不是教 AI 写更好的代码，而是让 AI 真正懂科研——BioPython、RDKit、Scanpy、PyMC……这些你每次都要翻文档的库，现在 AI 自己会用了。
这周 GitHub Trending 几乎被 Agent Skills 类产品霸榜——mattpocock/skills、obra/superpowers、anthropics/skills 轮番上场。我一开始有点审美疲劳，心想又是另一套"工程师纪律"工具。
但点开 K-Dense-AI/scientific-agent-skills 的 README 之后，我发现它走的完全是另一条路。
它不是教 AI 怎么写更好的代码，而是直接把 BioPython、RDKit、Scanpy、PyMC 这些科研库"打包"成 AI 能理解的技能卡片。你对着 Claude Code 说一句"帮我做一个单细胞 RNA-seq 质控分析"，它就会自动调用 Scanpy 技能，把完整代码、参数建议、可视化方案一次性给你。
对于每天都要在编程和科研之间切换的人来说，这个价值是实实在在的。
这是我花了最多时间研究的部分。项目的 scientific-skills/ 目录下按领域整理了 135 个技能，每个技能都是一个独立的文件夹，内含 SKILL.md + 示例代码 + references 文档。
这个板块并不只是"教 AI 用 PyTorch"那么简单，它更像是把科研场景下常用的 ML 工作流预制化了：
这是我觉得整个项目里最"工程化"的部分。有一个叫 database-lookup 的技能，封装了对 78 个公共数据库的 REST API 访问：
| 类别 | 代表数据库 | 用途 |
|---|---|---|
| 化学与药物 | PubChem, ChEMBL, ZINC, BindingDB | 分子查询、活性数据 |
| 基因组学 | UniProt, Ensembl, NCBI Gene, AlphaFold DB | 序列注释、结构数据 |
| 临床与医学 | ClinVar, COSMIC, ClinicalTrials.gov, FDA | 变异解读、临床试验 |
| 通路与网络 | KEGG, Reactome, STRING, BioGRID | 通路富集、蛋白互作 |
| 经济与金融 | FRED, USPTO, SEC EDGAR | 量化数据源（对AI副业有用） |
你不需要自己去查每个数据库的 API 文档，技能里直接给了调用示例和返回字段说明。
安装方式有三种，最推荐 npx 方式，跨平台最省事：
npx skills add K-Dense-AI/scientific-agent-skills装完之后，技能会自动注入到你正在用的 AI 编程工具里。以 Claude Code 为例，你现在可以直接在对话框里说：
"用 Scanpy 分析这个 10X 数据，先做 QC，线粒体基因比例高于 5% 的细胞删掉，然后跑 UMAP 和 Leiden 聚类。"
Claude Code 会读取 scanpy/SKILL.md，按照里面定义的流程给你出代码，而不是凭"记忆"里零碎的 Scanpy 知识来写。
如果想装特定的技能（而不是全部 135 个），可以用 GitHub CLI：
# 安装特定技能
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code scanpy
# 安装多个技能
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code scanpy biopython rdkit技能的标准目录结构如下：
scanpy/
├── SKILL.md # AI 读取的技能说明（核心文件）
├── scripts/ # 自动化脚本（如 qc_analysis.py）
├── references/ # 深入文档（API 参考、绘图指南等）
└── assets/ # 分析模板和配置文件每个 SKILL.md 都包含：功能描述、依赖列表、代码示例、常见错误排查、相关资源链接。质量明显高于大多数"AI 生成"的文档。
| 项目 | Stars | 定位 | 适合人群 |
|---|---|---|---|
| anthropics/skills | 135K | Anthropic 官方示例技能 | 想了解 Anthropic 推荐实践的开发者 |
| mattpocock/skills | 85K | TypeScript 工程纪律 | 前端/全栈开发者 |
| addyosmani/agent-skills | 33K | Google 工程规范编译 | 软件工程师、团队 Leader |
| scientific-agent-skills | 22K | 科研+分析+写作技能 | 研究人员、数据科学家、量化分析师 |
核心差异在于：这个项目的技能不是关于"怎么写好代码"，而是关于"怎么用好科研工具"。
它的竞品不是 mattpocock/skills，而是你自己花时间去看 BioPython 文档、去配 DiffDock 环境、去查每个数据库的 API 参数——这些东西它直接帮你封装好了。
| 特性 | 开源版（本仓库） | K-Dense Web（商业版） |
|---|---|---|
| 科学技能数量 | 135 个 | 200+ 个（独家访问） |
| setup 成本 | 需手动安装依赖 | 零设置，即刻使用 |
| 计算资源 | 你的本地机器 | 云端 GPU + HPC |
| 工作流 | 提示词 + 代码 | 端到端研究管道 |
| 输出 | 代码和分析 | 出版级图表、报告和论文 |
如果你只是想让 AI 帮你写分析代码，开源版完全够用。如果你需要"一键跑通整个研究管道"并且不想管 GPU 资源，商业版更合适。
135 个技能不可能每个都经过充分测试。有些技能（比如比较冷门的 glycoengineering）的 SKILL.md 内容相对简单，实际用起来可能还需要自己补充。
技能会告诉你"你需要安装 Scanpy"，但不会帮你自动装好。好消息是每个 SKILL.md 里都有 dependencies 字段，列出了需要 pip/conda 安装的包名。
# SKILL.md 里的依赖声明示例
# dependencies:
# - scanpy
# - anndata
# - matplotlib
# - seabornMIT License 只覆盖技能描述文件，不覆盖被调用的库。官方在 README 里有明确说明——每个技能的 SKILL.md 头部有一个 license 字段，那个才是这个技能调用具体库的 license 引用。用之前最好看一眼。
78 个数据库里不少是国外服务（NCBI、ChEMBL 等），在国内访问不稳定，技能本身解决不了网络问题。建议配合科研 VPN 或镜像源使用。
这个工具是促进效率的，不是"零基础做科研"的魔法棒。如果你不知道 PCA 和 UMAP 的区别，技能给出的参数建议你也无法判断是否合理。
如果你符合以下任一情况，我觉得值得加进 GitHub Star 列表：
scientific-writing、peer-review、latex-posters 等写作类技能它不会帮你"写更好的代码"，但会帮你少翻很多文档。对于科研人来说，时间就是论文，论文就是一切。