作者注：手把手接入 K-Dense-AI 的 177 个科研 Agent Skills，从环境自检、挑选、安装、补依赖到触发验收，并单独讲清排错和风险。
K-Dense-AI 开源的 Scientific Agent Skills 是一套给 Claude Code、Cursor 等编码 Agent 用的科研技能包，共 177 个技能。它把单细胞分析、化学信息、文献综述、数据库检索这些流程写成 Agent 能读懂的操作手册，你就不用每次都从头写 QC 流程、翻 API 文档、核对 DOI。不过它不适合一口气全装：技能能让 Agent 执行代码、装包、联网，而且装技能文件不会顺带装好 Python 依赖。
这不是“装完就无敌”的安利文，而是一份按 5 个步骤走、每一步都能核对结果的接入指南。
核心价值：读完本文，你能挑出自己方向需要的 5-10 个科研 Skills，装进正确目录并补齐依赖，再让 Agent 真正调用起来，产物和数字都能逐项核对。
177 个科研 Skills 里到底有什么
仓库地址是 K-Dense-AI/scientific-agent-skills，许可为 MIT。截至 2026-10-28，它有 54,959 个 star、4,846 个 fork，当前版本 2.72.0，skills/ 目录下共 177 个子目录。README 自称“250,000+ 科学家在用”“#1 Agent Skills library for science”，这些都是官方自报口径，并不是第三方统计。配套论文为 arXiv:2609.00065。
图 1：仓库首页（2026-10-28 截图），Star 55k、Fork 4.8k，About 一栏直接写明 177 个技能与 100+ 数据库
数量为什么是 177？2.71.0 时共有 181 个技能。从 2.72.0 开始，docx、pdf、pptx、xlsx 四个文档技能不再随仓库分发，需要的话要去 Anthropic 的仓库单独安装。
图 2：skills/ 目录里一屏就是几十个技能文件夹；最近一次提交的说明写着 Remove vendored Anthropic document skills，这就是数量从 181 变成 177 的那次改动
README 把全部技能分成 22 个大类。下表按方向合并成几组，只列有代表性的技能和包，不逐个罗列：
| 方向（README 大类） | 代表技能 / 包 | 典型用途 |
|---|---|---|
| 生物信息、多组学、蛋白组与质谱 | scanpy、pydeseq2、pyopenms、nextflow，包技能如 scVelo |
单细胞 QC 与聚类、差异表达、质谱处理、流程编排 |
| 化学信息与药物发现、材料科学 | rdkit、pymatgen |
分子过滤与描述符、晶体结构与材料计算 |
| 物理与天文、工程与仿真 | qiskit，包技能如 QuTiP |
量子线路、量子系统仿真 |
| 临床研究、医疗 AI、法规与标准 | clinical-reports，包技能如 pydicom |
临床报告草稿、医学影像读取 |
| 数据分析与可视化、机器学习、地理空间 | scientific-visualization、timesfm-forecasting，包技能如 scikit-learn、PyTorch Lightning、GeoPandas |
出版级图表、时间序列预测、建模、空间数据分析 |
| 科学传播、研究方法论 | literature-review、scientific-writing、paper-lookup、paperzilla、scientific-slides、research-grants、peer-review、generate-image |
系统综述、论文写作、组会幻灯片、基金申请、审稿意见 |
| 数据库检索 | database-lookup，专项技能如 DepMap、Imaging Data Commons、PrimeKG、NCATS ARAX、AlphaGenome |
统一查询公开、注册和授权类数据源 |
其中 database-lookup 一个技能就整理了 80 个数据源，再加上专项技能和多库包，README 对外的口径是 100+ 数据库。Python 包类技能有 70+ 个，RDKit、Scanpy、scikit-learn、PyTorch Lightning、pydicom、QuTiP、GeoPandas、pymatgen、Qiskit、scVelo、TimesFM 都在其中，每个技能会写明适用的包版本和用法。
科研 Skills 单个技能的目录结构
每个技能都是一个文件夹，SKILL.md 必须有，references/、scripts/、assets/ 按需提供。以 scanpy 为例，它的 frontmatter 写着 license 为 BSD-3-Clause、Python 3.12+、metadata.version 1.8、last-reviewed 2026-10-01。
这里有个容易忽略的地方：仓库整体是 MIT，但每个技能在 SKILL.md 的 license 字段里写的是自己的许可，可能和仓库不一致。如果要商用或二次分发，请逐个核对。
科研 Skills 5 步接入流程
整个接入过程分五步：环境自检 → 看清单挑技能 → 只装需要的 → 补依赖和凭据 → 触发并验收。每一步都会注明是你本人在敲命令、命令行工具在执行，还是 Agent 在执行。
第 1 步：认清科研 Skills 的安装形态和前置条件
耗时：约 5 分钟 前置条件：能打开终端 难度：低（环境都齐的话可以跳过）
要做什么：由你本人逐条运行下面的自检命令，确认自己属于“直接能装”“缺工具要先补”“宿主不支持”中的哪一种。
node -v：安装器npx skills要求 Node.js 22.20 或更高python3 --version：仓库自带的工具链要求 Python 3.13+（单个技能的依赖范围以各自的 compatibility 为准）uv --version：uv 用来安装技能依赖gh --version：只有打算用 GitHub CLI 安装时才需要，版本需在 2.90.0 以上- 系统：macOS、Linux，或者 Windows + WSL2
会看到什么：每条命令输出一个版本号。如果提示 command not found，说明还没装这个工具。
验收标准：Node 版本不低于 v22.20，Python 不低于 3.13，uv 能正常输出版本号，并且你正在用的宿主支持 Agent Skills 标准。安装器 skills（npm 包，vercel-labs/skills，MIT，最新版本 1.7.4）官方支持 70+ 个宿主，常见的有 Claude Code、Cursor、Codex、Gemini CLI、Antigravity、OpenClaw。技能本身不绑定模型：宿主用什么模型由你决定，第 5 步会说到把模型接到 API易 的具体做法。
第 2 步：先列科研 Skills 清单，再决定装哪些
耗时：约 10 分钟 前置条件：第 1 步通过 难度：低（不建议跳过）
要做什么：由你本人运行“只列不装”的命令。命令行工具会把仓库拉下来，读取全部技能的名称和描述，但不会往本机写入任何技能。
npx skills add K-Dense-AI/scientific-agent-skills --list
会看到什么：终端里列出 177 个技能，每个都带有名称和简介。
实测提醒：这一步会先把整个仓库 clone 到本地，仓库体积四百多 MB。网络慢的时候终端会长时间停在 Cloning repository…，超过 300 秒会直接报 Clone timed out。要放宽就用 SKILLS_CLONE_TIMEOUT_MS=600000（10 分钟）再跑一次；或者先自己 git clone 到本地，再对本地目录执行 skills add。
验收标准：你手上有一份 5-10 个技能的候选清单。README 原话就是“Do not install everything at once”，官方也不建议一次全装。技能装得越多，Agent 选技能时干扰越大，需要你审查的代码也越多。
可以按方向这样挑：
- 生信：
scanpy、pydeseq2、database-lookup，做质谱再加pyopenms - 化学信息：
rdkit、database-lookup，做材料方向加pymatgen - 文献与写作：
literature-review、paper-lookup、scientific-writing、peer-review - 数据可视化：
scientific-visualization，涉及时间序列再加timesfm-forecasting - 实验室自动化：这个大类里的具体技能名以
--list的输出为准，流程编排可以先看nextflow
第 3 步：只装需要的科研 Skills
耗时：约 5 分钟 前置条件：已有候选清单 难度：中
要做什么：由你本人运行安装命令，命令行工具负责把技能写进宿主的技能目录。标题里说的“一条命令”指的就是 npx skills add K-Dense-AI/scientific-agent-skills。直接执行它会进入交互模式，让你勾选技能和宿主；如果在交互里选了全部，就等于全装，不推荐这样做。
参数含义：
-s/--skill：指定技能名，'*'表示全部-a/--agent：指定宿主，例如claude-code、codex-g：装到用户目录（全局）；不加则装到当前项目--copy：复制文件；默认是软链（Symlink），本机只保留一份副本，更新起来更省事-y：跳过确认，适合脚本或 CI
可以直接复制的非交互命令（以 Claude Code、项目级安装为例，每行装一个技能）：
npx skills add K-Dense-AI/scientific-agent-skills -s scanpy -a claude-code -ynpx skills add K-Dense-AI/scientific-agent-skills -s database-lookup -a claude-code -ynpx skills add K-Dense-AI/scientific-agent-skills -s pydeseq2 -a claude-code -y
如果要全局安装，在命令末尾加 -g；想用复制代替软链，就加 --copy。一次装多个技能的写法请以 npx skills add --help 的说明为准。
| 宿主 | 项目级目录 | 全局目录 |
|---|---|---|
| Claude Code | .claude/skills/ |
~/.claude/skills/ |
| Cursor | .agents/skills/ |
~/.cursor/skills/ |
| Codex | .agents/skills/ |
~/.agents/skills/ |
| Gemini CLI | .agents/skills/ |
~/.gemini/skills/ |
| Antigravity | .agents/skills/ |
~/.gemini/antigravity/skills/ |
| OpenClaw | skills/ |
~/.openclaw/skills/ |
项目级和全局怎么选：只跟某个课题相关的技能（比如某个分析项目专用的 pydeseq2）放项目级，方便连同项目一起分享给组里的人；文献、写作这类每天都用的技能放全局。
会看到什么：安装器逐个提示安装成功，并显示目标路径。
验收标准：由你本人运行 npx skills list，或者直接 ls .claude/skills/，确认刚装的技能目录都在，并且每个目录下都有 SKILL.md。
还有两种备选装法：
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code --pin v2.71.0：用--pin固定到某个版本或 commit SHA，适合需要复现结果的课题git clone到~/.agents/skills/scientific-agent-skills（用户级）或.agents/skills/scientific-agent-skills（项目级）
第 4 步：补齐科研 Skills 的 Python 依赖与凭据
耗时：10-30 分钟（取决于包的大小） 前置条件：技能已装好 难度：中（不能跳过）
要做什么：这一步最容易出问题，所以再强调一遍：装技能文件 ≠ 装依赖。由你本人打开每个技能的 SKILL.md，查看 compatibility 字段，再用 uv 安装依赖。注意，uv sync 只会装仓库自己的开发和校验工具，不会装全部科学计算包。
cat .claude/skills/scanpy/SKILL.md：查看 compatibility，scanpy 技能写的是“测试于 Python 3.13 + Scanpy 1.12.4 + AnnData 0.13.4”uv venv .venv-scrna --python 3.13：一个工作流单独建一个环境，避免单细胞和化学信息的包互相冲突source .venv-scrna/bin/activateuv pip install "scanpy[leiden]"
个别技能需要你自己的 Key。比如 generate-image 走的是 OpenRouter 的图片接口，需要设置 export OPENROUTER_API_KEY=你的Key，而且按次计费。列模型或者加 --dry-run 不收费，建议先用这两种方式试。literature-review 需要联网做 DOI 校验，导出 PDF 还要另装 Pandoc 和 XeLaTeX。
已经在用 API易 的话，生图这块不用另开 OpenRouter 账号：API易 文档里收录了社区贡献的两个 Skills，apiyi-gpt-image-2-gen（官转 gpt-image-2，按 token 计费、支持 4K 和自定义尺寸）和 apiyi-gpt-image-2-all-gen（官逆，按次 $0.025，对话式改图）。装进 Cursor、Codex CLI、Gemini CLI、OpenCode、GitHub Copilot 或 Amp 之后，直接说一句“用 apiyi-gpt-image-2-gen 生成一张 3840×2160 的图”就行，Key 统一走环境变量 APIYI_API_KEY。
图 3：API易 文档里的 Skills 合集页面，两个生图技能都写明了模型标识、计费方式和安装报错怎么查
会看到什么：uv 打印出解析和安装的包列表。
验收标准：由你本人运行 python -c "import scanpy, anndata; print(scanpy.__version__, anndata.__version__)"，输出的版本号能和 compatibility 字段对上。需要 Key 的技能，用 echo $OPENROUTER_API_KEY | head -c 6 确认环境变量已经生效。
第 5 步：触发科研 Skills 并验收结果
耗时：约 10 分钟 前置条件：依赖已装好 难度：低
要做什么：重启宿主，让它重新扫描技能目录。然后由你本人在对话框里输入提示词，后面的工作由 Agent 完成：读取 SKILL.md、执行脚本、生成产物。推荐的提示词写法是“通用开头句 + 点名技能”：
- 开头加一句
Use available skills you have access to whenever possible. - 再点名技能，例如“用 literature-review 技能做一次系统综述”
会看到什么：Agent 的回复里会说明它读取了哪个技能，并给出要执行的命令。
验收标准（三条都要能核对）：
- Agent 是否明确说明用了哪个技能。如果没说，就追问一句“你用了哪个 skill”
- 产物落在哪个目录，文件是否真实存在，用
ls自己看一下 - 结果里的数字能否对上来源：DOI 能不能打开，数据库条目的 ID 能不能查到
日常维护命令（由你本人运行）：npx skills check 检查更新，npx skills update 执行更新，npx skills remove 卸载。安装器默认会收集匿名使用数据，加上 DISABLE_TELEMETRY=1 或 DO_NOT_TRACK=1 可以关闭。
🎯 跑通之后再算账：技能本身是免费开源的，真正花钱的是执行技能时的模型调用。一次单细胞全流程往往要多轮读文档、写代码、改错，token 消耗不小。如果你的宿主支持自定义 OpenAI 兼容端点，可以把 base_url 设为
https://api.apiyi.com/v1，通过 API易 apiyi.com 用一个 Key 切换 Claude、GPT、Gemini 等模型，对比不同模型跑同一个技能的效果和成本。以 Claude Code 为例，接入就是两行环境变量：ANTHROPIC_BASE_URL指向https://api.apiyi.com，ANTHROPIC_AUTH_TOKEN填你的 Key，配完这些技能照样在 Claude Code 里用。
图 4：API易 文档里 Claude Code 的配置，只需要两行环境变量（截图中的 Key 已打码）
| 型号 | 输入 | 输出 | 缓存读 | 可用平台 |
|---|---|---|---|---|
| claude-opus-5-5 | $4 / 百万 tokens | $20 / 百万 tokens | $0.2 / 百万 tokens | API易 apiyi.com |
型号与价格以平台型号列表为准。科研技能的提示词里会反复带上同一份 SKILL.md，缓存读的单价只有输入的二十分之一，长会话里能省下不少费用。
三个科研 Skills 第一次跑通的真实场景
场景一：单细胞分析
提示词：Use available skills you have access to whenever possible. 然后接着写“用 scanpy 做 QC、标准化、降维和聚类，用 cellxgene-census 做细胞类型参考，用 database-lookup 查标记基因，用 pydeseq2 做差异表达”。Agent 会依次读取这几个技能，生成并执行分析脚本。
验收时重点看三处：QC 阈值是否写明，聚类结果文件是否存在，差异基因能否在 database-lookup 返回的数据源里查到。
场景二：文献综述
提示词：“用 literature-review 技能，针对某一具体主题做系统综述，用 paper-lookup 补全文献，最后用 scientific-writing 整理成初稿。”这个技能会联网校验 DOI，所以要逐条打开 DOI，确认文献真实存在、作者和年份没写错。
场景三：化合物筛选
提示词：“用 database-lookup 从 PubChem 和 ChEMBL 拉一批候选分子，用 rdkit 按分子量 300-500、logP 2-4 过滤，并输出 CSV。”验收时由你本人抽查几条：用 RDKit 重新计算分子量，看是否和 CSV 里的一致；再拿化合物 ID 回 PubChem 查一下，确认能对上。
科研 Skills 排错表
| 现象 | 常见原因 | 处理办法 |
|---|---|---|
| 技能不加载 | 目录放错，或技能目录里缺 SKILL.md |
对照第 3 步的目录表检查；改完后重启 IDE；Cursor 在 Settings → Rules 里查看是否被识别 |
| 缺 Python 依赖 | 只装了技能文件，没装依赖 | 按 SKILL.md 的 compatibility 用 uv pip install 安装，并确认当前激活的是对应环境 |
| 数据库限流 | 批量请求过快，或超出免费额度 | 查看该数据库的文档，加缓存、分批请求，降低并发 |
| 认证报错 | Key 未设置、过期或权限不足 | 用 echo 检查环境变量，到对应服务后台核对权限 |
旧路径 scientific-skills/ 返回 404 |
v2.43.0 起技能路径改为 skills/ |
更新本地脚本和书签里的路径，或者重新安装 |
| 想卸载重装 | 版本混乱，或软链失效 | npx skills remove 后重新 npx skills add，需要固定版本时用 gh skill install --pin |
卡在 Cloning repository… 后报 Clone timed out |
仓库体积四百多 MB，300 秒不够 | 用 SKILLS_CLONE_TIMEOUT_MS=600000 再跑，或先 git clone 到本地再用本地路径安装 |
科研 Skills 风险与免责
这一节请认真读完。Scientific Agent Skills 是社区开源项目，不是任何平台的官方 API。我们只做推荐，不为它背书。
技能具备执行能力。技能可以指挥 Agent 执行任意代码、安装包、发起网络请求、修改本机文件。恶意或写得不好的技能，都可能把 Agent 带偏。建议的做法如下：
- 装之前先读
SKILL.md，看清它用了哪些包、连了哪些外部服务 - 查看贡献历史：K-Dense-AI 署名的技能经过了内部评审，社区贡献的只能做到“尽力评审”
- 自己再扫描一遍：先运行
uv pip install cisco-ai-skill-scanner，再运行skill-scanner scan <path> --use-behavioral，其中<path>换成技能目录。官方每周做增量扫描，至少每 30 天全量重扫一次，结果公开在docs/security-report.md
第三方服务约束。部分技能需要注册第三方数据库，或使用你自己的 Key，这时要遵守这些服务的条款和额度限制。批量抓取可能被限流，甚至被封号，建议先用小号或在隔离环境里测试。
临床与法规边界。临床、医疗、法规类技能只能用于研究和起草，不能替代诊断、放行或认证决定。
责任归属。使用这些技能产生的一切后果，由使用者自行判断并承担，与本平台和本文作者无关。
常见问题 FAQ
Q1：Scientific Agent Skills 到底是什么？
它是 K-Dense-AI 维护的科研技能库，共 177 个遵循 Agent Skills 标准的技能文件夹，用来告诉 Agent 某个科研流程该怎么做、要调哪些包、连哪些数据库。它不是模型，也不是 API 服务。
Q2：为什么不建议一条命令把 177 个科研 Skills 全装上？
一是官方 README 明确写了不要一次全装；二是技能装得越多，Agent 越难选准该用哪个；三是每个技能都能执行代码，装得越多，需要审查的内容也越多。按方向挑 5-10 个就够用了。
Q3：为什么现在是 177 个，而不是 181 个？
从 2.72.0 开始，docx、pdf、pptx、xlsx 四个文档技能不再随仓库分发。需要的话，去 Anthropic 的 skills 仓库另装。
Q4：技能是免费的，那费用主要花在哪里？
主要花在执行技能时的模型调用上，有些技能还会产生第三方服务的费用，比如 `generate-image` 走 OpenRouter 按次计费。模型这部分可以通过 API易 apiyi.com 按量计费调用，没有固定月费，适合先拿一个小流程测一下 token 消耗，再决定长期用哪个型号。
Q5：我在 Cursor 里装好了，但 Agent 不调用技能怎么办？
先在 Settings → Rules 里确认技能已被识别，再在提示词开头加上 `Use available skills you have access to whenever possible.`，并直接点名技能。如果还是不调用，可以换一个模型对比试试。通过 API易 apiyi.com 一个 Key 就能切换多种模型，排查起来比较省事。
Q6：怎么保证科研结果可复现？
用 `gh skill install –pin` 把技能固定到某个版本或 commit；Python 依赖写死在独立的 uv 环境里；同时记下 `SKILL.md` 里的 metadata.version 和 last-reviewed 日期。
Q7：这些技能的许可都是 MIT 吗？
不一定。仓库整体是 MIT，但每个技能有自己的 license 字段，例如 `scanpy` 是 BSD-3-Clause。商用前请逐个核对。
科研 Skills 核心要点 Key Takeaways
- 是什么：177 个开源科研技能，覆盖 README 列出的 22 个大类
- 怎么装：先用
--list查看清单，再用-s和-a只装需要的 - 前置条件：Node.js 22.20+、Python 3.13+、uv，以及支持 Agent Skills 标准的宿主
- 最常踩的坑：装技能文件不等于装依赖，每个工作流单独建一个 uv 环境
- 怎么验收：确认用了哪个技能、产物在哪个目录、数字能否对上来源
- 安全：装前读
SKILL.md，并用 Cisco 扫描器扫一遍 - 成本：技能免费，模型调用可通过 API易 apiyi.com 统一接入并对比
总结
这 177 个科研 Skills 很好用，但要按顺序来，不要贪多：
- 先自检再安装：先确认环境版本和宿主支持，再用
--list挑出 5-10 个技能 - 装技能和装依赖分开做：技能文件用
npx skills add安装，Python 依赖用 uv 安装，两步都要做 - 结果要能核对：每次运行都检查用了哪个技能、产物在哪里、数字从哪里来
建议先拿一个最熟悉的小流程（比如对一份小数据集做 scanpy 聚类）完整走一遍，再逐步加技能。模型侧推荐通过 API易 apiyi.com 按量计费先跑通，再根据 token 消耗决定长期用哪个型号。
📚 参考资料
- Scientific Agent Skills 仓库：技能源码、README 与安全报告
- 链接：
github.com/K-Dense-AI/scientific-agent-skills -
说明：包含 177 个技能、安装方式、排错说明和
docs/security-report.md -
skills 安装器：npx skills 的命令与参数说明
- 链接：
github.com/vercel-labs/skills -
说明：查看 add / list / check / update / remove 等命令，以及 70+ 宿主的目录对照
-
Anthropic Skills 仓库：docx、pdf、pptx、xlsx 文档技能
- 链接：
github.com/anthropics/skills -
说明：2.72.0 之后需要单独到这里安装这四个文档技能
-
配套论文：Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents
- 链接：
arxiv.org/abs/2609.00065 -
说明：了解技能库的设计思路
-
API易 文档 · Claude Code 接入：环境变量、分组与故障排除
- 链接：
docs.apiyi.com/scenarios/programming/claude-code -
说明：用两个环境变量把 Claude Code 接到 API易，技能装好之后就在这里把模型跑起来
-
API易 文档 · GPT-Image 2 生图 Skills：社区贡献的两个生图技能
- 链接：
docs.apiyi.com/scenarios/ecosystem/apiyi-gpt-image-skills -
说明：
apiyi-gpt-image-2-gen与apiyi-gpt-image-2-all-gen的参数、计费与常见报错 -
API易 模型价格总表：型号、类型、计费方式与单价
- 链接：
docs.apiyi.com/models - 说明：本文引用的 claude-opus-5-5 单价以这张表为准，价格会变，用前请再核对
作者：API易 技术团队
技术交流：欢迎在 API易 网站首页联系我们，更多模型接入资料可访问 docs.apiyi.com 文档中心
