Scientific Research

科学研究所助手 (Scientific Research Assistant)

前置条件

本 Skill 基于 K-Dense Scientific Agent Skills（27.4k⭐，160,000+ 科学家在使用）。 首次使用前需要安装：

# 一键安装全部139个技能（不推荐新手）
npx skills add K-Dense-AI/scientific-agent-skills

# 推荐：按需逐个安装
gh skill install K-Dense-AI/scientific-agent-skills <skill-name>

# 锁定版本（避免"上周能跑这周结果变了"）
gh skill install K-Dense-AI/scientific-agent-skills --pin v2.39.0

环境要求：

• Windows 用户需要 WSL2（底层依赖 Linux 生态的 Python 科学计算库）
• 包管理使用 uv（非 pip/conda）
• Python 3.12+

技能体系总览

K-Dense 覆盖十大领域、139个技能、78个公开科学数据库（加上聚合接口实际可调用近200个数据源）：

按研究方向的技能推荐

1. 只需要科研写作辅助

核心必装：
  literature-review      — 10个数据库并行检索，文献从两三天缩到几小时
  scientific-writing     — IMRAD结构写作辅助（不是代写，是帮查结构和措辞）
  citation-management    — 自动生成BibTeX，兼容Zotero

按需补：
  peer-review            — 投稿前按审稿人视角过一遍
  latex-posters          — 学术海报
  scientific-slides      — 学术幻灯片
  mermaid                — Markdown里画流程图
  infographics           — AI生成信息图表

文档处理全装：
  pdf, docx, pptx, xlsx, markitdown
  （markitdown 支持十几种格式转 Markdown，一个技能通吃）

⚠️ 注意：写作技能默认会调用 scientific-schematics 和 generate-image 画图，
  这俩需要连外部生图服务。连不上的话告诉 AI 不要画图，否则会一直重试连接。

2. 数据分析和可视化

核心必装：
  matplotlib + seaborn   — 出版级图（前者精调，后者快速探索）
  statsmodels            — 统计建模（偏推断）
  scikit-learn           — 经典机器学习一站式
  eda                    — 200+格式自动检测，出数据质量报告

按需补：
  networkx               — 网络分析
  dask / polars          — 大数据
  pymc                   — 贝叶斯
  timesfm                — Google零样本时间序列
  geopandas + geomaster  — 地理空间和遥感

3. 生物信息学

核心必装：
  scanpy                  — 单细胞标配，质控到聚类一条龙
  biopython               — 序列处理老大哥
  pydeseq2                — 差异表达，结果直连KEGG/Reactome做通路富集

按需补：
  scvelo                  — RNA velocity
  scvi-tools              — 深度学习单细胞
  cellxgene-census        — 直连6100万+公开参考数据
  arboreto                — 基因调控网络
  pysam                   — VCF处理

database-lookup 必装（通过它连接）：
  NCBI Gene, UniProt, KEGG, Reactome, STRING, ClinVar, COSMIC

4. 药物发现 / 化学信息学（整套技能最成熟的领域）

核心必装：
  rdkit                   — 化学信息学瑞士军刀
  deepchem                — 深度学习药物设计（ADMET预测、QSAR建模）
  diffdock                — 分子对接（AI直接驱动，不用手动准备输入文件）

按需补：
  datamol                 — RDKit现代包装，API更顺手（建议直接必装）
  molfeat                 — 分子特征工程
  openmm + mdanalysis     — 分子动力学模拟 + 轨迹分析
  medchem                 — 药物化学性质优化

database-lookup 必装：
  ChEMBL, PubChem, PDB, AlphaFold DB, ZINC

5. 通用必装（不管什么方向）

database-lookup           — 78个数据库统一接口，最值得装的一个
markitdown                — 格式转换万能胶
citation-management       — 查文献随手导BibTeX
paper-lookup              — 比PubMed网页快，比Google Scholar结构化

核心使用原则

1. 它是加速器，不是自动驾驶仪

• ✅ 帮你省掉"怎么写代码"的时间
• ❌ 不能替代"怎么分析数据"的判断
• 你的角色从"写脚本的人"变成"审结果的人"——你得有这个判断力

2. 跨数据库串联是真正的杀手锏

以前：ChEMBL查活性 → 导出CSV → Python脚本 → PubMed查文献 → 写报告（三四个工具来回切）

现在："查ChEMBL里EGFR抑制剂的活性数据，用RDKit做SAR分析，同步搜PubMed耐药机制，最后汇总"——一次搞定。切换成本被抹掉了。

3. 写作类比分析类更稳

分析类技能需要对领域知识做正确判断——这在目前AI能力边界上还是模糊地带。 写作、排版、格式转换是结构化任务，规则明确，AI执行更稳。

4. 结果必须验证

例如 RDKit 跑分子描述符——某些含特殊官能团的分子，默认参数给出的质子化状态可能不对。 结果看起来漂亮，实际上不准。如果你不懂底层原理，你根本看不出来结果有问题。

5. 安装前花五分钟读 SKILL.md

知道这个技能依赖哪些包、调什么API、有什么限制。比出问题了回头排查省时间。

典型工作流示例

文献综述加速

1. 用 paper-lookup 检索关键词（比PubMed快，结构化输出）
2. 用 literature-review 跑10个数据库并行检索，自动去重，按主题分组
3. 用 citation-management 导出 BibTeX
4. 人工精读筛选——它给你的是阅读路线图，不是替你读

单细胞数据分析

1. 用 scanpy 跑标准流程：质控 → 标准化 → 降维 → 聚类
2. 用 database-lookup 查标记基因（CellMarker/PanglaoDB）
3. 人工判断细胞类型注释——技能给的标注比较粗糙
   （比如只标"T细胞"，你得自己判断是CD4+/CD8+/Treg/Th17）
4. 用 pydeseq2 做差异表达
5. 用 database-lookup 连 KEGG/Reactome 做通路富集

文档处理流水线

markitdown: 十几种格式 → Markdown
pdf/docx/pptx/xlsx: 格式互转
scientific-slides: 学术幻灯片骨架
latex-posters: 学术海报

避坑指南

1. Windows用户必须WSL2，原生PowerShell会编译报错
2. uv可能跟conda冲突，注意环境隔离
3. 生图技能需要外部API（Nano Banana2/OpenRouter），连不上就跳过，否则一直重试
4. 不要一键全装139个技能——按研究方向选装，读完SKILL.md再决定
5. 锁定版本号，科研最怕"上周能跑这周结果变了"
6. 很多技能只是"文档搬运工"——把官方API文档搬过来加最佳实践，不是领域专家深度指导
7. AI的"懂" ≠ 人的"懂"——你还是要手动验证关键步骤

与其他科研工具的关系

参考

• K-Dense GitHub: https://github.com/K-Dense-AI/scientific-agent-skills
• academic-research-skills: 26.5k⭐, 博士全流程研究管理
• 安装命令: npx skills add K-Dense-AI/scientific-agent-skills
• 单技能安装: gh skill install K-Dense-AI/scientific-agent-skills <name>