claude-codegh skill install K-Dense-AI/scientific-agent-skills --agent codexgh skill install K-Dense-AI/scientific-agent-skills --agent gemini

（2）使用案例

以官方给出的单细胞 RNA-seq 分析为例，研究目标是结合公共数据，对 10X Genomics 数据进行综合分析。

这个任务会用到的技能包括：scanpy、cellxgene-census、database-lookup、pydeseq2、arboreto。

可以将下面这段提示词输入 Agent：

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.

这类任务的重点，不是让 Agent 简单“解释一下单细胞数据”，而是让它按照真实科研流程，把数据加载、质控、双细胞去除、公共数据整合、细胞类型识别、差异表达分析、基因调控网络推断、通路富集和靶点发现串成一个完整工作流。

不过，官方也特别提醒，不建议一次性安装所有技能，而是只安装真正需要的技能，并在安装前阅读对应的 SKILL.md。

这点对科研场景尤其重要。

如果你的数据涉及未发表论文、企业项目、临床数据、专利材料或敏感实验结果，就不能把 Agent 当成一个完全可信的黑箱助手。

它可以帮你加速流程，但最终的数据使用、方法选择、结论解释和合规责任，仍然应该由研究者自己把关。

过去，我们常常把 AI 能不能做科研，简单归结为模型本身够不够强，它会不会读论文、写代码、解释图表、生成实验方案？

但 AI 真正进入科研场景后才会发现，问题远比想象中复杂。

科研从来不是单一能力的比拼，而是一整套相互咬合的流程能力。

它需要 Agent 高效查资料、调用专业数据库、选择合适的统计方法、处理实验数据、生成可发表图表、管理引用、复现结果，并判断结论的可靠性。

这些能力，很难只靠一句提示词就完美解决。

Scientific Agent Skills 的价值，在于它把那些原本散落在实验室经验、项目文档、工具教程和个人踩坑里的隐性知识，转化成 Agent 可以安装、调用和复用的标准化技能模块。

这意味着，AI Agent 不再只是一个“什么都能聊”的聊天框，而是变成一个可以被配置、被扩展、被约束、被持续迭代的科研工作台。

如果说过去一年的 AI Agent 热潮，主要在证明“模型可以帮我们做事”，那么接下来更关键的问题则是，我们能否把人类长期积累下来的专业流程、工具链和方法规范，系统性地交给 Agent？

Scientific Agent Skills 给出的答案是肯定的，它通过标准化技能插件的形式，把科研任务中那些原本依赖经验传承和反复试错的流程，变成 Agent 可以识别和执行的能力单元。

这或许是 Agent 走向实用的关键一步。

当越来越多领域专家愿意把自己的方法、工具和经验转化为可共享的 Agent 技能时，科研协作的形态也会发生变化——不再只是一个人对着论文、代码和数据反复摸索，而是变成人类研究者与 AI Agent 共同推进、持续迭代、彼此校正的新型协作方式。