做科研最耗时的不是想 idea，是执行。查数据库、调 API、写分析脚本、画图、排版——每个环节都要翻文档、踩坑、重写。一个熟练的博后跑完一个分析流程可能要三天。Scientific Agent Skills 把这些流程变成了 Skill，Agent 几分钟跑完。
142 个 Skill 覆盖什么
这不是一两个方向的小工具集。16 个科研领域、142 个 Skill，几乎覆盖了生命科学和物理科学的全部常用分析流程：
生物和医学：基因组序列分析、单细胞 RNA-seq（Scanpy）、基因调控网络、变异注释、蛋白质结构预测、分子对接（RDKit）、ADMET 药物毒性分析、临床试验检索、EHR 分析、DICOM 医学影像处理、全切片数字病理分析。
物理和工程：天文数据处理、晶体结构分析、分子动力学（OpenMM）、量子计算（Qiskit/PennyLane）、离散事件仿真、多目标优化。
数据和方法：时间序列预测（TimesFM）、深度学习（PyTorch Lightning）、贝叶斯方法、网络分析、空间统计、卫星图像处理。
科学传播：文献综述、同行评审模拟、科学写作、海报制作、幻灯片生成。
100+ 科学数据库一键查询
这是最实用的部分。一个统一的数据库查询 Skill 直接访问 78 个公开数据库：
- 生物：PubChem、ChEMBL、UniProt、COSMIC、ClinVar、PDB
- 临床：ClinicalTrials.gov、DrugBank、PharmGKB
- 基因组：BioServices（40 个服务）、BioPython（38 个 NCBI 子库）、gget（20+ 数据库）
- 其他：FRED（经济）、USPTO（专利）、DepMap（癌症依赖）
以前你得自己去每个数据库的网站查文档、学 API、调参数。现在跟 Agent 说「查 PubChem 里这个化合物的 ADMET 性质」，它自己知道怎么查。
实际使用场景
药物发现：虚拟筛选 → 分子性质预测 → ADMET 分析 → 分子对接 → 先导优化，全流程一条 prompt。
基因组分析：序列获取 → 比对 → 变异注释 → 功能预测 → 可视化，从 raw data 到 publication-ready figures。
临床研究：ClinicalTrials.gov 检索 → 患者队列筛选 → 统计分析 → 生成临床决策支持报告。
安装
npx skills add K-Dense-AI/scientific-agent-skills一条命令，142 个 Skill + 100+ 数据库接口全部到位。
和 nature-skills 的关系
nature-skills（17k Star）侧重论文写作和表达——学术润色、审稿模拟、引用管理、科研绘图。Scientific Agent Skills 侧重科研分析和执行——数据库查询、分子对接、基因组分析、机器学习。一个帮你写论文，一个帮你做研究。一起用就是完整的科研工作流。
作者
K-Dense Inc.，专注 AI for Science。MIT License。