Pesquisadores vibram: instale 177 habilidades para pesquisa científica com um único comando e decole

Nota do autor: um passo a passo para usar os 177 Agent Skills de pesquisa do K-Dense-AI, da verificação do ambiente à escolha, instalação, configuração de dependências e validação. Também abordamos problemas comuns e riscos.

O Scientific Agent Skills, projeto de código aberto do K-Dense-AI, reúne 177 habilidades de pesquisa para agentes de programação como Claude Code e Cursor. Ele transforma fluxos de trabalho, como análise de células individuais, quimioinformática, revisão de literatura e consultas a bancos de dados, em manuais que os agentes conseguem interpretar. Assim, você não precisa criar fluxos de controle de qualidade do zero, consultar a documentação das APIs e conferir DOIs toda vez. Mas não é uma boa ideia instalar tudo de uma vez: as habilidades permitem que o agente execute código, instale pacotes e acesse a internet, e a instalação dos arquivos de habilidades não inclui automaticamente as dependências do Python.

Este não é um artigo prometendo que tudo se resolve com uma instalação. É um guia de configuração em 5 etapas, com resultados que você pode conferir em cada uma delas.

O que você vai conseguir fazer: ao terminar a leitura, você poderá escolher de 5 a 10 Skills de pesquisa para sua área, instalá-los no diretório correto, configurar as dependências e fazer o agente usá-los de fato, conferindo os resultados e números item por item.

O que há nos 177 skills para pesquisa científica

O repositório é o K-Dense-AI/scientific-agent-skills, com licença MIT. Em 28 de outubro de 2026, ele tinha 54.959 stars, 4.846 forks, estava na versão 2.72.0 e contava com 177 subdiretórios em skills/. O README afirma que “mais de 250.000 cientistas usam” a biblioteca e a chama de “biblioteca nº 1 de Agent Skills para ciência”. Esses números são informados pelos próprios responsáveis, não por uma fonte independente. O artigo associado é o arXiv:2609.00065.

Figura 1: Página inicial do repositório em 28 de outubro de 2026, com 55 mil stars e 4,8 mil forks. A seção About informa 177 skills e mais de 100 bancos de dados.

Por que 177? Na versão 2.71.0, havia 181 skills. A partir da 2.72.0, os quatro skills para documentos — docx, pdf, pptx e xlsx — deixaram de ser distribuídos com o repositório. Se precisar deles, é necessário instalá-los separadamente a partir do repositório da Anthropic.

Figura 2: Uma única tela do diretório skills/ já mostra dezenas de pastas. A descrição do commit mais recente diz “Remove vendored Anthropic document skills”: foi essa mudança que reduziu o total de 181 para 177.

O README divide todos os skills em 22 grandes categorias. A tabela abaixo as agrupa por área e mostra apenas alguns skills e pacotes representativos, sem listar todos:

Área (categorias do README)	Skills / pacotes representativos	Usos típicos
Bioinformática, multiômica, proteômica e espectrometria de massas	`scanpy`, `pydeseq2`, `pyopenms`, `nextflow` e skills para pacotes como scVelo	Controle de qualidade e agrupamento de células individuais, expressão diferencial, processamento de espectrometria de massas e orquestração de fluxos de trabalho
Quimioinformática e descoberta de medicamentos, ciência dos materiais	`rdkit`, `pymatgen`	Filtragem e descritores moleculares, estruturas cristalinas e cálculos de materiais
Física e astronomia, engenharia e simulação	`qiskit` e skills para pacotes como QuTiP	Circuitos quânticos e simulação de sistemas quânticos
Pesquisa clínica, IA médica, regulamentações e padrões	`clinical-reports` e skills para pacotes como pydicom	Rascunhos de relatórios clínicos e leitura de imagens médicas
Análise e visualização de dados, aprendizado de máquina, dados geoespaciais	`scientific-visualization`, `timesfm-forecasting` e skills para pacotes como scikit-learn, PyTorch Lightning e GeoPandas	Gráficos com qualidade de publicação, previsão de séries temporais, modelagem e análise de dados espaciais
Comunicação científica, metodologia de pesquisa	`literature-review`, `scientific-writing`, `paper-lookup`, `paperzilla`, `scientific-slides`, `research-grants`, `peer-review`, `generate-image`	Revisões sistemáticas, redação de artigos, slides para reuniões de pesquisa, pedidos de financiamento e pareceres de revisão
Consulta a bancos de dados	`database-lookup` e skills especializados como DepMap, Imaging Data Commons, PrimeKG, NCATS ARAX e AlphaGenome	Consulta unificada a fontes de dados públicos, que exigem cadastro ou autorização

Só a skill database-lookup reúne 80 fontes de dados. Somando as skills especializadas e os pacotes para múltiplos bancos, o README informa que há mais de 100 bancos de dados disponíveis. Também há mais de 70 skills para pacotes Python, incluindo RDKit, Scanpy, scikit-learn, PyTorch Lightning, pydicom, QuTiP, GeoPandas, pymatgen, Qiskit, scVelo e TimesFM. Cada skill informa as versões compatíveis do pacote e como usá-lo.

Estrutura de diretórios de uma skill para pesquisa científica

Cada skill fica em uma pasta e precisa ter um arquivo SKILL.md. Já references/, scripts/ e assets/ são incluídos conforme a necessidade. No caso de scanpy, por exemplo, o frontmatter informa a licença BSD-3-Clause, Python 3.12+, metadata.version 1.8 e last-reviewed 2026-10-01.

Há um detalhe fácil de passar despercebido: o repositório como um todo usa a licença MIT, mas o campo license no SKILL.md de cada skill indica sua própria licença, que pode ser diferente. Se você pretende usar as skills comercialmente ou redistribuí-las, confira a licença de cada uma.

Processo de integração de Skills para pesquisa em 5 etapas

A integração tem cinco etapas: verificar o ambiente → consultar a lista e escolher as habilidades → instalar apenas o necessário → adicionar dependências e credenciais → ativar e validar. Em cada etapa, indicaremos se é você quem digita os comandos, se é a ferramenta de linha de comando que os executa ou se é o Agent.

Etapa 1: entenda como as Skills para pesquisa são instaladas e quais são os pré-requisitos

Tempo estimado: cerca de 5 minutos　Pré-requisitos: acesso ao terminal　Dificuldade: baixa (pule esta etapa se o ambiente já estiver pronto)

O que fazer: execute os comandos de verificação abaixo, um por vez, para descobrir se você já pode instalar, se precisa adicionar alguma ferramenta ou se o ambiente não é compatível.

node -v: o instalador npx skills exige Node.js 22.20 ou superior
python3 --version: as ferramentas que acompanham o repositório exigem Python 3.13+ (para cada habilidade, confira o intervalo de versões aceito no respectivo campo compatibility)
uv --version: o uv é usado para instalar as dependências das habilidades
gh --version: necessário apenas se você pretende instalar usando o GitHub CLI; a versão deve ser superior à 2.90.0
Sistema: macOS, Linux ou Windows + WSL2

O que você verá: cada comando exibirá um número de versão. Se aparecer command not found, a ferramenta ainda não está instalada.

Critérios de validação: Node a partir da versão v22.20, Python a partir da 3.13, uv exibindo a versão normalmente e um ambiente compatível com o padrão Agent Skills. O instalador skills (pacote npm, vercel-labs/skills, MIT, versão mais recente 1.7.4) oferece suporte oficial a mais de 70 ambientes, incluindo Claude Code, Cursor, Codex, Gemini CLI, Antigravity e OpenClaw. As habilidades não estão vinculadas a um modelo: você escolhe qual modelo usar no ambiente. Na etapa 5, veremos como conectar o modelo à APIYI.

Passo 2: liste as Skills científicas antes de decidir quais instalar

Tempo necessário: cerca de 10 minutos　Pré-requisito: passo 1 concluído　Dificuldade: baixa (não recomendamos pular esta etapa)

O que fazer: execute o comando que apenas lista as Skills, sem instalá-las. A ferramenta de linha de comando vai baixar o repositório e ler os nomes e as descrições de todas as Skills, mas não vai instalar nenhuma na sua máquina.

npx skills add K-Dense-AI/scientific-agent-skills --list

O que você verá: o terminal vai listar 177 Skills, cada uma com nome e uma breve descrição.

Observação dos testes: nesta etapa, o repositório inteiro é clonado para sua máquina e ocupa mais de 400 MB. Se a conexão estiver lenta, o terminal pode ficar parado por bastante tempo em Cloning repository… e, após 300 segundos, retornar o erro Clone timed out. Para aumentar o limite, execute novamente com SKILLS_CLONE_TIMEOUT_MS=600000 (10 minutos); outra opção é usar git clone para baixar o repositório e depois executar skills add no diretório local.

Critério de conclusão: você tem uma lista de 5 a 10 Skills candidatas. O README diz: “Do not install everything at once” — ou seja, não instale tudo de uma vez. Quanto mais Skills instaladas, mais difícil será para o Agent escolher a adequada e mais código você precisará revisar.

Você pode escolher de acordo com sua área:

Bioinformática: scanpy, pydeseq2, database-lookup; para espectrometria de massa, adicione pyopenms
Quimioinformática: rdkit, database-lookup; para materiais, adicione pymatgen
Literatura e redação: literature-review, paper-lookup, scientific-writing, peer-review
Visualização de dados: scientific-visualization; para séries temporais, adicione timesfm-forecasting
Automação de laboratório: confira os nomes das Skills disponíveis nessa categoria na saída de --list; para orquestração de fluxos, comece por nextflow

Etapa 3: instale apenas as Skills de pesquisa necessárias

Tempo: cerca de 5 minutos　Pré-requisito: ter uma lista de Skills candidatas　Dificuldade: média

O que fazer: execute o comando de instalação você mesmo. A ferramenta de linha de comando grava as Skills no diretório de Skills do agente escolhido. A “única linha de comando” mencionada no título é npx skills add K-Dense-AI/scientific-agent-skills. Ao executá-la diretamente, você entra no modo interativo e pode selecionar as Skills e os agentes. Se selecionar todas as Skills, vai instalar tudo — o que não é recomendado.

Significado dos parâmetros:

-s / --skill: especifica o nome da Skill; '*' indica todas
-a / --agent: especifica o agente, como claude-code ou codex
-g: instala no diretório do usuário (globalmente); sem esse parâmetro, instala no projeto atual
--copy: copia os arquivos; por padrão, são usados links simbólicos (symlinks), mantendo apenas uma cópia local e facilitando as atualizações
-y: pula a confirmação, útil para scripts ou CI

Comandos não interativos que você pode copiar diretamente (usando Claude Code e instalação no projeto como exemplo, com uma Skill por linha):

npx skills add K-Dense-AI/scientific-agent-skills -s scanpy -a claude-code -y
npx skills add K-Dense-AI/scientific-agent-skills -s database-lookup -a claude-code -y
npx skills add K-Dense-AI/scientific-agent-skills -s pydeseq2 -a claude-code -y

Para instalar globalmente, adicione -g ao final do comando; para copiar os arquivos em vez de usar links simbólicos, adicione --copy. Para instalar várias Skills de uma vez, consulte as instruções de npx skills add --help.

Agente	Diretório do projeto	Diretório global
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/`

Como escolher entre projeto e instalação global: Skills ligadas a uma pesquisa específica, como pydeseq2 para um determinado projeto de análise, ficam no projeto, facilitando o compartilhamento com o grupo. Skills usadas todos os dias, como as de pesquisa bibliográfica e escrita, ficam na instalação global.

O que você verá: o instalador informa o sucesso de cada instalação e mostra o caminho de destino.

Critério de verificação: execute npx skills list ou, diretamente, ls .claude/skills/ para confirmar que os diretórios das Skills recém-instaladas estão lá e que cada um contém um SKILL.md.

Há também duas alternativas de instalação:

gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code --pin v2.71.0: use --pin para fixar uma versão ou um SHA de commit, útil em pesquisas que exigem resultados reproduzíveis
git clone em ~/.agents/skills/scientific-agent-skills (nível de usuário) ou .agents/skills/scientific-agent-skills (nível de projeto)

Etapa 4: Instalar as dependências Python e configurar as credenciais dos Skills científicos

Tempo: 10 a 30 minutos (dependendo do tamanho dos pacotes)　Pré-requisito: Skills instalados　Dificuldade: média (não pule esta etapa)

O que fazer: esta é a etapa em que mais aparecem problemas, então vale reforçar: instalar os arquivos de um Skill ≠ instalar suas dependências. Abra o SKILL.md de cada Skill, confira o campo compatibility e instale as dependências com uv. Atenção: uv sync instala apenas as ferramentas de desenvolvimento e validação do próprio repositório, não todos os pacotes de computação científica.

cat .claude/skills/scanpy/SKILL.md: confira o campo compatibility. O Skill scanpy informa que foi testado com Python 3.13 + Scanpy 1.12.4 + AnnData 0.13.4
uv venv .venv-scrna --python 3.13: crie um ambiente separado para cada fluxo de trabalho, evitando conflitos entre pacotes de análise de célula única e quimioinformática
source .venv-scrna/bin/activate
uv pip install "scanpy[leiden]"

Alguns Skills precisam de uma chave própria. Por exemplo, generate-image usa a API de imagens do OpenRouter e exige que você configure export OPENROUTER_API_KEY=你的Key. A cobrança é por uso. Listar os modelos ou usar --dry-run não gera cobrança, então vale testar primeiro dessas duas formas. Já literature-review precisa de conexão com a internet para validar DOIs; para exportar PDFs, também é necessário instalar Pandoc e XeLaTeX separadamente.

Se você já usa APIYI, não precisa abrir outra conta no OpenRouter para gerar imagens: a documentação da APIYI inclui dois Skills contribuídos pela comunidade: apiyi-gpt-image-2-gen (acesso oficial ao gpt-image-2, cobrança por token, suporte a 4K e tamanhos personalizados) e apiyi-gpt-image-2-all-gen (acesso por engenharia reversa, cobrança de US$ 0,025 por uso e edição de imagens por conversa). Depois de instalar no Cursor, Codex CLI, Gemini CLI, OpenCode, GitHub Copilot ou Amp, basta dizer “use apiyi-gpt-image-2-gen para gerar uma imagem de 3840×2160”. A chave é configurada pela variável de ambiente APIYI_API_KEY.

Figura 3: página com a coleção de Skills na documentação da APIYI. Os dois Skills de geração de imagens informam o identificador do modelo, a forma de cobrança e como investigar erros de instalação.

O que você verá: o uv exibirá a lista de pacotes resolvidos e instalados.

Critério de verificação: execute python -c "import scanpy, anndata; print(scanpy.__version__, anndata.__version__)" e confira se as versões exibidas correspondem às do campo compatibility. Para Skills que precisam de chave, use echo $OPENROUTER_API_KEY | head -c 6 para confirmar que a variável de ambiente está configurada.

Etapa 5: Acione as skills de pesquisa e confira os resultados

Tempo necessário: cerca de 10 minutos　Pré-requisito: dependências instaladas　Dificuldade: baixa

O que fazer: reinicie o aplicativo hospedeiro para que ele verifique novamente o diretório de skills. Em seguida, digite um comando na conversa. O restante fica por conta do agente: ler o SKILL.md, executar os scripts e gerar os arquivos. Uma boa forma de escrever o comando é usar uma frase inicial genérica e depois indicar a skill:

Comece com Use available skills you have access to whenever possible.
Depois, indique a skill, por exemplo: “Use a skill literature-review para fazer uma revisão sistemática”

O que você verá: o agente informará qual skill leu e quais comandos pretende executar.

Critérios de verificação (confira os três):

O agente informou claramente qual skill usou? Se não, pergunte: “Qual skill você usou?”
Em qual diretório os arquivos foram gerados? Eles realmente existem? Confira por conta própria com ls
Os números nos resultados correspondem às fontes? O DOI abre? É possível encontrar os IDs dos registros nos bancos de dados?

Comandos de manutenção para você executar: npx skills check verifica se há atualizações, npx skills update atualiza e npx skills remove desinstala. Por padrão, o instalador coleta dados anônimos de uso. Para desativar essa coleta, adicione DISABLE_TELEMETRY=1 ou DO_NOT_TRACK=1.

🎯 Faça funcionar primeiro, calcule os custos depois: as skills são gratuitas e de código aberto. O que custa dinheiro é a invocação do modelo durante a execução. Um fluxo completo de análise de célula única costuma envolver várias rodadas de leitura de documentação, escrita de código e correção de erros, o que pode consumir muitos tokens. Se o aplicativo hospedeiro aceitar um endpoint personalizado compatível com OpenAI, você pode definir base_url como https://api.apiyi.com/v1 e usar uma única chave na APIYI apiyi.com para alternar entre modelos como Claude, GPT e Gemini. Assim, dá para comparar os resultados e os custos de executar a mesma skill com cada modelo. No Claude Code, por exemplo, basta configurar duas variáveis de ambiente: ANTHROPIC_BASE_URL com https://api.apiyi.com e ANTHROPIC_AUTH_TOKEN com sua chave. Depois disso, as skills continuam funcionando normalmente no Claude Code.

Figura 4: Configuração do Claude Code na documentação da APIYI: são necessárias apenas duas variáveis de ambiente (a chave foi ocultada na captura de tela)

Modelo	Entrada	Saída	Leitura de cache	Plataforma disponível
claude-opus-5-5	$4 / milhão de tokens	$20 / milhão de tokens	$0.2 / milhão de tokens	APIYI apiyi.com

Consulte a lista de modelos da plataforma para confirmar os modelos e preços. Os comandos para skills de pesquisa incluem repetidamente o mesmo arquivo SKILL.md. Como o preço da leitura de cache é apenas um vigésimo do preço de entrada, a economia pode ser significativa em sessões longas.

Três cenários reais para testar Skills científicas pela primeira vez

Cenário 1: análise de célula única

Comando: Use available skills you have access to whenever possible. Em seguida, escreva: “Use scanpy para controle de qualidade (QC), normalização, redução de dimensionalidade e agrupamento; use cellxgene-census como referência para tipos de células; use database-lookup para consultar genes marcadores; e use pydeseq2 para análise de expressão diferencial.” O agente vai ler essas habilidades em sequência, gerar o script de análise e executá-lo.

Na validação, confira três pontos: se os limites de QC estão explícitos, se o arquivo com os resultados do agrupamento existe e se os genes diferencialmente expressos podem ser encontrados nas fontes de dados retornadas pelo database-lookup.

Cenário 2: revisão de literatura

Comando: “Use a habilidade literature-review para fazer uma revisão sistemática sobre um tema específico, use paper-lookup para complementar as referências e, por fim, use scientific-writing para organizar um primeiro rascunho.” Essa habilidade verifica os DOIs on-line, então abra cada um deles para confirmar que a publicação existe e que os autores e o ano estão corretos.

Cenário 3: triagem de compostos

Comando: “Use database-lookup para buscar um conjunto de moléculas candidatas no PubChem e no ChEMBL, filtre com rdkit por peso molecular entre 300 e 500 e logP entre 2 e 4, e gere um CSV.” Na validação, confira algumas entradas por conta própria: recalcule o peso molecular com RDKit e veja se ele bate com o CSV; depois, consulte os IDs dos compostos no PubChem para confirmar que correspondem às moléculas.

Tabela de solução de problemas com Skills para pesquisa científica

Problema	Causa comum	Solução
A skill não carrega	Diretório no lugar errado ou sem o arquivo `SKILL.md`	Confira a tabela de diretórios da etapa 3 e reinicie o IDE após corrigir. No Cursor, acesse Settings → Rules para verificar se a skill foi reconhecida
Faltam dependências Python	Só os arquivos da skill foram instalados, sem as dependências	Instale as dependências indicadas em `compatibility` no `SKILL.md` com `uv pip install` e confirme se o ambiente correto está ativo
Limite de requisições do banco de dados	Requisições em lote rápidas demais ou cota gratuita esgotada	Consulte a documentação do banco de dados, adicione cache, divida as requisições em lotes e reduza a concorrência
Erro de autenticação	Chave não configurada, expirada ou com permissões insuficientes	Use `echo` para verificar a variável de ambiente e confira as permissões no painel do serviço correspondente
O caminho antigo `scientific-skills/` retorna 404	A partir da v2.43.0, o caminho das skills mudou para `skills/`	Atualize o caminho nos scripts locais e favoritos ou reinstale a skill
Precisa desinstalar e reinstalar	Versões misturadas ou link simbólico quebrado	Execute `npx skills remove` e depois `npx skills add`. Para fixar uma versão, use `gh skill install --pin`
Trava em `Cloning repository…` e depois exibe `Clone timed out`	O repositório tem mais de 400 MB, e 300 segundos não são suficientes	Execute novamente com `SKILLS_CLONE_TIMEOUT_MS=600000` ou use `git clone` primeiro e instale pelo caminho local

Riscos e isenção de responsabilidade sobre Skills para pesquisa científica

Leia esta seção com atenção. Scientific Agent Skills é um projeto comunitário de código aberto, não uma API oficial de qualquer plataforma. Nós apenas o recomendamos; isso não significa que endossamos o projeto.

As habilidades podem executar ações. Elas podem instruir o Agent a executar qualquer código, instalar pacotes, fazer requisições de rede e modificar arquivos locais. Habilidades maliciosas ou mal desenvolvidas podem fazer o Agent agir de maneira indesejada. Recomendamos o seguinte:

Antes de instalar, leia o SKILL.md e confira quais pacotes a habilidade usa e a quais serviços externos ela se conecta
Confira o histórico de contribuições: as habilidades assinadas pela K-Dense-AI passaram por uma revisão interna; as contribuições da comunidade recebem uma revisão dentro das possibilidades da equipe
Faça sua própria verificação: primeiro execute uv pip install cisco-ai-skill-scanner e depois skill-scanner scan <path> --use-behavioral, substituindo <path> pelo diretório da habilidade. O projeto faz verificações incrementais semanalmente e uma verificação completa pelo menos a cada 30 dias. Os resultados são públicos em docs/security-report.md

Restrições de serviços de terceiros. Algumas habilidades exigem cadastro em bancos de dados de terceiros ou o uso de uma chave própria. Nesses casos, respeite os termos e os limites de uso desses serviços. A coleta de dados em massa pode sofrer limitação de taxa ou até causar o bloqueio da conta. Recomendamos testar primeiro com uma conta secundária ou em um ambiente isolado.

Limites clínicos e regulatórios. Habilidades relacionadas a clínica, medicina e regulamentação só devem ser usadas para pesquisa e elaboração de rascunhos. Elas não substituem decisões de diagnóstico, liberação ou certificação.

Responsabilidade. Cabe ao usuário avaliar e assumir todas as consequências do uso dessas habilidades. Esta plataforma e o autor deste artigo não se responsabilizam por elas.

Perguntas frequentes (FAQ)

Q1: O que é o Scientific Agent Skills?

É uma biblioteca de habilidades para pesquisa científica mantida pela K-Dense-AI. Ela reúne 177 pastas de habilidades que seguem o padrão Agent Skills e orientam o agente sobre como executar um fluxo de pesquisa, quais pacotes usar e a quais bancos de dados se conectar. Não é um modelo nem um serviço de API.

Q2: Por que não é recomendado instalar as 177 habilidades científicas com um único comando?

Primeiro, o README oficial diz expressamente para não instalar tudo de uma vez. Segundo, quanto mais habilidades instaladas, mais difícil fica para o agente escolher a certa. Terceiro, cada habilidade pode executar código, então mais instalações significam mais conteúdo para revisar. Escolher de 5 a 10 habilidades conforme sua área já é suficiente.

Q3: Por que agora são 177 habilidades, e não 181?

A partir da versão 2.72.0, as quatro habilidades para documentos — docx, pdf, pptx e xlsx — deixaram de ser distribuídas com o repositório. Se precisar delas, instale-as separadamente pelo repositório skills da Anthropic.

Q4: Se as habilidades são gratuitas, de onde vêm os custos?

O principal custo vem da invocação do modelo durante a execução das habilidades. Algumas também podem gerar cobranças por serviços de terceiros: por exemplo, `generate-image` usa o OpenRouter, que cobra por chamada. Para usar os modelos, você pode recorrer à APIYI em apiyi.com, com cobrança por uso e sem mensalidade fixa. Assim, dá para testar primeiro um fluxo pequeno, medir o consumo de tokens e depois decidir qual modelo usar a longo prazo.

Q5: Instalei as habilidades no Cursor, mas o agente não as usa. O que fazer?

Primeiro, confirme em Settings → Rules se as habilidades foram reconhecidas. Depois, adicione `Use available skills you have access to whenever possible.` no início do comando e mencione diretamente a habilidade desejada. Se o agente ainda não a usar, experimente outro modelo para comparar. Com uma única chave da APIYI, em apiyi.com, você pode alternar entre vários modelos e facilitar a identificação do problema.

Q6: Como garantir que os resultados da pesquisa sejam reproduzíveis?

Use `gh skill install –pin` para fixar a habilidade em uma versão ou commit específico; fixe as versões das dependências Python em um ambiente uv separado; e registre também o metadata.version e a data last-reviewed do `SKILL.md`.

Q7: Todas essas habilidades usam a licença MIT?

Não necessariamente. O repositório como um todo usa a licença MIT, mas cada habilidade tem seu próprio campo de licença. Por exemplo, `scanpy` usa BSD-3-Clause. Confira cada uma antes de usar comercialmente.

Principais pontos sobre Skills para pesquisa

O que são: 177 habilidades de código aberto para pesquisa, distribuídas em 22 categorias listadas no README
Como instalar: primeiro use --list para consultar a lista; depois, use -s e -a para instalar apenas o que precisar
Pré-requisitos: Node.js 22.20+, Python 3.13+, uv e um ambiente compatível com o padrão Agent Skills
Armadilha mais comum: instalar os arquivos das habilidades não significa instalar as dependências; crie um ambiente uv separado para cada fluxo de trabalho
Como validar: confira qual habilidade foi usada, em qual diretório estão os arquivos gerados e se os números batem com as fontes
Segurança: leia o SKILL.md antes da instalação e faça uma verificação com o scanner da Cisco
Custo: as habilidades são gratuitas; para a invocação do modelo, você pode usar o APIYI apiyi.com para centralizar o acesso e comparar opções

Resumo

Essas 177 Skills para pesquisa são úteis, mas vale seguir uma ordem e não tentar instalar tudo de uma vez:

Confira o ambiente antes de instalar: verifique as versões e a compatibilidade do ambiente; depois, use --list para escolher de 5 a 10 habilidades
Instale habilidades e dependências separadamente: use npx skills add para instalar os arquivos das habilidades e uv para as dependências Python. As duas etapas são necessárias
Garanta que os resultados possam ser verificados: a cada execução, confira qual habilidade foi usada, onde estão os arquivos gerados e de onde vieram os números

Comece executando do início ao fim um pequeno fluxo que você já conhece bem, como uma análise de agrupamento com scanpy em um conjunto de dados pequeno. Depois, adicione habilidades aos poucos. Para os modelos, uma opção é usar o APIYI apiyi.com com pagamento por uso para começar e, com base no consumo de tokens, decidir qual modelo usar a longo prazo.

📚 Referências

Repositório Scientific Agent Skills: código-fonte das habilidades, README e relatório de segurança
Link: github.com/K-Dense-AI/scientific-agent-skills
Descrição: inclui 177 habilidades, instruções de instalação, solução de problemas e docs/security-report.md
Instalador skills: comandos e parâmetros do npx skills
Link: github.com/vercel-labs/skills
Descrição: consulte comandos como add / list / check / update / remove e a correspondência de diretórios para mais de 70 ambientes compatíveis
Repositório Anthropic Skills: habilidades para documentos docx, pdf, pptx e xlsx
Link: github.com/anthropics/skills
Descrição: a partir da versão 2.72.0, é necessário instalar essas quatro habilidades de documentos separadamente por este repositório
Artigo científico relacionado: Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents
Link: arxiv.org/abs/2609.00065
Descrição: conheça as ideias por trás da biblioteca de habilidades
Documentação APIYI · Integração com Claude Code: variáveis de ambiente, agrupamento e solução de problemas
Link: docs.apiyi.com/scenarios/programming/claude-code
Descrição: conecte o Claude Code à APIYI usando duas variáveis de ambiente e, depois de instalar as habilidades, coloque o modelo para funcionar
Documentação APIYI · Skills de geração de imagens com GPT-Image 2: duas habilidades de geração de imagens criadas pela comunidade
Link: docs.apiyi.com/scenarios/ecosystem/apiyi-gpt-image-skills
Descrição: parâmetros, cobrança e erros comuns de apiyi-gpt-image-2-gen e apiyi-gpt-image-2-all-gen
Tabela completa de preços dos modelos APIYI: modelos, tipos, formas de cobrança e preços unitários
Link: docs.apiyi.com/models
Descrição: o preço unitário do claude-opus-5-5 citado neste artigo segue essa tabela. Os preços podem mudar, então confira antes de usar

Autor: Equipe técnica da APIYI
Conversa técnica: entre em contato pela página inicial do site da APIYI. Para mais informações sobre integração de modelos, acesse o centro de documentação em docs.apiyi.com