K-Dense-AI/scientific-agent-skills

# Scientific Agent 技能 [](LICENSE.md) [](#whats-included) [](#whats-included) [](https://agentskills.io/) [](#getting-started) [](https://x.com/k_dense_ai) [](https://www.linkedin.com/company/k-dense-inc) [](https://www.youtube.com/@K-Dense-Inc) 一个包含 **133 个即用型科学和研究技能** 的综合合集（涵盖癌症基因组学、药物-靶点结合、分子动力学、RNA 速度、地理空间科学、时间序列预测、78+ 科学数据库等），适用于任何支持开放 [Agent Skills](https://agentskills.io/) 标准的 AI 代理，由 [K-Dense](https://k-dense.ai) 创建。适用于 **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理。 这些技能使您的 AI 代理能够无缝跨多个科学领域使用专业的科学库、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，显著增强了其在以下工作流中的能力和可靠性： - 🧬 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 - DICOM 处理、全切片图像分析、计算病理学、放射科工作流 - 🤖 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、坐标转换、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 - 🌍 地理空间科学与遥感 - 卫星图像处理、GIS 分析、空间统计、地形分析、地球观测机器学习 - 🧪 实验室自动化 - 液体处理协议、实验室设备控制、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、基金撰写、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 此仓库提供 **133 个科学和研究技能**，组织为以下类别： - **100+ 科学与金融数据库** - 统一的数据库查找技能提供对 78 个公共数据库（PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO 等）的直接访问，外加针对 DepMap、Imaging Data Commons、PrimeKG 和美国财政部财政数据的专用技能。像 BioServices（约 40 个生物信息服务）、BioPython（通过 Entrez 访问 38 个 NCBI 子数据库）和 gget（20+ 个基因组学数据库）这样的多数据库包进一步扩展了覆盖范围 - **70+ 优化的 Python 包技能** - 为 RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioPython、pyzotero、BioServices、PennyLane、Qiskit、OpenMM、MDAnalysis、scVelo、TimesFM 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，不仅仅是这些；这些技能只是为所列的包提供了更强大、更可靠的性能路径 - **9 个科学集成技能** - 为 Benchling、DNAnexus、LatchBio、OMERO、Protocols.io、Open Notebook 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、信息图、Mermaid 图表等 - **10+ 研究与临床工具** - 假设生成、基金撰写、临床决策支持、治疗计划、合规性、情景分析 每个技能包括： - ✅ 全面的文档 (`SKILL.md`) - ✅ 实用的代码示例 - ✅ 用例和最佳实践 - ✅ 集成指南 - ✅ 参考资料 ## 📋 目录 - [包含内容](#whats-included) - [为什么使用它？](#why-use-this) - [入门指南](#getting-started) - [安全免责声明](#-security-disclaimer) - [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) - [贡献指南](#contributing) - [故障排除](#troubleshooting) - [常见问题](#faq) - [支持](#support) - [加入我们的社区](#join-our-community) - [引用](#citation) - [许可证](#license) ## 🚀 为什么使用它？ ### ⚡ **加速您的研究** - **节省数天的工作** - 跳过 API 文档研究和集成设置 - **生产级代码** - 经过测试和验证的示例，遵循科学最佳实践 - **多步骤工作流** - 通过单个提示执行复杂的流水线 ### 🎯 **全面覆盖** - **133 个技能** - 广泛覆盖所有主要科学领域 - **100+ 个数据库** - 通过数据库查找统一访问 78+ 个数据库，外加专用的数据访问技能和多数据库包，如 BioServices、BioPython 和 gget - **70+ 个优化的 Python 包技能** - RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioServices、PennyLane、Qiskit、OpenMM、scVelo、TimesFM 等（代理可以使用任何 Python 包；这些是预记录的、高性能路径） ### 🔧 **易于集成** - **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** - 您的代理会自动找到并使用相关技能 - **文档齐全** - 每个技能都包含示例、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** - 拥有活跃社区贡献的开源项目 - **企业就绪** - 为高级需求提供商业支持 ## 🎯 入门指南 使用单个命令安装 Scientific Agent Skills： ``` npx skills add K-Dense-AI/scientific-agent-skills ``` 这是在**所有平台**（包括 **Claude Code**、**Claude Cowork**、**Codex**、**Gemini CLI**、**Cursor** 以及任何其他支持开放 [Agent Skills](https://agentskills.io/) 标准的代理）上安装 Agent Skills 的官方标准方法。 **就这样！** 您的 AI 代理将自动发现这些技能，并在与您的科学任务相关时使用它们。您也可以在提示中提及技能名称来手动调用任何技能。 ## ⚠️ 安全免责声明 Agent Skills 功能强大——它们可以指示您的 AI 代理运行任意代码、安装包、发出网络请求以及修改系统上的文件。恶意或编写不当的技能可能会将您的编码代理引导至有害行为。 我们非常重视安全性。所有贡献都经过审查流程，我们还会对仓库中的每个技能运行基于 LLM 的安全扫描（通过 [Cisco AI Defense Skill Scanner](https://github.com/cisco-ai-defense/skill-scanner)）。然而，作为一个团队规模较小且社区贡献日益增长的项目，我们无法保证每个技能都已针对所有可能的风险进行了详尽审查。 **最终由您负责审查您安装的技能并决定信任哪些技能。** 我们建议您执行以下操作： - **不要一次性安装所有内容。** 仅安装您实际工作所需的技能。虽然当 K-Dense 创建和维护每个技能时安装整个合集是合理的，但仓库现在包含了许多社区贡献，我们可能没有对这些贡献进行同样详尽的审查。 - **在安装前阅读 `SKILL.md`。** 每个技能的文档都描述了它的功能、使用的包以及连接的外部服务。如果某项内容看起来可疑，请不要安装。 - **检查贡献历史。** 由 K-Dense (`K-Dense-AI`) 编写的技能已经过我们的内部审查流程。社区贡献的技能已尽我们所能进行了审查，但资源有限。 - **自己运行安全扫描器。** 在安装第三方技能之前，在本地扫描它们： uv pip install cisco-ai-skill-scanner skill-scanner scan /path/to/skill --use-behavioral - **报告任何可疑内容。** 如果您发现某个技能看起来恶意或行为异常，请立即 [提出 issue](https://github.com/K-Dense-AI/scientific-agent-skills/issues)，以便我们进行调查。 所有技能大约每周扫描一次，[SECURITY.md](SECURITY.md) 会更新最新结果。我们会尝试在出现安全问题时及时解决。 ## ⚙️ 前置条件 - **Python**：3.11+（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、Gemini CLI、Codex 等） - **系统**：macOS、Linux 或带有 WSL2 的 Windows - **依赖项**：由各个技能自动处理（具体要求请查看 `SKILL.md` 文件） ### 安装 uv 这些技能使用 `uv` 作为包管理器来安装 Python 依赖项。按照适用于您的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" ``` **替代方案（通过 pip）：** ``` pip install uv ``` 安装后，运行以下命令验证其是否正常工作： ``` uv --version ``` 有关更多安装选项和详细信息，请访问 [官方 uv 文档](https://docs.astral.sh/uv/)。 ## 💡 快速示例 安装技能后，您可以要求 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： ### 🧪 药物发现流水线 **目标**：寻找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 ### 🔬 单细胞 RNA-seq 分析 **目标**：综合分析 10X Genomics 数据并整合公共数据 **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 ### 🧬 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数据以预测患者预后 **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 ### 🎯 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 ### 🏥 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**：pys、Ensembl、ClinVar、COSMIC、NCBI Gene、UniProt、PubMed、ClinPGx、文档技能、ClinicalTrials.gov *最后需要一份精美的临床报告，而不仅仅是代码？[K-Dense Web 提供可直接发布的输出。免费试用。](https://k-dense.ai)* ### 🌐 系统生物学网络分析 **目标**：分析来自 RNA-seq 数据的基因调控网络 **提示**： ``` Use available skills you have access to whenever possible. Query NCBI Gene for annotations, retrieve sequences from UniProt, identify interactions via STRING, map to Reactome/KEGG pathways, analyze topology with Torch Geometric, reconstruct GRNs with Arboreto, assess druggability with Open Targets, model with PyMC, visualize networks, and search GEO for similar patterns. ``` **使用的技能**：NCBI Gene、UniProt、STRING、Reactome、KEGG、Torch Geometric、Arboreto、Open Targets、PyMC、GEO *想要端到端的工作流、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，直接开始科学研究？ **认出这些情况了吗？** - 您花在配置环境上的时间比运行分析还多 - 您的工作流需要本地机器没有的 GPU - 您需要可共享的、可出版级的图表或报告，而不仅仅是一个脚本 - 您想现在就运行复杂的多步骤流水线，而无需先阅读包文档 如果是这样，**[K-Dense Web](https://k-dense.ai)** 就是为您量身打造的。它是完整的 AI 共科学家平台：此仓库中的所有内容，外加云 GPU、200+ 技能，以及您可以直接放入论文或演示文稿的输出。无需任何设置。 | 功能 | 本仓库 | K-Dense Web | |---------|-----------|-------------| | 科学技能 | 133 个技能 | **200+ 个技能**（独家访问） | | 设置 | 手动安装 | **零设置，即时使用** | | 计算 | 您的机器 | **包含云 GPU 和 HPC** | | 工作流 | 提示和代码 | **端到端研究流水线** | | 输出 | 代码和分析 | **出版级图表、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-scientific-agent-skills)* ## 🔬 用例 ### 🧪 药物发现与药物化学 - **虚拟筛选**：针对蛋白质靶点筛选 PubChem/ZINC 中的数百万化合物 - **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 预测结合模式和亲和力 - **生物活性挖掘**：查询 ChEMBL 以寻找已知抑制剂并分析 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，识别细胞类型，使用 Arboreto 推断 GRN - **变异注释**：使用 Ensembl VEP 注释 VCF 文件，查询 ClinVar 以确定致病性 - **变异数据库管理**：使用 TileDB-VCF 构建可扩展的 VCF 数据库，以便增量添加样本、高效进行人群规模查询以及压缩存储基因组变异数据 - **基因发现**：查询 NCBI Gene、UniProt 和 Ensembl 以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**：在 ClinicalTrials.gov 上搜索相关研究，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 数据库以获取不良事件、药物相互作用和召回信息 - **精准治疗**：将患者变异与靶向疗法和临床试验相匹配 ### 🔬 多组学与系统生物学 - **多组学整合**：整合 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 - **出版级图表**：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**：为自动化液体处理创建 Opentrons 协议 - **LIMS 集成**：与 Benchling 和 LabArchives 集成以进行数据管理 - **工作流自动化**：自动化多步骤实验室工作流 ## 📚 可用技能 此仓库包含 **133 个科学和研究技能**，组织在多个领域。每个技能为使用科学库、数据库和工具提供了全面的文档、代码示例和最佳实践。 ### 技能类别 #### 🧬 **生物信息学与基因组学** (21+ 个技能) - 序列分析：BioPython、pysam、scikit-bio、BioServices - 单细胞分析：Scanpy、AnnData、scvi-tools、scVelo (RNA 速度)、Arboreto、Cellxgene Census - 基因组学工具：gget、geniml、gtars、deepTools、FlowIO、Polars-Bio、Zarr、TileDB-VCF - 差异表达：PyDESeq2 - 系统发育学：ETE Toolkit、Phylogenetics (MAFFT、IQ-TREE 2、FastTree) #### 🧪 **化学信息学与药物发现** (10+ 个技能) - 分子操作：RDKit、Datamol、Molfeat - 深度学习：DeepChem、TorchDrug - 对接与筛选：DiffDock - 分子动力学：OpenMM + MDAnalysis (MD 仿真与轨迹分析) - 云量子化学：Rowan (pKa、对接、共折叠) - 类药性：MedChem - 基准测试：PyTDC #### 🔬 **蛋白质组学与质谱** (2 个技能) - 谱图处理：matchms、pyOpenMS #### 🏥 **临床研究与精准医学** (8+ 个技能) - 临床数据库：通过数据库查找 (ClinicalTrials.gov、ClinVar、ClinPGx、COSMIC、FDA、cBioPortal、Monarch 等) - 癌症基因组学：DepMap（癌症依赖性评分、药物敏感性） - 癌症影像：Imaging Data Commons（通过 idc-index 访问 NCI 放射学和病理学数据集） - 医疗 AI：PyHealth、NeuroKit2、临床决策支持 - 临床文档：临床报告、治疗计划 #### 🖼️ **医学影像与数字病理** (3 个技能) - DICOM 处理：pydicom - 全切片成像：histolab、PathML #### 🧠 **神经科学与电生理学** (1 个技能) - 神经记录：Neuropixels-Analysis（胞外尖峰、硅探针、尖峰分类） #### 🤖 **机器学习与 AI** (16+ 个技能) - 深度学习：PyTorch Lightning、Transformers、Stable Baselines3、PufferLib - 经典机器学习：scikit-learn、scikit-survival、SHAP - 时间序列：aeon、TimesFM（Google 的单变量预测零样本基础模型） - 贝叶斯方法：PyMC - 优化：PyMOO - 图机器学习：Torch Geometric - 降维：UMAP-learn - 统计建模：statsmodels #### 🔮 **材料科学、化学与物理学** (7 个技能) - 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 个技能) - 数值计算：MATLAB/Octave - 计算流体力学：FluidSim - 离散事件仿真：SimPy - 符号数学：SymPy #### 📊 **数据分析与可视化** (16+ 个技能) - 可视化：Matplotlib、Seaborn、科学可视化 - 地理空间分析：GeoPandas、GeoMaster（遥感、GIS、卫星图像、空间机器学习、500+ 示例） - 数据处理：Dask、Polars、Vaex - 网络分析：NetworkX - 文档处理：文档技能（PDF、DOCX、PPTX、XLSX） - 信息图：信息图（AI 驱动的专业信息图创建） - 图表：Markdown 与 Mermaid 编写（基于文本的图表作为默认文档标准） - 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** (4 个技能) - 液体处理：PyLabRobot - 云实验室：Ginkgo Cloud Lab（通过自主 RAC 基础设施进行无细胞蛋白质表达、荧光像素艺术） - 协议管理：Protocols.io - LIMS 集成：Benchling、LabArchives #### 🔬 **多组学与系统生物学** (4+ 个技能) - 通路分析：通过数据库查找（KEGG、Reactome、STRING）和 PrimeKG - 多组学：HypoGeniC - 数据管理：LaminDB #### 🧬 **蛋白质工程与设计** (3 个技能) - 蛋白质语言模型：ESM - 糖基工程：糖基工程（N/O-糖基化预测、治疗性抗体优化） - 云实验室平台：Adaptyv（自动化蛋白质测试和验证） #### 📚 **科学交流** (20+ 个技能) - 文献：论文查找（PubMed、PMC、bioRxiv、medRxiv、arXiv、OpenAlex、Crossref、Semantic Scholar、CORE、Unpaywall）、文献综述 - 高级论文搜索：BGPT Paper Search（每篇论文 25+ 个结构化字段——方法、结果、样本量、质量评分——来自全文，而不仅仅是摘要） - 网络搜索：Parallel Web（带引用的综合摘要） - 研究笔记本：Open Notebook（自托管的 NotebookLM 替代方案——PDF、视频、音频、网页；16+ AI 提供商；多演讲者播客生成） - 写作：科学写作、同行评审 - 文档处理：XLSX、MarkItDown、文档技能 - 出版：会议模板 - 演示文稿：科学幻灯片、LaTeX 海报、PPTX 海报 - 图表：科学示意图、Markdown 与 Mermaid 编写 - 信息图：信息图（10 种类型、8 种风格、色盲安全调色板） - 引用：引文管理 - 插图：生成图像（使用 FLUX.2 Pro 和 Gemini 3 Pro (Nano Banana Pro) 进行 AI 图像生成） #### 🔬 **科学数据库与数据访问** (5 个技能 → 100+ 个数据库总计) - 统一访问：数据库查找（78 个数据库，涵盖化学、基因组学、临床、通路、专利、经济学等——PubChem、ChEMBL、UniProt、PDB、AlphaFold、KEGG、Reactome、STRING、ClinVar、COSMIC、ClinicalTrials.gov、FDA、FRED、USPTO、SEC EDGAR 以及更多） - 癌症基因组学：DepMap（癌症细胞系依赖性、药物敏感性、基因效应谱） - 癌症影像：Imaging Data Commons（通过 idc-index 访问 NCI 放射学和病理学数据集） - 知识图谱：PrimeKG（精准医学知识图谱——基因、药物、疾病、表型） - 财政数据：美国财政部财政数据（国债、财政部报表、拍卖、汇率） #### 🔧 **基础设施与平台** (7+ 个技能) - 云计算：Modal - GPU 加速：GPU 优化（CuPy、Numba CUDA、Warp、cuDF、cuML、cuGraph、KvikIO、cuCIM、cuxfilter、cuVS、cuSpatial、RAFT） - 基因组学平台：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** (12+ 个技能) - 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 - 情景分析：What-If Oracle（多分支可能性探索、风险分析、战略选项） - 多视角审议：意识委员会（多元专家观点、魔鬼代言人分析） - 认知分析：DHDNA 分析器（任何文本中提取思维模式和认知特征） - 资金：研究基金 - 发现：研究查找、论文查找（10 个学术数据库） - 市场分析：市场研究报告 #### ⚖️ **监管与标准** (1 个技能) - 医疗器械标准：ISO 13485 认证 ## 🤝 贡献指南 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** - 为额外的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** - 通过更多示例和用例增强文档 - 添加新的工作流和参考资料 - 改进代码示例和脚本 - 修复错误或更新过时的信息 🐛 **报告问题** - 提交详细的错误报告和复现步骤 - 提出改进建议或新功能 ### 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** 所有新技能都包含全面的 `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** 拉取请求，并清楚描述您的更改 ### 贡献指南 ✅ **遵守 [Agent Skills 规范](https://agentskills.io/specification)** — 每个技能必须遵循官方规范（有效的 `SKILL.md` frontmatter、命名约定、目录结构） ✅ 保持与现有技能文档格式的一致性 ✅ 确保所有代码示例均已测试且功能正常 ✅ 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 ✅ 包含对官方文档的引用 ### 安全扫描 此仓库中的所有技能均使用 [Cisco AI Defense Skill Scanner](https://github.com/cisco-ai-defense/skill-scanner) 进行安全扫描，这是一个开源工具，用于检测 Agent Skills 中的提示注入、数据泄露和恶意代码模式。 如果您要贡献新技能，我们建议在提交拉取请求之前在本地运行扫描器： ``` uv pip install cisco-ai-skill-scanner skill-scanner scan /path/to/your/skill --use-behavioral ``` ### 认可 贡献者将在我们的社区中获得认可，并可能会出现在以下位置： - 仓库贡献者列表 - 发布说明中的特别致谢 - K-Dense 社区亮点 您的贡献有助于让科学计算更加普及，并使研究人员能够更有效地利用 AI 工具！ ### 支持开源 此项目建立在 50 多个出色的开源项目之上。如果您发现这些技能有价值，请考虑 [支持我们所依赖的项目](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（请参阅 [入门指南](#getting-started)） - 每个技能文件夹必须包含一个 `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：缺少 Python 依赖项** - 解决方案：检查具体的 `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：许多数据库都有速率限制。请查看具体的数据库文档 - 考虑实施缓存或批量请求 **问题：身份验证错误** - 解决方案：某些服务需要 API 密钥。请查看 `SKILL.md` 了解身份验证设置 - 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？** A：是的！此仓库采用 MIT 许可证。然而，每个单独的技能在其 `SKILL.md` 文件的 `license` 元数据字段中都指定了自己的许可证——请务必查看并遵守这些条款。 **问：为什么将所有技能分组在一起，而不是单独的包？** A：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（以及您的代理）可以轻松跨越不同领域——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——而无需担心应该安装或连接哪些单独的技能。 **问：我可以将其用于商业项目吗？** A：仓库本身采用 MIT 许可证，允许商业使用。但是，单独的技能可能有不同的许可证——请查看每个技能 `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证吗？** A：没有。每个技能在其 `SKILL.md` 文件的 `license` 元数据字段中都指定了自己的许可证。这些许可证可能与仓库的 MIT 许可证不同。用户有责任查看并遵守其使用的每个单独技能的许可证条款。 **问：更新频率如何？** A：我们会定期更新技能，以反映包和 API 的最新版本。主要更新会在发布说明中公布。 **问：我可以将其与其他 AI 模型一起使用吗？** A：这些技能遵循开放的 [Agent Skills](https://agentskills.io/) 标准，可与任何兼容的代理（包括 Cursor、Claude Code 和 Codex）一起使用。 ### 安装与设置 **问：我需要安装所有 Python 包吗？** A：不需要！仅安装您需要的包。每个技能在其 `SKILL.md` 文件中指定了其要求。 **问：如果技能无法工作怎么办？** A：首先检查 [故障排除](#troubleshooting) 部分。如果问题仍然存在，请在 GitHub 上提交 issue，并提供详细的复现步骤。 **问：技能可以离线工作吗？** A：数据库技能需要互联网访问以查询 API。一旦安装了 Python 依赖项，包技能可以离线工作。 ### 贡献 **问：我可以贡献自己的技能吗？** A：当然可以！我们欢迎贡献。请参阅 [贡献指南](#contributing) 部分了解指南和最佳实践。 **问：如何报告错误或建议新功能？** A：在 GitHub 上打开 issue，并提供清晰的描述。对于错误，请包括复现步骤以及预期行为与实际行为的对比。 ## 💬 支持 需要帮助？以下是获取支持的方法： - 📖 **文档**：查看相关的 `SKILL.md` 和 `references/` 文件夹 - 🐛 **错误报告**：[提出 issue](https://github.com/K-Dense-AI/scientific-agent-skills/issues) - 💡 **功能请求**：[提交功能请求](https://github.com/K-Dense-AI/scientific-agent-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！ **我们很欢迎您的加入！** 🚀 与其他使用 AI 代理进行科学计算的科学家、研究人员和 AI 爱好者建立联系。分享您的发现，提出问题，获得项目帮助，并与社区协作！ 🌟 **[加入我们的 Slack 社区](https://join.slack.com/t/k-densecommunity/shared_invite/zt-3iajtyls1-EwmkwIZk0g_o74311Tkf5g)** 🌟 无论您是刚入门还是高级用户，我们的社区都随时为您提供支持。我们分享技巧，共同解决问题，展示酷炫项目，并讨论 AI 驱动科学研究的最新进展。 **期待在那里见到您！** 💬 ## 📖 引用 如果您在研究或项目中使用 Scientific Agent Skills，请按以下方式引用： ### BibTeX ``` @software{scientific_agent_skills_2026, author = {{K-Dense Inc.}}, title = {Scientific Agent Skills: A Comprehensive Collection of Scientific Tools for AI Agents}, year = {2026}, url = {https://github.com/K-Dense-AI/scientific-agent-skills}, note = {133 skills covering databases, packages, integrations, and analysis tools} } ``` ### APA ``` K-Dense Inc. (2026). Scientific Agent Skills: A comprehensive collection of scientific tools for AI agents [Computer software]. https://github.com/K-Dense-AI/scientific-agent-skills ``` ### MLA ``` K-Dense Inc. Scientific Agent Skills: A Comprehensive Collection of Scientific Tools for AI Agents. 2026, github.com/K-Dense-AI/scientific-agent-skills. ``` ### 纯文本 ``` Scientific Agent Skills by K-Dense Inc. (2026) Available at: https://github.com/K-Dense-AI/scientific-agent-skills ``` 如果您的出版物、演示文稿或项目受益于这些技能，我们感谢您的致谢！ ## 📄 许可证 本项目采用 **MIT 许可证**。 **版权所有 © 2026 K-Dense Inc.** ([k-dense.ai](https://k-dense.ai/)) ### 要点： - ✅ **可免费用于任何用途**（商业和非商业） - ✅ **开源** - 可自由修改、分发和使用 - ✅ **宽松** - 对重用的限制极少 - ⚠️ **无担保** - 按原样提供，不提供任何形式的担保 完整条款请参阅 [LICENSE.md](LICENSE.md)。 ### 单独技能许可证 ## Star History [](https://www.star-history.com/#K-Dense-AI/scientific-agent-skills&type=date&legend=top-left)

标签：Agent Skills, AI代理, Apex, Claude Code, Codex, Cursor, MIT协议, RNA测序, 二进制发布, 人工智能, 代码示例, 凭据扫描, 分子动力学, 化学信息学, 医学研究, 地理空间科学, 基因组学, 多步骤执行, 开源工具, 数据分析, 时间序列预测, 机器学习, 生物信息学, 用户模式Hook绕过, 科学数据库, 科学研究, 药物研发, 逆向工具