K-Dense-AI/claude-scientific-skills

# Claude 科学技能 [](LICENSE.md) [](#whats-included) [](#whats-included) [](https://agentskills.io/) [](#getting-started) 由 [K-Dense](https://k-dense.ai) 创建的**148+ 即用型科学与研究技能**综合集合（现已包含金融/SEC 研究、美国财政部财政数据、OFR 对冲基金监控和 Alpha Vantage 市场数据），适用于任何支持开放 [Agent Skills](https://agentskills.io/) 标准的 AI 代理。兼容 **Cursor、Claude Code、Codex 等**。将您的 AI 代理转变为能够在生物学、化学、医学及其他领域执行复杂多步骤科学工作流的研究助手。

The demo above shows K-Dense Web — the hosted platform built on top of these skills. Claude Scientific Skills is the open-source skill collection; K-Dense Web is the full AI co-scientist platform with more power and zero setup.

这些技能使您的 AI 代理能够无缝地跨多个科学领域使用专业科学库、数据库和工具。虽然代理可以自行使用任何 Python 包或 API，但这些明确定义的技能提供了精选的文档和示例，使其在以下工作流中显著更强大、更可靠： - 🧬 生物信息学与基因组学 - 序列分析、单细胞 RNA-seq、基因调控网络、变异注释、系统发育分析 - 🧪 化学信息学与药物发现 - 分子性质预测、虚拟筛选、ADMET 分析、分子对接、先导化合物优化 - 🔬 蛋白质组学与质谱 - LC-MS/MS 处理、肽段鉴定、谱图匹配、蛋白质定量 - 🏥 临床研究与精准医学 - 临床试验、药物基因组学、变异解读、药物安全、临床决策支持、治疗方案规划 - 🧠 医疗 AI 与临床 ML - EHR 分析、生理信号处理、医学影像、临床预测模型 - 🖼️ 医学影像与数字病理学 - DICOM 处理、全切片图像分析、计算病理学、放射学工作流 - 🤖 机器学习与 AI - 深度学习、强化学习、时间序列分析、模型可解释性、贝叶斯方法 - 🔮 材料科学与化学 - 晶体结构分析、相图、代谢建模、计算化学 - 🌌 物理学与天文学 - 天文数据分析、坐标变换、宇宙学计算、符号数学、物理计算 - ⚙️ 工程与仿真 - 离散事件仿真、多目标优化、代谢工程、系统建模、流程优化 - 📊 数据分析与可视化 - 统计分析、网络分析、时间序列、出版级图表、大规模数据处理、EDA - 🧪 实验室自动化 - 移液操作协议、实验设备控制、工作流自动化、LIMS 集成 - 📚 科学交流 - 文献综述、同行评审、科学写作、文档处理、海报、幻灯片、示意图、引文管理 - 🔬 多组学与系统生物学 - 多模态数据整合、通路分析、网络生物学、系统级洞察 - 🧬 蛋白质工程与设计 - 蛋白质语言模型、结构预测、序列设计、功能注释 - 🎓 研究方法论 - 假设生成、科学头脑风暴、批判性思维、基金申请写作、学者评估 **将您的 AI 编码代理转变为桌面上的“AI 科学家”！** ## 📦 包含内容 本仓库提供 **148 项科学与研究技能**，分为以下类别： - **250+ 科学与金融数据库** - 这些技能总共提供对超过 250 个数据库和数据源的访问。专门的技能涵盖 PubMed、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、SEC EDGAR、Alpha Vantage 等；像 BioServices（约 40 个生物信息服务 + 30+ 个 PSICQUIC 相互作用数据库）、BioPython（通过 Entrez 访问 38 个 NCBI 子数据库）和 gget（20+ 个基因组数据库）这样的多数据库包构成了其余部分 - **55+ 优化的 Python 包技能** - 为 RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioPython、pyzotero、BioServices、PennyLane、Qiskit 等明确定义的技能——包含精选文档、示例和最佳实践。注意：代理可以使用*任何* Python 包编写代码，不仅限于这些；这些技能只是为列出的包提供更强大、更可靠的性能 - **15+ 科学集成技能** - 为 Benchling、DNAnexus、LatchBio、OMERO、Protocols.io 等明确定义的技能。同样，代理不仅限于这些——任何可从 Python 访问的 API 或平台都可以使用；这些技能是优化的、预先记录的路径 - **30+ 分析与交流工具** - 文献综述、科学写作、同行评审、文档处理、海报、幻灯片、示意图等 - **10+ 研究与临床工具** - 假设生成、基金申请写作、临床决策支持、治疗方案、法规合规 每项技能包括： - ✅ 综合文档 (`SKILL.md`) - ✅ 实用代码示例 - ✅ 用例和最佳实践 - ✅ 集成指南 - ✅ 参考材料 ## 📋 目录 - [包含内容](#whats-included) - [为什么使用这个？](#why-use-this) - [快速入门](#getting-started) - [支持开源](#-support-the-open-source-community) - [前置条件](#prerequisites) - [快速示例](#quick-examples) - [用例](#use-cases) - [可用技能](#available-skills) - [贡献](#contributing) - [故障排除](#troubleshooting) - [常见问题](#faq) - [支持](#support) - [加入社区](#join-our-community) - [引用](#citation) - [许可证](#license) ## 🚀 为什么使用这个？ ### ⚡ **加速您的研究** - **节省数天工作** - 跳过 API 文档研究和集成设置 - **生产就绪代码** - 经过测试、验证的示例，遵循科学最佳实践 - **多步骤工作流** - 通过单个提示执行复杂流程 ### 🎯 **全面覆盖** - **148 项技能** - 广泛覆盖所有主要科学领域 - **250+ 数据库** - 通过专门的数据库技能和 BioServices、BioPython、gget 等多数据库包，总共访问 250+ 个数据库和数据源，涵盖基因组学、化学、临床、金融等领域 - **55+ 优化的 Python 包技能** - RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioServices、PennyLane、Qiskit 等（代理可以使用任何 Python 包；这些是预先记录的、更高性能的路径） ### 🔧 **轻松集成** - **简单设置** - 将技能复制到您的技能目录并开始工作 - **自动发现** - 您的代理自动发现并使用相关技能 - **文档完善** - 每项技能包含示例、用例和最佳实践 ### 🌟 **维护与支持** - **定期更新** - 由 K-Dense 团队持续维护和扩展 - **社区驱动** - 开源，有活跃的社区贡献 - **企业就绪** - 为高级需求提供商业支持 ## 🎯 快速入门 Claude Scientific Skills 遵循开放 [Agent Skills](https://agentskills.io/) 标准。只需将技能文件夹复制到您的技能目录，您的 AI 代理就会自动发现并使用它们。 ### 第 1 步：克隆仓库 ``` git clone https://github.com/K-Dense-AI/claude-scientific-skills.git ``` ### 第 2 步：将技能复制到您的技能目录 将 `scientific-skills/` 中的各个技能文件夹复制到下面支持的技能目录之一。您可以**全局**安装技能（在所有项目中可用）或**按项目**安装（仅在该项目中可用）。 **全局安装**（推荐 — 技能随处可用）： | 工具 | 目录 | |------|-----------| | Cursor | `~/.cursor/skills/` | | Claude Code | `~/.claude/skills/` | | Codex | `~/.codex/skills/` | **项目级安装**（技能限定于单个项目）： | 工具 | 目录 | |------|-----------| | Cursor | `.cursor/skills/`（在您的项目根目录） | | Claude Code | `.claude/skills/`（在您的项目根目录） | | Codex | `.codex/skills/`（在您的项目根目录） | **示例 — Cursor 全局安装：** ``` cp -r claude-scientific-skills/scientific-skills/* ~/.cursor/skills/ ``` **示例 — Claude Code 全局安装：** ``` cp -r claude-scientific-skills/scientific-skills/* ~/.claude/skills/ ``` **示例 — 项目级安装：** ``` mkdir -p .cursor/skills cp -r /path/to/claude-scientific-skills/scientific-skills/* .cursor/skills/ ``` **就是这样！** 您的 AI 代理将自动发现技能并在与您的科学任务相关时使用它们。您也可以通过在提示中提及技能名称来手动调用任何技能。 ## ❤️ 支持开源社区 Claude Scientific Skills 由全球敬业的研究人员组成的**50+ 个精彩开源项目**提供支持。Biopython、Scanpy、RDKit、scikit-learn、PyTorch Lightning 等项目构成了这些技能的基础。 **如果您从这个仓库中获得了价值，请考虑支持使其成为可能的项目：** - ⭐ **在 GitHub 上给他们的仓库加星** - 💰 **通过 GitHub Sponsors 或 NumFOCUS 赞助维护者** - 📝 **在您的出版物中引用项目** - 💻 **贡献**代码、文档或错误报告 👉 **[查看需要支持的项目完整列表](docs/open-source-sponsors.md)** ## ⚙️ 前置条件 - **Python**: 3.9+（推荐 3.12+ 以获得最佳兼容性） - **uv**: Python 包管理器（安装技能依赖项所需） - **客户端**: 任何支持 [Agent Skills](https://agentskills.io/) 标准的代理（Cursor、Claude Code、Codex 等） - **系统**: macOS、Linux 或带 WSL2 的 Windows - **依赖项**: 由各个技能自动处理（查看 `SKILL.md` 文件了解特定要求） ### 安装 uv 这些技能使用 `uv` 作为包管理器来安装 Python 依赖项。使用适用于您操作系统的说明进行安装： **macOS 和 Linux:** ``` curl -LsSf https://astral.sh/uv/install.sh | sh ``` **Windows:** ``` powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex" ``` **替代方法（通过 pip）:** ``` pip install uv ``` 安装后，通过运行以下命令验证是否正常工作： ``` uv --version ``` 有关更多安装选项和详细信息，请访问 [uv 官方文档](https://docs.astral.sh/uv/)。 ## 💡 快速示例 安装技能后，您可以要求您的 AI 代理执行复杂的多步骤科学工作流。以下是一些示例提示： ### 🧪 药物发现流程 **目标**: 发现用于肺癌治疗的新型 EGFR 抑制剂 **提示**: ``` Use available skills you have access to whenever possible. Query ChEMBL for EGFR inhibitors (IC50 < 50nM), analyze structure-activity relationships with RDKit, generate improved analogs with datamol, perform virtual screening with DiffDock against AlphaFold EGFR structure, search PubMed for resistance mechanisms, check COSMIC for mutations, and create visualizations and a comprehensive report. ``` **使用的技能**: ChEMBL, RDKit, datamol, DiffDock, AlphaFold DB, PubMed, COSMIC, 科学可视化 *最后需要云 GPU 和可发布的报告？[在 K-Dense Web 上免费运行。](https://k-dense.ai)* ### 🔬 单细胞 RNA-seq 分析 **目标**: 对 10X Genomics 数据进行综合分析并整合公共数据 **提示**: ``` 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. ``` **使用的技能**: Scanpy, Cellxgene Census, NCBI Gene, PyDESeq2, Arboreto, Reactome, KEGG, Open Targets *想要零设置的云端执行和可共享的输出？[免费试用 K-Dense Web。](https://k-dense.ai)* ### 🧬 多组学生物标志物发现 **目标**: 整合 RNA-seq、蛋白质组学和代谢组学以预测患者预后 **提示**: ``` Use available skills you have access to whenever possible. Analyze RNA-seq with PyDESeq2, process mass spec with pyOpenMS, integrate metabolites from HMDB/Metabolomics Workbench, map proteins to pathways (UniProt/KEGG), find interactions via STRING, correlate omics layers with statsmodels, build predictive model with scikit-learn, and search ClinicalTrials.gov for relevant trials. ``` **使用的技能**: PyDESeq2, pyOpenMS, HMDB, Metabolomics Workbench, UniProt, KEGG, STRING, statsmodels, scikit-learn, ClinicalTrials.gov *此流程计算量大。[在 K-Dense Web 上使用云 GPU 运行，免费开始。](https://k-dense.ai)* ### 🎯 虚拟筛选活动 **目标**: 发现蛋白质-蛋白质相互作用的变构调节剂 **提示**: ``` Use available skills you have access to whenever possible. Retrieve AlphaFold structures, identify interaction interface with BioPython, search ZINC for allosteric candidates (MW 300-500, logP 2-4), filter with RDKit, dock with DiffDock, rank with DeepChem, check PubChem suppliers, search USPTO patents, and optimize leads with MedChem/molfeat. ``` **使用的技能**: AlphaFold DB, BioPython, ZINC, RDKit, DiffDock, DeepChem, PubChem, USPTO, MedChem, molfeat *跳过本地 GPU 瓶颈。[在 K-Dense Web 上免费运行虚拟筛选。](https://k-dense.ai)* ### 🏥 临床变异解读 **目标**: 分析 VCF 文件以进行遗传性癌症风险评估 **提示**: ``` Use available skills you have access to whenever possible. Parse VCF with pysam, annotate variants with Ensembl VEP, query ClinVar for pathogenicity, check COSMIC for cancer mutations, retrieve gene info from NCBI Gene, analyze protein impact with UniProt, search PubMed for case reports, check ClinPGx for pharmacogenomics, generate clinical report with document processing tools, and find matching trials on ClinicalTrials.gov. ``` **使用的技能**: pysam, Ensembl, ClinVar, COSMIC, NCBI Gene, UniProt, PubMed, ClinPGx, 文档技能, ClinicalTrials.gov *最后需要精美的临床报告，而不仅仅是代码？[K-Dense Web 提供可发布的输出。免费试用。](https://k-dense.ai)* ### 🌐 系统生物学网络分析 **目标**: 从 RNA-seq 数据分析基因调控网络 **提示**: **使用的技能**: NCBI Gene, UniProt, STRING, Reactome, KEGG, Torch Geometric, Arboreto, Open Targets, PyMC, GEO *想要端到端的流程、可共享的输出且无需设置？[免费试用 K-Dense Web。](https://k-dense.ai)* ## 🚀 想跳过设置直接做科学？ **您是否熟悉这些情况？** - 您花在配置环境上的时间比运行分析的时间还多 - 您的工作流需要本地机器没有的 GPU - 您需要可共享的、可发布的图表或报告，而不仅仅是脚本 - 您想现在就运行复杂的多步骤流程，而无需先阅读包文档 如果是这样，**[K-Dense Web](https://k-dense.ai)** 就是为您构建的。它是完整的 AI 共同科学家平台：包含此仓库中的所有内容，加上云 GPU、200+ 技能，以及可直接放入论文或演示文稿的输出。零设置要求。 | 功能 | 此仓库 | K-Dense Web | |---------|-----------|-------------| | 科学技能 | 148 项技能 | **200+ 项技能**（独家访问） | | 设置 | 手动安装 | **零设置，即时工作** | | 计算 | 您的机器 | **包含云 GPU 和 HPC** | | 工作流 | 提示和代码 | **端到端研究流程** | | 输出 | 代码和分析 | **可发布的图表、报告和论文** | | 集成 | 本地工具 | **实验室系统、ELN 和云存储** | *[k-dense.ai](https://k-dense.ai) | [阅读完整对比](https://k-dense.ai/blog/k-dense-web-vs-claude-scientific-skills)* ## 🔬 用例 ### 🧪 药物发现与药物化学 - **虚拟筛选**: 从 PubChem/ZINC 筛选数百万化合物针对蛋白质靶点 - **先导化合物优化**: 使用 RDKit 分析构效关系，使用 datamol 生成类似物 - **ADMET 预测**: 使用 DeepChem 预测吸收、分布、代谢、排泄和毒性 - **分子对接**: 使用 DiffDock 预测结合姿势和亲和力 - **生物活性挖掘**: 查询 ChEMBL 获取已知抑制剂并分析 SAR 模式 ### 🧬 生物信息学与基因组学 - **序列分析**: 使用 BioPython 和 pysam 处理 DNA/RNA/蛋白质序列 - **单细胞分析**: 使用 Scanpy 分析 10X Genomics 数据，鉴定细胞类型，使用 Arboreto 推断 GRN - **变异注释**: 使用 Ensembl VEP 注释 VCF 文件，查询 ClinVar 获取致病性 - **变异数据库管理**: 使用 TileDB-VCF 构建可扩展的 VCF 数据库，用于增量添加样本、高效的人群规模查询和基因组变异数据的压缩存储 - **基因发现**: 查询 NCBI Gene、UniProt 和 Ensembl 获取全面的基因信息 - **网络分析**: 通过 STRING 识别蛋白质-蛋白质相互作用，映射到通路（KEGG、Reactome） ### 🏥 临床研究与精准医学 - **临床试验**: 搜索 ClinicalTrials.gov 获取相关研究，分析入选标准 - **变异解读**: 使用 ClinVar、COSMIC 和 ClinPGx 注释变异以进行药物基因组学分析 - **药物安全**: 查询 FDA 数据库获取不良事件、药物相互作用和召回信息 - **精准治疗**: 将患者变异与靶向治疗和临床试验匹配 ### 🔬 多组学与系统生物学 - **多组学整合**: 结合 RNA-seq、蛋白质组学和代谢组学数据 - **通路分析**: 在 KEGG/Reactome 通路中富集差异表达基因 - **网络生物学**: 重构基因调控网络，识别枢纽基因 - **生物标志物发现**: 整合多组学层以预测患者预后 ### 📊 数据分析与可视化 - **统计分析**: 执行假设检验、功效分析和实验设计 - **出版图表**: 使用 matplotlib 和 seaborn 创建出版级可视化 - **网络可视化**: 使用 NetworkX 可视化生物网络 - **报告生成**: 使用文档技能生成综合 PDF 报告 ### 🧪 实验室自动化 - **协议设计**: 创建 Opentrons 协议用于自动化移液操作 - **LIMS 集成**: 与 Benchling 和 LabArchives 集成进行数据管理 - **工作流自动化**: 自动化多步骤实验室工作流 ## 📚 可用技能 本仓库包含 **148 项科学与研究技能**，跨多个领域组织。每项技能都提供了使用科学库、数据库和工具的综合文档、代码示例和最佳实践。 ### 技能类别 #### 🧬 **生物信息学与基因组学** (16+ 技能) - 序列分析: BioPython, pysam, scikit-bio, BioServices - 单细胞分析: Scanpy, AnnData, scvi-tools, Arboreto, Cellxgene Census - 基因组工具: gget, geniml, gtars, deepTools, FlowIO, Zarr, TileDB-VCF - 系统发育学: ETE Toolkit #### 🧪 **化学信息学与药物发现** (11+ 技能) - 分子操作: RDKit, Datamol, Molfeat - 深度学习: DeepChem, TorchDrug - 对接与筛选: DiffDock - 云量子化学: Rowan (pKa, docking, cofolding) - 类药性: MedChem - 基准测试: PyTDC #### 🔬 **蛋白质组学与质谱** (2 技能) - 谱图处理: matchms, pyOpenMS #### 🏥 **临床研究与精准医学** (12+ 技能) - 临床数据库: ClinicalTrials.gov, ClinVar, ClinPGx, COSMIC, FDA Databases - 医疗 AI: PyHealth, NeuroKit2, 临床决策支持 - 临床文档: 临床报告, 治疗方案 - 变异分析: Ensembl, NCBI Gene #### 🖼️ **医学影像与数字病理学** (3 技能) - DICOM 处理: pydicom - 全切片成像: histolab, PathML #### 🧠 **神经科学与电生理学** (1 技能) - 神经记录: Neuropixels-Analysis（细胞外锋电位、硅探针、锋电位排序） #### 🤖 **机器学习与 AI** (15+ 技能) - 深度学习: PyTorch Lightning, Transformers, Stable Baselines3, PufferLib - 经典 ML: scikit-learn, scikit-survival, SHAP - 时间序列: aeon - 贝叶斯方法: PyMC - 优化: PyMOO - 图 ML: Torch Geometric - 降维: UMAP-learn - 统计建模: statsmodels #### 🔮 **材料科学、化学与物理** (7 技能) - 材料: Pymatgen - 代谢建模: COBRApy - 天文学: Astropy - 量子计算: Cirq, PennyLane, Qiskit, QuTiP #### ⚙️ **工程与仿真** (4 技能) - 数值计算: MATLAB/Octave - 计算流体动力学: FluidSim - 离散事件仿真: SimPy - 数据处理: Dask, Polars, Vaex #### 📊 **数据分析与可视化** (14+ 技能) - 可视化: Matplotlib, Seaborn, Plotly, 科学可视化 - 地理空间分析: GeoPandas - 网络分析: NetworkX - 符号数学: SymPy - 文档处理: 文档技能 (PDF, DOCX, PPTX, XLSX) - 数据访问: Data Commons - 探索性数据分析: EDA 工作流 - 统计分析: 统计分析工作流 #### 🧪 **实验室自动化** (3 技能) - 移液操作: PyLabRobot - 协议管理: Protocols.io - LIMS 集成: Benchling, LabArchives #### 🔬 **多组学与系统生物学** (5+ 技能) - 通路分析: KEGG, Reactome, STRING - 多组学: Denario, HypoGeniC - 数据管理: LaminDB #### 🧬 **蛋白质工程与设计** (2 技能) - 蛋白质语言模型: ESM - 云实验室平台: Adaptyv（自动化蛋白质测试和验证） #### 📚 **科学交流** (20+ 技能) - 文献: OpenAlex, PubMed, bioRxiv, 文献综述 - 网络搜索: Perplexity Search（AI 驱动搜索，实时信息） - 写作: 科学写作, 同行评审 - 文档处理: XLSX, MarkItDown, 文档技能 - 出版: Paper-2-Web, 场所模板 - 演示: 科学幻灯片, LaTeX 海报, PPTX 海报 - 图表: 科学示意图 - 引用: 引用管理 - 插图: 生成图像（使用 FLUX.2 Pro 和 Gemini 3 Pro (Nano Banana Pro) 的 AI 图像生成） #### 🔬 **科学数据库** (28+ 专项技能 → 总共 250+ 数据库) - 蛋白质: UniProt, PDB, AlphaFold DB - 化学: PubChem, ChEMBL, DrugBank, ZINC, HMDB - 基因组: Ensembl, NCBI Gene, GEO, ENA, GWAS Catalog - 文献: bioRxiv (预印本) - 临床: ClinVar, COSMIC, ClinicalTrials.gov, ClinPGx, FDA Databases - 通路: KEGG, Reactome, STRING - 靶点: Open Targets - 代谢组学: Metabolomics Workbench - 酶: BRENDA - 专利: USPTO #### 🔧 **基础设施与平台** (6+ 技能) - 云计算: Modal - 基因组平台: DNAnexus, LatchBio - 显微镜: OMERO - 自动化: Opentrons - 资源检测: 获取可用资源 #### 🎓 **研究方法论与规划** (8+ 技能) - 构思: 科学头脑风暴, 假设生成 - 批判性分析: 科学批判性思维, 学者评估 - 资金: 研究基金 - 发现: 研究查询 - 市场分析: 市场研究报告 #### ⚖️ **法规与标准** (1 技能) - 医疗器械标准: ISO 13485 认证 #### 💹 **金融与 SEC 研究** (4 技能) - SEC 文件与财务数据: edgartools (10-K, 10-Q, 8-K, 13F, Form 4, XBRL, 内幕交易, 机构持股) - 美国联邦财政数据: usfiscaldata (国债, 每日/每月财政部报表, 国债拍卖, 利率, 汇率, 储蓄债券) - 对冲基金系统性风险: hedgefundmonitor (OFR 对冲基金监控 API — Form PF 汇总统计数据, CFTC 期货持仓, FICC 赞助回购, SCOOS 交易商融资) - 全球市场数据: alpha-vantage (实时和历史股票、期权、外汇、加密货币、大宗商品、经济指标, 通过 Alpha Vantage API 提供 50+ 技术指标) ## 🤝 贡献 我们欢迎贡献以扩展和改进这个科学技能仓库！ ### 贡献方式 ✨ **添加新技能** - 为其他科学包或数据库创建技能 - 为科学平台和工具添加集成 📚 **改进现有技能** - 用更多示例和用例增强文档 - 添加新工作流和参考材料 - 改进代码示例和脚本 - 修复错误或更新过时信息 🐛 **报告问题** - 提交包含详细复现步骤的错误报告 - 建议改进或新功能 ### 如何贡献 1. **Fork** 仓库 2. **创建**功能分支 (`git checkout -b feature/amazing-skill`) 3. **遵循**现有的目录结构和文档模式 4. **确保**所有新技能包含全面的 `SKILL.md` 文件 5. **彻底测试**您的示例和工作流 6. **提交**您的更改 (`git commit -m 'Add amazing skill'`) 7. **推送**到您的分支 (`git push origin feature/amazing-skill`) 8. **提交**带有清晰更改描述的拉取请求 ### 贡献指南 ✅ **遵守 [Agent Skills 规范](https://agentskills.io/specification)** — 每项技能必须遵循官方规范（有效的 `SKILL.md` 前言、命名约定、目录结构） ✅ 保持与现有技能文档格式的一致性 ✅ 确保所有代码示例经过测试且功能正常 ✅ 在示例和工作流中遵循科学最佳实践 ✅ 添加新功能时更新相关文档 ✅ 在代码中提供清晰的注释和文档字符串 ✅ 包含指向官方文档的参考 ### 认可 贡献会在我们的社区中获得认可，并可能在以下方面被展示： - 仓库贡献者列表 - 发行说明中的特别提及 - K-Dense 社区亮点 您的贡献有助于使科学计算更加普及，并使研究人员能够更有效地利用 AI 工具！ ### 支持开源 本项目构建于 50+ 个精彩的开源项目之上。如果您从这些技能中获得了价值，请考虑[支持我们依赖的项目](docs/open-source-sponsors.md)。 ## 🔧 故障排除 ### 常见问题 **问题: 技能未加载** - 验证技能文件夹位于正确的目录中（参见 [快速入门](#getting-started)） - 每个技能文件夹必须包含 `SKILL.md` 文件 - 复制技能后重启您的代理/IDE - 在 Cursor 中，检查 Settings → Rules 以确认技能已被发现 **问题: Python 依赖项缺失** - 解决方案: 检查特定 `SKILL.md` 文件以获取所需的包 - 安装依赖项: `uv pip install package-name` **问题: API 速率限制** - 解决方案: 许多数据库有速率限制。查看特定数据库文档 - 考虑实施缓存或批量请求 **问题: 认证错误** - 解决方案: 某些服务需要 API 密钥。查看 `SKILL.md` 进行认证设置 - 验证您的凭据和权限 **问题: 示例过时** - 解决方案: 通过 GitHub Issues 报告问题 - 查看官方包文档以获取更新的语法 ## ❓ 常见问题 ### 一般问题 **问: 这是免费使用的吗？** 答: 是的！本仓库采用 MIT 许可。但是，每个单独的技能在其 `SKILL.md` 文件的 `license` 元数据字段中指定了自己的许可——请务必查看并遵守这些条款。 **问: 为什么所有技能都组合在一起而不是单独的包？** 答: 我们相信 AI 时代的优秀科学本质上是跨学科的。将所有技能捆绑在一起使您（和您的代理）可以轻松地跨领域整合——例如，在一个工作流中结合基因组学、化学信息学、临床数据和机器学习——而无需担心安装或连接哪些单独的技能。 **问: 我可以用于商业项目吗？** 答: 仓库本身采用 MIT 许可，允许商业使用。但是，单独的技能可能有不同的许可——请检查每个技能 `SKILL.md` 文件中的 `license` 字段，以确保符合您的预期用途。 **问: 所有技能都有相同的许可吗？** 答: 不。每个技能在其 `SKILL.md` 文件的 `license` 元数据字段中指定了自己的许可。这些许可可能与仓库的 MIT 许可不同。用户有责任查看并遵守他们使用的每个单独技能的许可条款。 **问: 多久更新一次？** 答: 我们定期更新技能以反映包和 API 的最新版本。主要更新会在发行说明中公布。 **问: 我可以与其他 AI 模型一起使用吗？** 答: 这些技能遵循开放 [Agent Skills](https://agentskills.io/) 标准，适用于任何兼容的代理，包括 Cursor、Claude Code 和 Codex。 ### 安装与设置 **问: 我需要安装所有 Python 包吗？** 答: 不需要！只需安装您需要的包。每个技能在其 `SKILL.md` 文件中指定了其要求。 **问: 如果技能不起作用怎么办？** 答: 首先查看 [故障排除](#troubleshooting) 部分。如果问题持续存在，请在 GitHub 上提交包含详细复现步骤的 issue。 **问: 技能可以离线工作吗？** 答: 数据库技能需要互联网访问来查询 API。包技能在安装 Python 依赖项后可以离线工作。 ### 贡献 **问: 我可以贡献自己的技能吗？** 答: 当然可以！我们欢迎贡献。有关指南和最佳实践，请参见 [贡献](#contributing) 部分。 **问: 如何报告错误或建议功能？** 答: 在 GitHub 上提交带有清晰描述的 issue。对于错误，请包含复现步骤以及预期与实际行为。 ## 💬 支持 需要帮助？以下是获取支持的方式： - 📖 **文档**: 查看相关的 `SKILL.md` 和 `references/` 文件夹 - 🐛 **错误报告**: [提交 issue](https://github.com/K-Dense-AI/claude-scientific-skills/issues) - 💡 **功能请求**: [提交功能请求](https://github.com/K-Dense-AI/claude-scientific-skills/issues/new) - 💼 **企业支持**: 联系 [K-Dense](https://k-dense.ai/) 获取商业支持 - 🌐 **社区**: [加入我们的 Slack](https://join.slack.com/t/k-densecommunity/shared_invite/zt-3iajtyls1-EwmkwIZk0g_o74311Tkf5g) ## 🎉 加入我们的社区！ **我们很希望您加入我们！** 🚀 与其他使用 AI 代理进行科学计算的科学家、研究人员和 AI 爱好者联系。分享您的发现、提问、获取项目帮助，并与社区合作！ 🌟 **[加入我们的 Slack 社区](https://join.slack.com/t/k-densecommunity/shared_invite/zt-3iajtyls1-EwmkwIZk0g_o74311Tkf5g)** 🌟 无论您是刚刚入门还是高级用户，我们的社区都在这里支持您。我们分享技巧、一起排除故障、展示精彩项目，并讨论 AI 驱动科学研究的最新发展。 **那里见！** 💬 ## 📖 引用 如果您在研究或项目中使用 Claude Scientific Skills，请引用为： ### BibTeX ``` @software{claude_scientific_skills_2026, author = {{K-Dense Inc.}}, title = {Claude Scientific Skills: A Comprehensive Collection of Scientific Tools for Claude AI}, year = {2026}, url = {https://github.com/K-Dense-AI/claude-scientific-skills}, note = {skills covering databases, packages, integrations, and analysis tools} } ``` ### APA ``` K-Dense Inc. (2026). Claude Scientific Skills: A comprehensive collection of scientific tools for Claude AI [Computer software]. https://github.com/K-Dense-AI/claude-scientific-skills ``` ### MLA ``` K-Dense Inc. Claude Scientific Skills: A Comprehensive Collection of Scientific Tools for Claude AI. 2026, github.com/K-Dense-AI/claude-scientific-skills. ``` ### 纯文本 ``` Claude Scientific Skills by K-Dense Inc. (2026) Available at: https://github.com/K-Dense-AI/claude-scientific-skills ``` 我们感谢在从这些技能受益的出版物、演示或项目中的致谢！ ## 📄 许可证 本项目采用 **MIT 许可证**授权。 **版权所有 © 2026 K-Dense Inc.** ([k-dense.ai](https://k-dense.ai/)) ### 关键点: - ✅ **免费用于任何用途**（商业和非商业） - ✅ **开源** - 自由修改、分发和使用 - ✅ **宽松** - 对重用的限制最少 - ⚠️ **无担保** - 按“原样”提供，不提供任何形式的担保 完整条款见 [LICENSE.md](LICENSE.md)。 ### 单独技能许可 ## Star 历史 [](https://www.star-history.com/#K-Dense-AI/claude-scientific-skills&type=date&legend=top-left)

标签：Agent Skills, AI智能体, Alpha Vantage, Claude, Cursor, CVE检测, DLL 劫持, DNS解析, K-Dense, MIT许可, RAG, 人工智能, 代码助手, 代码示例, 化学, 医学, 单细胞分析, 基因组学, 基因调控网络, 多步工作流, 大语言模型, 对冲基金, 序列分析, 开源项目, 数据分析, 数据库, 特权检测, 生物信息学, 用户模式Hook绕过, 科学研究, 系统生物学, 证券研究, 财政部数据, 逆向工具, 金融分析