作者注：手把手接入 K-Dense-AI 的 177 個科研 Agent Skills，從環境自檢、挑選、安裝、補依賴到觸發驗收，並單獨講清排錯和風險。
K-Dense-AI 開源的 Scientific Agent Skills 是一套給 Claude Code、Cursor 等編碼 Agent 用的科研技能包，共 177 個技能。它把單細胞分析、化學信息、文獻綜述、數據庫檢索這些流程寫成 Agent 能讀懂的操作手冊，你就不用每次都從頭寫 QC 流程、翻 API 文檔、覈對 DOI。不過它不適合一口氣全裝：技能能讓 Agent 執行代碼、裝包、聯網，而且裝技能文件不會順帶裝好 Python 依賴。
這不是“裝完就無敵”的安利文，而是一份按 5 個步驟走、每一步都能覈對結果的接入指南。
核心價值：讀完本文，你能挑出自己方向需要的 5-10 個科研 Skills，裝進正確目錄並補齊依賴，再讓 Agent 真正調用起來，產物和數字都能逐項覈對。
177 個科研 Skills 裏到底有什麼
倉庫地址是 K-Dense-AI/scientific-agent-skills，許可爲 MIT。截至 2026-10-28，它有 54,959 個 star、4,846 個 fork，當前版本 2.72.0，skills/ 目錄下共 177 個子目錄。README 自稱“250,000+ 科學家在用”“#1 Agent Skills library for science”，這些都是官方自報口徑，並不是第三方統計。配套論文爲 arXiv:2609.00065。
圖 1：倉庫首頁（2026-10-28 截圖），Star 55k、Fork 4.8k，About 一欄直接寫明 177 個技能與 100+ 數據庫
數量爲什麼是 177？2.71.0 時共有 181 個技能。從 2.72.0 開始，docx、pdf、pptx、xlsx 四個文檔技能不再隨倉庫分發，需要的話要去 Anthropic 的倉庫單獨安裝。
圖 2：skills/ 目錄裏一屏就是幾十個技能文件夾；最近一次提交的說明寫着 Remove vendored Anthropic document skills，這就是數量從 181 變成 177 的那次改動
README 把全部技能分成 22 個大類。下表按方向合併成幾組，只列有代表性的技能和包，不逐個羅列：
| 方向（README 大類） | 代表技能 / 包 | 典型用途 |
|---|---|---|
| 生物信息、多組學、蛋白組與質譜 | scanpy、pydeseq2、pyopenms、nextflow，包技能如 scVelo |
單細胞 QC 與聚類、差異表達、質譜處理、流程編排 |
| 化學信息與藥物發現、材料科學 | rdkit、pymatgen |
分子過濾與描述符、晶體結構與材料計算 |
| 物理與天文、工程與仿真 | qiskit，包技能如 QuTiP |
量子線路、量子系統仿真 |
| 臨牀研究、醫療 AI、法規與標準 | clinical-reports，包技能如 pydicom |
臨牀報告草稿、醫學影像讀取 |
| 數據分析與可視化、機器學習、地理空間 | scientific-visualization、timesfm-forecasting，包技能如 scikit-learn、PyTorch Lightning、GeoPandas |
出版級圖表、時間序列預測、建模、空間數據分析 |
| 科學傳播、研究方法論 | literature-review、scientific-writing、paper-lookup、paperzilla、scientific-slides、research-grants、peer-review、generate-image |
系統綜述、論文寫作、組會幻燈片、基金申請、審稿意見 |
| 數據庫檢索 | database-lookup，專項技能如 DepMap、Imaging Data Commons、PrimeKG、NCATS ARAX、AlphaGenome |
統一查詢公開、註冊和授權類數據源 |
其中 database-lookup 一個技能就整理了 80 個數據源，再加上專項技能和多庫包，README 對外的口徑是 100+ 數據庫。Python 包類技能有 70+ 個，RDKit、Scanpy、scikit-learn、PyTorch Lightning、pydicom、QuTiP、GeoPandas、pymatgen、Qiskit、scVelo、TimesFM 都在其中，每個技能會寫明適用的包版本和用法。
科研 Skills 單個技能的目錄結構
每個技能都是一個文件夾，SKILL.md 必須有，references/、scripts/、assets/ 按需提供。以 scanpy 爲例，它的 frontmatter 寫着 license 爲 BSD-3-Clause、Python 3.12+、metadata.version 1.8、last-reviewed 2026-10-01。
這裏有個容易忽略的地方：倉庫整體是 MIT，但每個技能在 SKILL.md 的 license 字段裏寫的是自己的許可，可能和倉庫不一致。如果要商用或二次分發，請逐個覈對。
科研 Skills 5 步接入流程
整個接入過程分五步：環境自檢 → 看清單挑技能 → 只裝需要的 → 補依賴和憑據 → 觸發並驗收。每一步都會註明是你本人在敲命令、命令行工具在執行，還是 Agent 在執行。
第 1 步：認清科研 Skills 的安裝形態和前置條件
耗時：約 5 分鐘 前置條件：能打開終端 難度：低（環境都齊的話可以跳過）
要做什麼：由你本人逐條運行下面的自檢命令，確認自己屬於“直接能裝”“缺工具要先補”“宿主不支持”中的哪一種。
node -v：安裝器npx skills要求 Node.js 22.20 或更高python3 --version：倉庫自帶的工具鏈要求 Python 3.13+（單個技能的依賴範圍以各自的 compatibility 爲準）uv --version：uv 用來安裝技能依賴gh --version：只有打算用 GitHub CLI 安裝時才需要，版本需在 2.90.0 以上- 系統：macOS、Linux，或者 Windows + WSL2
會看到什麼：每條命令輸出一個版本號。如果提示 command not found，說明還沒裝這個工具。
驗收標準：Node 版本不低於 v22.20，Python 不低於 3.13，uv 能正常輸出版本號，並且你正在用的宿主支持 Agent Skills 標準。安裝器 skills（npm 包，vercel-labs/skills，MIT，最新版本 1.7.4）官方支持 70+ 個宿主，常見的有 Claude Code、Cursor、Codex、Gemini CLI、Antigravity、OpenClaw。技能本身不綁定模型：宿主用什麼模型由你決定，第 5 步會說到把模型接到 API易 的具體做法。
第 2 步：先列科研 Skills 清單，再決定裝哪些
耗時：約 10 分鐘 前置條件：第 1 步通過 難度：低（不建議跳過）
要做什麼：由你本人運行“只列不裝”的命令。命令行工具會把倉庫拉下來，讀取全部技能的名稱和描述，但不會往本機寫入任何技能。
npx skills add K-Dense-AI/scientific-agent-skills --list
會看到什麼：終端裏列出 177 個技能，每個都帶有名稱和簡介。
實測提醒：這一步會先把整個倉庫 clone 到本地，倉庫體積四百多 MB。網絡慢的時候終端會長時間停在 Cloning repository…，超過 300 秒會直接報 Clone timed out。要放寬就用 SKILLS_CLONE_TIMEOUT_MS=600000（10 分鐘）再跑一次；或者先自己 git clone 到本地，再對本地目錄執行 skills add。
驗收標準：你手上有一份 5-10 個技能的候選清單。README 原話就是“Do not install everything at once”，官方也不建議一次全裝。技能裝得越多，Agent 選技能時干擾越大，需要你審查的代碼也越多。
可以按方向這樣挑：
- 生信：
scanpy、pydeseq2、database-lookup，做質譜再加pyopenms - 化學信息：
rdkit、database-lookup，做材料方向加pymatgen - 文獻與寫作：
literature-review、paper-lookup、scientific-writing、peer-review - 數據可視化：
scientific-visualization，涉及時間序列再加timesfm-forecasting - 實驗室自動化：這個大類裏的具體技能名以
--list的輸出爲準，流程編排可以先看nextflow
第 3 步：只裝需要的科研 Skills
耗時：約 5 分鐘 前置條件：已有候選清單 難度：中
要做什麼：由你本人運行安裝命令，命令行工具負責把技能寫進宿主的技能目錄。標題裏說的“一條命令”指的就是 npx skills add K-Dense-AI/scientific-agent-skills。直接執行它會進入交互模式，讓你勾選技能和宿主；如果在交互裏選了全部，就等於全裝，不推薦這樣做。
參數含義：
-s/--skill：指定技能名，'*'表示全部-a/--agent：指定宿主，例如claude-code、codex-g：裝到用戶目錄（全局）；不加則裝到當前項目--copy：複製文件；默認是軟鏈（Symlink），本機只保留一份副本，更新起來更省事-y：跳過確認，適合腳本或 CI
可以直接複製的非交互命令（以 Claude Code、項目級安裝爲例，每行裝一個技能）：
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
如果要全局安裝，在命令末尾加 -g；想用複製代替軟鏈，就加 --copy。一次裝多個技能的寫法請以 npx skills add --help 的說明爲準。
| 宿主 | 項目級目錄 | 全局目錄 |
|---|---|---|
| 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/ |
項目級和全局怎麼選：只跟某個課題相關的技能（比如某個分析項目專用的 pydeseq2）放項目級，方便連同項目一起分享給組裏的人；文獻、寫作這類每天都用的技能放全局。
會看到什麼：安裝器逐個提示安裝成功，並顯示目標路徑。
驗收標準：由你本人運行 npx skills list，或者直接 ls .claude/skills/，確認剛裝的技能目錄都在，並且每個目錄下都有 SKILL.md。
還有兩種備選裝法：
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code --pin v2.71.0：用--pin固定到某個版本或 commit SHA，適合需要復現結果的課題git clone到~/.agents/skills/scientific-agent-skills（用戶級）或.agents/skills/scientific-agent-skills（項目級）
第 4 步：補齊科研 Skills 的 Python 依賴與憑據
耗時：10-30 分鐘（取決於包的大小） 前置條件：技能已裝好 難度：中（不能跳過）
要做什麼：這一步最容易出問題，所以再強調一遍：裝技能文件 ≠ 裝依賴。由你本人打開每個技能的 SKILL.md，查看 compatibility 字段，再用 uv 安裝依賴。注意，uv sync 只會裝倉庫自己的開發和校驗工具，不會裝全部科學計算包。
cat .claude/skills/scanpy/SKILL.md：查看 compatibility，scanpy 技能寫的是“測試於 Python 3.13 + Scanpy 1.12.4 + AnnData 0.13.4”uv venv .venv-scrna --python 3.13：一個工作流單獨建一個環境，避免單細胞和化學信息的包互相沖突source .venv-scrna/bin/activateuv pip install "scanpy[leiden]"
個別技能需要你自己的 Key。比如 generate-image 走的是 OpenRouter 的圖片接口，需要設置 export OPENROUTER_API_KEY=你的Key，而且按次計費。列模型或者加 --dry-run 不收費，建議先用這兩種方式試。literature-review 需要聯網做 DOI 校驗，導出 PDF 還要另裝 Pandoc 和 XeLaTeX。
已經在用 API易 的話，生圖這塊不用另開 OpenRouter 賬號：API易 文檔裏收錄了社區貢獻的兩個 Skills，apiyi-gpt-image-2-gen（官轉 gpt-image-2，按 token 計費、支持 4K 和自定義尺寸）和 apiyi-gpt-image-2-all-gen（官逆，按次 $0.025，對話式改圖）。裝進 Cursor、Codex CLI、Gemini CLI、OpenCode、GitHub Copilot 或 Amp 之後，直接說一句“用 apiyi-gpt-image-2-gen 生成一張 3840×2160 的圖”就行，Key 統一走環境變量 APIYI_API_KEY。
圖 3：API易 文檔裏的 Skills 合集頁面，兩個生圖技能都寫明瞭模型標識、計費方式和安裝報錯怎麼查
會看到什麼：uv 打印出解析和安裝的包列表。
驗收標準：由你本人運行 python -c "import scanpy, anndata; print(scanpy.__version__, anndata.__version__)"，輸出的版本號能和 compatibility 字段對上。需要 Key 的技能，用 echo $OPENROUTER_API_KEY | head -c 6 確認環境變量已經生效。
第 5 步：觸發科研 Skills 並驗收結果
耗時：約 10 分鐘 前置條件：依賴已裝好 難度：低
要做什麼：重啓宿主，讓它重新掃描技能目錄。然後由你本人在對話框裏輸入提示詞，後面的工作由 Agent 完成：讀取 SKILL.md、執行腳本、生成產物。推薦的提示詞寫法是“通用開頭句 + 點名技能”：
- 開頭加一句
Use available skills you have access to whenever possible. - 再點名技能，例如“用 literature-review 技能做一次系統綜述”
會看到什麼：Agent 的回覆裏會說明它讀取了哪個技能，並給出要執行的命令。
驗收標準（三條都要能覈對）：
- Agent 是否明確說明用了哪個技能。如果沒說，就追問一句“你用了哪個 skill”
- 產物落在哪個目錄，文件是否真實存在，用
ls自己看一下 - 結果裏的數字能否對上來源：DOI 能不能打開，數據庫條目的 ID 能不能查到
日常維護命令（由你本人運行）：npx skills check 檢查更新，npx skills update 執行更新，npx skills remove 卸載。安裝器默認會收集匿名使用數據，加上 DISABLE_TELEMETRY=1 或 DO_NOT_TRACK=1 可以關閉。
🎯 跑通之後再算賬：技能本身是免費開源的，真正花錢的是執行技能時的模型調用。一次單細胞全流程往往要多輪讀文檔、寫代碼、改錯，token 消耗不小。如果你的宿主支持自定義 OpenAI 兼容端點，可以把 base_url 設爲
https://api.apiyi.com/v1，通過 API易 apiyi.com 用一個 Key 切換 Claude、GPT、Gemini 等模型，對比不同模型跑同一個技能的效果和成本。以 Claude Code 爲例，接入就是兩行環境變量：ANTHROPIC_BASE_URL指向https://api.apiyi.com，ANTHROPIC_AUTH_TOKEN填你的 Key，配完這些技能照樣在 Claude Code 裏用。
圖 4：API易 文檔裏 Claude Code 的配置，只需要兩行環境變量（截圖中的 Key 已打碼）
| 型號 | 輸入 | 輸出 | 緩存讀 | 可用平臺 |
|---|---|---|---|---|
| claude-opus-5-5 | $4 / 百萬 tokens | $20 / 百萬 tokens | $0.2 / 百萬 tokens | API易 apiyi.com |
型號與價格以平臺型號列表爲準。科研技能的提示詞裏會反覆帶上同一份 SKILL.md，緩存讀的單價只有輸入的二十分之一，長會話裏能省下不少費用。
三個科研 Skills 第一次跑通的真實場景
場景一：單細胞分析
提示詞：Use available skills you have access to whenever possible. 然後接着寫“用 scanpy 做 QC、標準化、降維和聚類，用 cellxgene-census 做細胞類型參考，用 database-lookup 查標記基因，用 pydeseq2 做差異表達”。Agent 會依次讀取這幾個技能，生成並執行分析腳本。
驗收時重點看三處：QC 閾值是否寫明，聚類結果文件是否存在，差異基因能否在 database-lookup 返回的數據源裏查到。
場景二：文獻綜述
提示詞：“用 literature-review 技能，針對某一具體主題做系統綜述，用 paper-lookup 補全文獻，最後用 scientific-writing 整理成初稿。”這個技能會聯網校驗 DOI，所以要逐條打開 DOI，確認文獻真實存在、作者和年份沒寫錯。
場景三：化合物篩選
提示詞：“用 database-lookup 從 PubChem 和 ChEMBL 拉一批候選分子，用 rdkit 按分子量 300-500、logP 2-4 過濾，並輸出 CSV。”驗收時由你本人抽查幾條：用 RDKit 重新計算分子量，看是否和 CSV 裏的一致；再拿化合物 ID 回 PubChem 查一下，確認能對上。
科研 Skills 排錯表
| 現象 | 常見原因 | 處理辦法 |
|---|---|---|
| 技能不加載 | 目錄放錯，或技能目錄裏缺 SKILL.md |
對照第 3 步的目錄表檢查；改完後重啓 IDE；Cursor 在 Settings → Rules 裏查看是否被識別 |
| 缺 Python 依賴 | 只裝了技能文件，沒裝依賴 | 按 SKILL.md 的 compatibility 用 uv pip install 安裝，並確認當前激活的是對應環境 |
| 數據庫限流 | 批量請求過快，或超出免費額度 | 查看該數據庫的文檔，加緩存、分批請求，降低併發 |
| 認證報錯 | Key 未設置、過期或權限不足 | 用 echo 檢查環境變量，到對應服務後臺覈對權限 |
舊路徑 scientific-skills/ 返回 404 |
v2.43.0 起技能路徑改爲 skills/ |
更新本地腳本和書籤裏的路徑，或者重新安裝 |
| 想卸載重裝 | 版本混亂，或軟鏈失效 | npx skills remove 後重新 npx skills add，需要固定版本時用 gh skill install --pin |
卡在 Cloning repository… 後報 Clone timed out |
倉庫體積四百多 MB，300 秒不夠 | 用 SKILLS_CLONE_TIMEOUT_MS=600000 再跑，或先 git clone 到本地再用本地路徑安裝 |
科研 Skills 風險與免責
這一節請認真讀完。Scientific Agent Skills 是社區開源項目，不是任何平臺的官方 API。我們只做推薦，不爲它背書。
技能具備執行能力。技能可以指揮 Agent 執行任意代碼、安裝包、發起網絡請求、修改本機文件。惡意或寫得不好的技能，都可能把 Agent 帶偏。建議的做法如下：
- 裝之前先讀
SKILL.md，看清它用了哪些包、連了哪些外部服務 - 查看貢獻歷史：K-Dense-AI 署名的技能經過了內部評審，社區貢獻的只能做到“盡力評審”
- 自己再掃描一遍：先運行
uv pip install cisco-ai-skill-scanner，再運行skill-scanner scan <path> --use-behavioral，其中<path>換成技能目錄。官方每週做增量掃描，至少每 30 天全量重掃一次，結果公開在docs/security-report.md
第三方服務約束。部分技能需要註冊第三方數據庫，或使用你自己的 Key，這時要遵守這些服務的條款和額度限制。批量抓取可能被限流，甚至被封號，建議先用小號或在隔離環境裏測試。
臨牀與法規邊界。臨牀、醫療、法規類技能只能用於研究和起草，不能替代診斷、放行或認證決定。
責任歸屬。使用這些技能產生的一切後果，由使用者自行判斷並承擔，與本平臺和本文作者無關。
常見問題 FAQ
Q1：Scientific Agent Skills 到底是什麼？
它是 K-Dense-AI 維護的科研技能庫，共 177 個遵循 Agent Skills 標準的技能文件夾，用來告訴 Agent 某個科研流程該怎麼做、要調哪些包、連哪些數據庫。它不是模型，也不是 API 服務。
Q2：爲什麼不建議一條命令把 177 個科研 Skills 全裝上？
一是官方 README 明確寫了不要一次全裝；二是技能裝得越多，Agent 越難選準該用哪個；三是每個技能都能執行代碼，裝得越多，需要審查的內容也越多。按方向挑 5-10 個就夠用了。
Q3：爲什麼現在是 177 個，而不是 181 個？
從 2.72.0 開始，docx、pdf、pptx、xlsx 四個文檔技能不再隨倉庫分發。需要的話，去 Anthropic 的 skills 倉庫另裝。
Q4：技能是免費的，那費用主要花在哪裏？
主要花在執行技能時的模型調用上，有些技能還會產生第三方服務的費用，比如 `generate-image` 走 OpenRouter 按次計費。模型這部分可以通過 API易 apiyi.com 按量計費調用，沒有固定月費，適合先拿一個小流程測一下 token 消耗，再決定長期用哪個型號。
Q5：我在 Cursor 裏裝好了，但 Agent 不調用技能怎麼辦？
先在 Settings → Rules 裏確認技能已被識別，再在提示詞開頭加上 `Use available skills you have access to whenever possible.`，並直接點名技能。如果還是不調用，可以換一個模型對比試試。通過 API易 apiyi.com 一個 Key 就能切換多種模型，排查起來比較省事。
Q6：怎麼保證科研結果可復現？
用 `gh skill install –pin` 把技能固定到某個版本或 commit；Python 依賴寫死在獨立的 uv 環境裏；同時記下 `SKILL.md` 裏的 metadata.version 和 last-reviewed 日期。
Q7：這些技能的許可都是 MIT 嗎？
不一定。倉庫整體是 MIT，但每個技能有自己的 license 字段，例如 `scanpy` 是 BSD-3-Clause。商用前請逐個覈對。
科研 Skills 核心要點 Key Takeaways
- 是什麼：177 個開源科研技能，覆蓋 README 列出的 22 個大類
- 怎麼裝：先用
--list查看清單，再用-s和-a只裝需要的 - 前置條件：Node.js 22.20+、Python 3.13+、uv，以及支持 Agent Skills 標準的宿主
- 最常踩的坑：裝技能文件不等於裝依賴，每個工作流單獨建一個 uv 環境
- 怎麼驗收：確認用了哪個技能、產物在哪個目錄、數字能否對上來源
- 安全：裝前讀
SKILL.md，並用 Cisco 掃描器掃一遍 - 成本：技能免費，模型調用可通過 API易 apiyi.com 統一接入並對比
總結
這 177 個科研 Skills 很好用，但要按順序來，不要貪多：
- 先自檢再安裝：先確認環境版本和宿主支持，再用
--list挑出 5-10 個技能 - 裝技能和裝依賴分開做：技能文件用
npx skills add安裝，Python 依賴用 uv 安裝，兩步都要做 - 結果要能覈對：每次運行都檢查用了哪個技能、產物在哪裏、數字從哪裏來
建議先拿一個最熟悉的小流程（比如對一份小數據集做 scanpy 聚類）完整走一遍，再逐步加技能。模型側推薦通過 API易 apiyi.com 按量計費先跑通，再根據 token 消耗決定長期用哪個型號。
📚 參考資料
- Scientific Agent Skills 倉庫：技能源碼、README 與安全報告
- 鏈接：
github.com/K-Dense-AI/scientific-agent-skills -
說明：包含 177 個技能、安裝方式、排錯說明和
docs/security-report.md -
skills 安裝器：npx skills 的命令與參數說明
- 鏈接：
github.com/vercel-labs/skills -
說明：查看 add / list / check / update / remove 等命令，以及 70+ 宿主的目錄對照
-
Anthropic Skills 倉庫：docx、pdf、pptx、xlsx 文檔技能
- 鏈接：
github.com/anthropics/skills -
說明：2.72.0 之後需要單獨到這裏安裝這四個文檔技能
-
配套論文：Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents
- 鏈接：
arxiv.org/abs/2609.00065 -
說明：瞭解技能庫的設計思路
-
API易 文檔 · Claude Code 接入：環境變量、分組與故障排除
- 鏈接：
docs.apiyi.com/scenarios/programming/claude-code -
說明：用兩個環境變量把 Claude Code 接到 API易，技能裝好之後就在這裏把模型跑起來
-
API易 文檔 · GPT-Image 2 生圖 Skills：社區貢獻的兩個生圖技能
- 鏈接：
docs.apiyi.com/scenarios/ecosystem/apiyi-gpt-image-skills -
說明：
apiyi-gpt-image-2-gen與apiyi-gpt-image-2-all-gen的參數、計費與常見報錯 -
API易 模型價格總表：型號、類型、計費方式與單價
- 鏈接：
docs.apiyi.com/models - 說明：本文引用的 claude-opus-5-5 單價以這張表爲準，價格會變，用前請再覈對
作者：API易 技術團隊
技術交流：歡迎在 API易 網站首頁聯繫我們，更多模型接入資料可訪問 docs.apiyi.com 文檔中心
