Scientific Agent Skills：把科研工作流交給 AI Agent 的技能庫

Sun, 17 May 2026 17:52:04 +0800

K-Dense-AI/scientific-agent-skills 是一個面向科研和研究工作的 Agent Skills 集合。

它的定位不是再做一個聊天機器人，而是把科研裡經常要查文件、連資料庫、寫分析腳本、處理檔案、生成圖表和整理報告的流程，拆成一組可以被 AI Agent 發現和調用的技能。

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

截至 2026-05-17 寫作時，GitHub API 顯示這個倉庫約有 23.4k stars、2.5k forks，許可證為 MIT，最近一次推送時間是 2026-05-11。README 裡寫的是 135 個 ready-to-use scientific and research skills，不過倉庫 scientific-skills 目錄目前透過 GitHub API 能看到 137 個條目。這個差異可能來自統計口徑、近期新增目錄或 README 尚未同步更新。

先說結論

Scientific Agent Skills 適合已經在用 Codex、Claude Code、Cursor、Gemini CLI 或其他支援 Agent Skills 標準工具的人。

它的價值主要在三點：

把科研工具鏈的使用方式寫成 SKILL.md，讓 agent 不必每次從零猜庫怎麼用。
把常見科學資料庫、Python 套件、文件處理、科研寫作和視覺化流程整理到同一個技能集合裡。
讓 AI Agent 更像一個能執行科研工作流的助手，而不只是回答概念問題。

但它也不是「裝上就自動做科研」的魔法按鈕。技能可以讓 agent 更容易找到正確工具、生成更可靠的程式碼和流程，但資料品質、實驗設計、統計假設、臨床或科研結論仍然需要人來判斷。

它包含什麼

README 把這個專案描述為一個覆蓋科研、科學計算、工程、分析、金融和寫作任務的技能集合。大類包括：

生物資訊學與基因組學
化學資訊學與藥物發現
蛋白質組學與質譜分析
臨床研究與精準醫學
醫療 AI 與臨床機器學習
醫學影像與數位病理
機器學習與 AI
材料科學與化學
物理與天文學
工程模擬與最佳化
資料分析與視覺化
地理空間科學與遙感
實驗室自動化
科研寫作、文獻綜述、同行評審和引用管理

這類技能的重點不是限制 agent 只能使用某些庫。README 也明確說，agent 仍然可以自己寫 Python、調用任意可用 API 或套件；這些技能的作用是提前提供整理過的說明、範例、最佳實踐和整合路徑。

換句話說，它更像「科研工具說明書 + 工作流模板 + agent 調用約定」的集合。

資料庫和 Python 套件覆蓋

專案裡最吸引科研使用者的部分，是資料庫和 Python 科學生態的覆蓋面。

README 提到：

透過 database-lookup 統一存取 78 個公共資料庫。
覆蓋 PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO 等資料庫。
額外包含 DepMap、Imaging Data Commons、PrimeKG、U.S. Treasury Fiscal Data、Hugging Science 等專門資料存取技能。
提供 70+ 個最佳化過的 Python Package Skills。

從目錄看，技能名裡能看到很多熟悉工具：

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

對普通開發者來說，這些庫本身不稀奇。真正有用的是：agent 在處理具體任務時，可以讀到與該庫相關的使用約束、程式碼範例、常見流程和注意事項。這比只靠模型參數裡的舊記憶更穩。

典型場景

Scientific Agent Skills 更適合多步驟科研任務，而不是單輪問答。

例如藥物發現方向，可以讓 agent 查詢 ChEMBL 裡的 EGFR 抑制劑，用 RDKit 分析結構活性關係，再用 DiffDock 做虛擬篩選，最後搜尋文獻並生成報告。

單細胞分析方向，可以把 10X 資料載入 Scanpy，做質控、整合、細胞類型識別、差異表達和通路富集。

多組學方向，可以把 RNA-seq、質譜、代謝物、蛋白互作、臨床試驗和統計建模串起來。

這些任務如果完全靠手寫 prompt，很容易變成「agent 知道大概方向，但每一步都要你提醒」。技能庫的意義，就是把這類高頻路徑沉澱下來，讓 agent 在執行時少走彎路。

安裝方式

README 推薦的標準安裝方式是使用 Agent Skills 工具：

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

如果使用 GitHub CLI，且版本為 v2.90.0+，也可以透過 gh skill 安裝：

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

安裝某個具體技能：

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

指定目標 agent：

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

如果要保證可重現，可以 pin 到 release tag 或 commit SHA：

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

這點對科研環境很重要。科研分析裡最怕「上週能跑、這週結果變了但不知道為什麼」。如果技能參與了分析流程，最好把技能版本、依賴版本和資料版本一起記錄。

執行環境要求

README 給出的基本要求包括：

Python 3.11+，推薦 3.12+
uv，用於安裝 Python 依賴
支援 Agent Skills 標準的客戶端
macOS、Linux 或 Windows with WSL2

這裡要注意 Windows 使用者的實際體驗。很多科學計算庫在原生 Windows 下不是不能用，但依賴鏈、編譯工具、二進位套件和路徑問題更容易出意外。README 明確寫 Windows with WSL2，也說明專案更偏向類 Unix 科研計算環境。

和普通 prompt 集合有什麼區別

普通 prompt 集合通常只告訴模型「你應該怎麼回答」。Scientific Agent Skills 更進一步：它把工具、庫、資料庫和流程寫成 agent 可發現的技能。

這有幾個實際差異：

技能可以包含結構化說明和範例程式碼。
技能可以圍繞某個庫或資料庫長期維護。
agent 可以按任務選擇相關技能，而不是一次性把所有規則塞進系統提示。
團隊可以只安裝自己需要的技能，減少上下文噪音。
技能可以跟隨倉庫版本管理、審計和更新。

對複雜科研任務來說，這種方式比「複製一大段萬能提示詞」更容易維護。模型會變，資料庫會變，Python 套件也會變。把這些變化沉澱在技能裡，比散落在個人 prompt 文件裡更可控。

安全和可信邊界

這個專案的 README 把安全提醒寫得很直接：Skills 可以執行程式碼，也會影響 coding agent 的行為。

這不是小事。科研技能可能會：

安裝 Python 依賴。
存取網路資料庫。
讀寫本地檔案。
執行分析腳本。
處理敏感實驗資料或臨床資料。
生成後續會被人引用的報告。

因此不要無腦安裝全部技能。更穩的做法是：

只安裝目前任務需要的技能。
安裝前閱讀對應 SKILL.md。
檢查技能會調用哪些套件、API、檔案和外部服務。
對社群貢獻的技能額外謹慎。
在隔離環境裡執行涉及資料處理和程式碼執行的任務。
對科研結論、臨床建議和統計結果保留人工複核。

README 還提到專案會使用 Cisco AI Defense Skill Scanner 做掃描，並建議使用者也可以本地掃描第三方技能。掃描不能替代人工審查，但至少說明維護者意識到技能供應鏈風險。

適合誰

這個專案更適合這些人：

已經在日常使用 AI coding agent。
經常處理科研資料、論文、圖表和報告。
需要在 Python 科學生態裡頻繁切換工具。
想讓 agent 執行多步驟分析，而不是只回答概念。
團隊希望把科研流程沉澱成可複用技能。
想研究 Agent Skills 標準如何落地到專業領域。

暫時不太適合這些場景：

只是想讓 AI 幫忙解釋一篇論文。
沒有本地 Python 環境或不願意處理依賴。
對資料隱私、網路存取和程式碼執行邊界還沒有控制方案。
需要嚴格合規的臨床或生產決策系統，但沒有人工審查和驗證流程。

如果只是偶爾做一次分析，直接讓 agent 寫腳本可能更輕。如果你經常重複類似科研流程，技能庫的價值會更明顯。

使用建議

不要一開始就安裝整個倉庫，然後把所有任務都交給 agent。

更實際的路徑是：

先選一個低風險任務，例如文獻整理、圖表生成或公開資料探索。
只安裝相關技能，例如 literature-review、scientific-writing、scanpy 或 rdkit。
讓 agent 先說明計畫，再執行程式碼。
保留輸入資料、腳本、環境和技能版本。
對輸出結果做人工複查。
如果流程穩定，再把它寫入團隊自己的 SOP 或技能。

科研 agent 的關鍵不是「自動化一切」，而是把重複、繁瑣、容易查錯文件的部分交給工具，把判斷、假設和結論留給人。

小結

Scientific Agent Skills 的意義，在於把 Agent Skills 從通用編程場景推進到科研場景。

科研工作天然是多工具、多資料庫、多檔案、多步驟的流程。單靠聊天式 prompt，很難穩定覆蓋這些細節。這個專案把常見科學庫、資料源和研究流程整理成技能，讓 AI Agent 更容易進入真實科研工作流。

但它越強，也越需要邊界感。技能會影響 agent 行為，也可能執行程式碼、聯網和處理檔案。安裝前要看清楚技能內容，執行時要隔離環境，科研結論更不能跳過人工驗證。

如果你已經在用 Codex、Claude Code、Cursor 或 Gemini CLI 做科研和資料分析，Scientific Agent Skills 值得認真看一眼。即使不直接全量安裝，它的技能拆分方式也很適合作為團隊整理科研 AI 工作流的參考。

參考連結：

科學計算 on KnightLi的博客