Scientific Agent Skills：研究ワークフローを AI Agent に渡すためのスキルライブラリ

K-Dense-AI/scientific-agent-skills は、科学研究や調査作業向けの Agent Skills 集です。

目的は、また別のチャットボットを作ることではありません。研究でよく発生する、ドキュメント調査、データベース接続、分析スクリプト作成、ファイル処理、図表生成、レポート作成といった流れを、AI Agent が発見して呼び出せるスキルに分解することです。

プロジェクト：https://github.com/K-Dense-AI/scientific-agent-skills

2026-05-17 時点で、GitHub API では約 23.4k stars、2.5k forks、MIT ライセンス、最終 push は 2026-05-11 と表示されます。README では 135 個の ready-to-use scientific and research skills とされていますが、scientific-skills ディレクトリは GitHub API で 137 項目確認できます。この差は集計方法、最近追加されたディレクトリ、README の更新遅れによる可能性があります。

まず結論

Scientific Agent Skills は、Codex、Claude Code、Cursor、Gemini CLI、または Agent Skills 標準をサポートするツールをすでに使っている人に向いています。

価値は主に三つです。

科学ツールチェーンの使い方を SKILL.md に書き、agent が毎回ライブラリの使い方を推測しなくてよくする。
科学データベース、Python パッケージ、ドキュメント処理、科学執筆、可視化のワークフローを一つのスキル集に整理する。
AI Agent を、概念を答えるだけでなく、研究ワークフローを実行できる助手に近づける。

ただし、インストールすれば自動的に研究が完了する魔法のボタンではありません。スキルは agent が正しい道具を選び、より信頼できるコードや手順を生成する助けになりますが、データ品質、実験設計、統計仮定、臨床・研究上の結論は人間が判断する必要があります。

何が含まれるか

README は、このプロジェクトを研究、科学計算、工学、分析、金融、執筆タスクをカバーするスキル集として説明しています。主な領域は次の通りです。

バイオインフォマティクスとゲノミクス
ケモインフォマティクスと創薬
プロテオミクスと質量分析
臨床研究と精密医療
医療 AI と臨床機械学習
医用画像とデジタル病理
機械学習と AI
材料科学と化学
物理と天文学
工学シミュレーションと最適化
データ分析と可視化
地理空間科学とリモートセンシング
実験室自動化
科学執筆、文献レビュー、査読、引用管理

これらのスキルは、agent が使えるライブラリを制限するためのものではありません。README でも、agent は Python を書いたり、利用可能な API やパッケージを呼び出したりできると説明されています。スキルの役割は、整理済みの説明、例、ベストプラクティス、統合手順をあらかじめ提供することです。

言い換えると、「科学ツールの説明書 + ワークフローテンプレート + agent 呼び出し規約」の集合に近いものです。

データベースと Python パッケージ

研究者にとって最も魅力的なのは、科学データベースと Python エコシステムのカバー範囲です。

README では次が示されています。

database-lookup による 78 個の公開データベースへの統一アクセス。
PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO など。
DepMap、Imaging Data Commons、PrimeKG、U.S. Treasury Fiscal Data、Hugging Science などの専用データアクセススキル。
70 個以上の最適化済み Python Package Skills。

ディレクトリには、なじみのある名前が多くあります。

rdkit
scanpy
biopython
bioservices
pydeseq2
scvelo
scvi-tools
pymatgen
qiskit
pennylane
openmm
mdanalysis
scikit-learn
statsmodels
matplotlib
seaborn
networkx
sympy
pytorch-lightning
transformers
timesfm-forecasting

これらのライブラリ自体は珍しくありません。重要なのは、agent が作業中に、そのライブラリ固有の制約、コード例、よくある流れ、注意点を読めることです。モデルの古い記憶だけに頼るより安定します。

典型的な場面

Scientific Agent Skills は、単発の質問応答より、多段階の研究タスクに向いています。

創薬なら、agent に ChEMBL から EGFR 阻害剤を探させ、RDKit で構造活性相関を分析し、DiffDock で仮想スクリーニングを行い、文献検索とレポート作成までつなげられます。

シングルセル解析なら、10X データを Scanpy に読み込み、QC、統合、細胞型同定、差次的発現、経路エンリッチメントを実行できます。

マルチオミクスなら、RNA-seq、質量分析、代謝物、タンパク質相互作用、臨床試験、統計モデリングをつなげられます。

これらを普通の prompt だけで行うと、agent は方向性を知っていても各ステップで人間の補助が必要になりがちです。スキルライブラリの意味は、こうした頻出経路を保存し、agent が回り道を減らせるようにすることです。

インストール方法

README が推奨する標準方式は Agent Skills ツールです。

1

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

GitHub CLI v2.90.0+ を使う場合は gh skill でもインストールできます。

1

gh skill install K-Dense-AI/scientific-agent-skills

特定のスキルを入れる場合：

1

gh skill install K-Dense-AI/scientific-agent-skills scanpy

対象 agent を指定する場合：

1
2
3
4


gh skill install K-Dense-AI/scientific-agent-skills --agent codex
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code
gh skill install K-Dense-AI/scientific-agent-skills --agent gemini

再現性を保つには release tag または commit SHA に pin できます。

1
2


gh skill install K-Dense-AI/scientific-agent-skills --pin v1.0.0
gh skill install K-Dense-AI/scientific-agent-skills --pin abc123def

これは研究環境では重要です。「先週は動いたが、今週は結果が変わり、理由がわからない」という状況は避けたいものです。分析にスキルが関与するなら、スキル、依存関係、データのバージョンを一緒に記録すべきです。

実行環境

README の基本要件は次の通りです。

Python 3.11+、3.12+ 推奨。
Python 依存関係のインストールに uv。
Agent Skills 標準をサポートするクライアント。
macOS、Linux、または Windows with WSL2。

Windows ユーザーは WSL2 の記述に注意すべきです。科学計算ライブラリはネイティブ Windows でも動くことがありますが、依存関係、コンパイラ、バイナリパッケージ、パスの問題が起きやすくなります。README が Windows with WSL2 としていることは、Unix 系の研究計算環境を想定していることを示しています。

普通の prompt 集との違い

普通の prompt 集は、モデルに「どう答えるか」を伝えるものです。Scientific Agent Skills はさらに、ツール、ライブラリ、データベース、ワークフローを agent が発見できるスキルとして記述します。

実際の違いは次の通りです。

スキルには構造化された説明とコード例を含められる。
特定のライブラリやデータベースを中心に長期保守できる。
agent はタスクに応じて関連スキルを選べる。
チームは必要なスキルだけを入れ、コンテキストノイズを減らせる。
スキルはリポジトリとともに versioning、review、update できる。

複雑な研究作業では、巨大な万能 prompt をコピーするより、この方が保守しやすくなります。モデル、データベース、Python パッケージは変わります。その変化をスキルにまとめる方が制御しやすいです。

セキュリティと信頼境界

README のセキュリティ警告ははっきりしています。Skills はコードを実行でき、coding agent の挙動に影響します。

研究スキルは、Python 依存関係をインストールし、ネットワークデータベースへアクセスし、ローカルファイルを読み書きし、分析スクリプトを実行し、機密性の高い実験データや臨床データを処理し、後で引用される可能性のあるレポートを生成するかもしれません。

したがって、すべてを無条件にインストールするべきではありません。より安全な方法は次の通りです。

現在のタスクに必要なスキルだけを入れる。
インストール前に対応する SKILL.md を読む。
呼び出すパッケージ、API、ファイル、外部サービスを確認する。
コミュニティ提供のスキルには特に慎重になる。
データ処理やコード実行は隔離環境で行う。
研究結論、臨床提案、統計結果は人間がレビューする。

README では Cisco AI Defense Skill Scanner も触れられており、第三者スキルのローカルスキャンも推奨されています。スキャンは人間のレビューを置き換えませんが、スキルのサプライチェーンリスクを意識していることはわかります。

向いている人

このプロジェクトは次の人に向いています。

日常的に AI coding agent を使っている。
科学データ、論文、図表、レポートをよく扱う。
Python の科学計算エコシステムを頻繁に行き来する。
agent に多段階分析を実行させたい。
チームの研究ワークフローを再利用可能なスキルにしたい。
Agent Skills 標準が専門分野へどう適用されるかを調べたい。

逆に、たまに論文を説明してもらうだけ、ローカル Python 環境がない、依存関係を扱いたくない、データプライバシーやネットワークアクセスやコード実行の境界が未整備、厳格な臨床・本番意思決定システムなのに人間のレビューがない、といった場合には向きません。

一度きりの分析なら agent にスクリプトを書かせるだけで軽いかもしれません。似た研究フローを繰り返すなら、スキルライブラリの価値は大きくなります。

使い方のすすめ

最初からリポジトリ全体を入れて、すべてのタスクを agent に渡すべきではありません。

現実的な流れは次の通りです。

文献整理、図表生成、公開データ探索など低リスクなタスクを選ぶ。
literature-review、scientific-writing、scanpy、rdkit など関連スキルだけを入れる。
agent にまず計画を説明させてからコードを実行させる。
入力データ、スクリプト、環境、スキルバージョンを残す。
出力結果を人間が確認する。
フローが安定したら、チームの SOP や独自スキルに書き込む。

研究 agent の核心は、すべてを自動化することではありません。繰り返しが多く、面倒で、ドキュメント確認が必要な部分をツールに任せ、判断、仮定、結論を人間に残すことです。

まとめ

Scientific Agent Skills の意味は、Agent Skills を一般的なプログラミングから研究の現場へ広げることにあります。

研究作業は本質的に、多ツール、多データベース、多ファイル、多段階の流れです。チャット型 prompt だけでは、こうした細部を安定して扱うのは難しいです。このプロジェクトは、よく使われる科学ライブラリ、データソース、研究フローをスキルとして整理し、AI Agent が実際の研究ワークフローに入りやすくします。

ただし、強力であるほど境界も必要です。スキルは agent の挙動に影響し、コードを実行し、ネットワークへアクセスし、ファイルを処理することがあります。インストール前に内容を読み、実行環境を隔離し、研究結論では人間の検証を省かないことが重要です。

Codex、Claude Code、Cursor、Gemini CLI を研究やデータ分析に使っているなら、Scientific Agent Skills は一度見る価値があります。全面的に導入しなくても、スキルの分割方法はチームの研究 AI ワークフローを整理する参考になります。

参考リンク：