DOC VIEWER · 原文排版保留 · 2026-10-31 快照正文区为浅色

AI 帮你查文献，列的全是假论文？163 个技能逼它句句带出处

⭐ 觉得有用？关注公众号「丁卯生人」

每月发干货 · AI Agent · GitHub · 装修避坑

大家好我是六六爸比，一个 85 后科技 IT 爱好者。

我有个朋友在读博，每次吃饭都在吐槽同一件事——导师让他用 AI 查文献，AI 倒是给列了一堆，点开一看，论文全是编的，连 APA 格式都编得有模有样。这不是段子。科研这地方对 AI 的容错率是零，错一个引用，整篇论文就被导师打回来。

这周翻 GitHub Trending，翻到一个 Python 项目 K-Dense-AI/scientific-agent-skills，比 9-08 那次又涨了 +4,414，总星 42,300（这是 9-03 的 trending 快照；10-10 实测已经 48,234，下文我按实测数说）。定位一句话——"Turn any AI agent into an AI Scientist"，把任何 AI agent 武装成 AI 科学家。这不就是我朋友要的东西？今天拆给你看。

一、它是什么：给 AI 装上一套科研技能包

K-Dense 开源的科研技能库，163 个开箱即用的技能，外加 100 多个真实数据库接口。README 里写 163 个技能，trending 描述写 165——这点小出入不影响判断，要紧的是它干的事：不教 AI 变聪明，是给它接上真数据。

官方描述：

Turn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000+ scientists worldwide. 165 ready-to-use validated skills plus 100+ scientific databases covering biology, chemistry, medicine, and drug discovery.

还有个变化得先说一句：这项目原来叫 Claude Scientific Skills，最近改成了 Scientific Agent Skills。技能没变，变的是胃口——从"只伺候 Claude"变成"任何支持开放 Agent Skills 标准的 agent 都能用"。官方现在点名兼容 Cursor、Claude Code、Codex、Google Antigravity，社区里 OpenClaw、NemoClaw、Pi、Hermes 也都能挂。

163 个技能是怎么分布的

100+ 数据库接口：一个统一的 database-lookup 技能直连 78 个公共库（PubChem、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、FRED、USPTO 等），另有 DepMap、PrimeKG、Imaging Data Commons 等专用技能；BioServices 再带约 40 个生信服务、BioPython 带 39 个 NCBI 子库、gget 带 20 多个基因组库。所谓"100+"是这么叠出来的，不是某个单一数据库有 100 张表。

70+ Python 包技能：RDKit、Scanpy、PyTorch Lightning、scikit-learn、PyTDC、pydicom、pymatgen、Qiskit、OpenMM 这些，给版本感知的标准流程。

9 个平台集成：Benchling、DNAnexus、LatchBio、OMERO、Protocols.io、Ginkgo Cloud Lab、LabArchives、Opentrons、Open Notebook。

30+ 分析与写作工具：文献综述、可溯源科研写作、保密审稿、Paperclip（全文文献与 FDA/PMDA/EMA filings 逐行引用）、海报与示意图生成。

10+ 研究与临床工具：假设生成、基金写作、PK/PD 建模、BIDS、ISO 13485/14971 合规准备、分析方法验证。

先把项目档案摊开

项目：K-Dense-AI/scientific-agent-skills ｜协议 MIT ｜最新版 v2.66.0（2026-09-02）

主语言：Python 约 8.1 MB 源码，另有 TeX / HTML / BibTeX Style / Shell

形态：技能包，不是独立软件——挂进你已经在用的 agent；仓库同时是一个 Agent Plugins 包（含 plugin.json）

跑起来要什么：Python + uv 包管理器；系统支持 macOS / Linux / Windows（需 WSL2）

空间占用：仓库 243.2 MB，大头是 167 张技能示意图；技能自身的 Python 依赖由各自 SKILL.md 声明，科学计算包会额外占不少

热度：48,234 星（2026-10-10 实测）｜ 4,339 fork ｜仅 23 个 open issue

增长：9-08 到 10-10 净涨 +4,414 ｜官方称 19 万+ 科研用户在用（Trending 2026-09-03 抓取）

时间线：2025-10-19 创建，约十一个月做到 4.82 万星；8-17 到 9-02 三周内发了 v2.64 / v2.65 / v2.66 三个版本

学术与入口：论文 arXiv:2609.00065 ｜桌面端配套 K-Dense BYOK ｜社区 Discord / X / YouTube

▲ 一个 database-lookup 技能的实际工作方式：先定检索契约，再做有界 API 调用，最后核对返回数量并留下 Provenance（含结果 SHA-256 哈希）。右侧那张表每一行都能追到源文件——这就是"引用是真的"的底层机制。

二、为什么之前的方案都不行

在 scientific-agent-skills 出现之前，"AI 帮科研"这件事的常见做法我都看过，每个都有硬伤：

ChatGPT 直接问。GPT-4 答医学问题准确率大约 70%——听上去不低，但科研场景错 30% 等于不能用。一个错引的论文，会让整个研究结论报废。

专业医学 LLM（如 Med-PaLM）。准确率高一些，但要付费、要排队、不能本地部署。科研人员特别看重"数据隐私"——未发表的实验数据传上去，等于免费送给科技巨头。

本地 RAG（自己拼）。科研人员自己用 LangChain + 向量数据库 + 论文 PDF 拼一套 RAG。折腾两周，准确率还是不稳定——因为 PDF 格式千奇百怪，表格、公式、化学结构图提取出来全错。

这些方案的共同问题：通用 AI 不懂论文格式、不认识化学结构、不接专业数据库。科研人员要的不是更聪明的 AI，而是"懂科研"的 AI。

三、走一遍：装一条命令，跑六类流水线

它不是一个要打开的软件，而是装进你现有 agent 的一包技能。装完之后，你在 Cursor 或 Claude Code 里用自然语言派活就行。

装：一行命令

官方推荐的标准安装方式：

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

这条命令覆盖 Claude Code、Codex、Gemini CLI、Antigravity 等支持 Agent Skills 的宿主。想用 GitHub CLI，gh skill 支持交互式浏览、按名字装单个技能、指定宿主、锁定到某个 release tag 或 commit SHA，还能查更新。装完的落盘位置是 ~/.codex/skills、.agents/skills 这类目录，具体看宿主文档。

六条示例流水线：官方给的原话目标

药物发现：为临床前肺癌研究筛选 EGFR 抑制剂候选（查 ChEMBL 的 IC50）

单细胞 RNA-seq：10X Genomics 数据全流程分析，并整合公共数据

多组学生物标志物：整合 RNA-seq、蛋白质组、代谢组预测病人结局

虚拟筛选：寻找蛋白-蛋白相互作用的别构调节剂

变异证据审阅：为遗传肿瘤研究标注合成或已脱敏的 VCF

系统生物学：从 RNA-seq 数据构建并分析基因调控网络

README 里还留了 docs/examples.md 收录更完整的工作流样例。注意第二条的例子写的是"合成或已脱敏的 VCF"——涉及病人数据时它自己就把边界划清了。

▲ 虚拟筛选这条流水线的技能示意图：左边喂 protein.pdb 和 SMILES，中间 DiffDock-L 做扩散对接，右边出 rank1.sdf 带置信度，再用 GNINA 重打分。每一步的输入输出都是确定的文件，不是"AI 说它做了"。

▲ 文献综述技能的演示

▲ 查论文技能的演示

▲ 引用管理技能的演示

▲ 科学示意图生成技能的演示

它凭什么敢写"validated"

每个技能都带 SKILL.md 文档、代码样例、用例和集成指南；凡是带 scripts/ 的技能必须有测试套件，仓库有两条 CI——security-scan 和 skill-tests，缺测试的 PR 会被直接挡住。"已校验"不是宣传词，是有 CI 兜底的。

四、横向看，它站在哪

sci-agent-skills｜163 技能 + 100+ 数据库 · 带 CI 校验 · 兼容多 agent

ChatGPT｜通用 · 易幻觉 · 引用经常错

Med-PaLM｜医学专用 · 收费 · 不本地 · 数据上云

自己拼 LangChain｜折腾 · 准确率不稳 · 维护成本高

BioGPT 等专用 LLM｜单领域强 · 不通用 · 要训练

它跟其他方案最大的差异：不是训练一个新 AI，而是在已有 AI 上"加装"科研能力。这思路很像智能手机——不是每家都自己造系统，而是在 Android/iOS 上装 app。

数据也支持这个判断：48,234 星、4,339 fork，open issue 只有 23 个——四万八千星的项目能把待办压到这个数，维护质量可见。trending 的 collaborator 里有 TKassis（项目主导）、cursoragent、borealBytes、claude，是跨学术界和 agent 圈的合作模式。

五、装起来：三种方式，加 5 件要先知道的事

三种装法

① npx（推荐）：npx skills add K-Dense-AI/scientific-agent-skills，一条命令，覆盖主流宿主。

② GitHub CLI：gh skill 交互式浏览、单装某个技能、指定宿主、锁 tag 或 SHA。

③ Agent Plugins：Cursor 把仓库软链到 ~/.cursor/plugins/local 再 Reload Window，在 Customize 里确认；Codex 走本地 checkout。

④ 手动：git clone 到 ~/.agents/skills/（用户级）或 .agents/skills/（项目级）。

▲ 不想装进现有 agent：K-Dense 托管 Web 工作台，开个会话就能派科研活（官方演示动图）

想要桌面端：K-Dense BYOK

不想配 agent 的话，同团队还开了一个 K-Dense BYOK：免费的桌面端 AI 科研助手，自带 API key、可选 40 多个模型，把这套技能连同联网检索、文件处理、100 多个数据库打包成一个研究工作台。

▲ BYOK 桌面端实录：Kady 跑完一次单细胞 RNA-seq 全流程——左 Sandbox 右 Chat，交叉验证每个数字（官方演示动图）

动手前的 5 件事

1. 官方自己提醒：技能仍要你自己扫一遍。README 的 Security Disclaimer 写得很直白——这些技能是团队在资源有限的情况下尽力审过的，但第三方技能装之前建议本地再扫一次：uv pip install cisco-ai-skill-scanner 然后 skill-scanner scan /path/to/skill --use-behavioral，发现可疑行为直接提 issue。愿意把这句写在首页的项目，反而让人放心。

2. 163 个技能不等于你全用得上。按领域挑：做药化先看 RDKit / DiffDock / MedChem，做组学先看 Scanpy / gget / bulk-rnaseq，写论文先看 literature-review / citation-management / Paperclip。整包塞进去会占上下文，效果反而差。

3. 依赖是真要装的。技能用 uv 管 Python 依赖（macOS/Linux 一条 curl 装好，Windows 用 PowerShell 脚本），科学计算包动辄几个 GB；系统层面 Windows 得走 WSL2。

4. 数据出不出本机，取决于你配的模型。技能本身在本地跑，但推理走你填的 API key。未发表数据敏感的话，配本地模型（Ollama 这类）或走 BYOK 自己控。涉及病人样本时，照官方例子那样用合成或已脱敏数据。

5. 版本节奏很快。8-17 到 9-02 三周内发了 v2.64 / v2.65 / v2.66 三个版本，技能清单和接口会动。生产环境建议锁 release tag 或 commit SHA，别跟着 main 分支跑。

六、适合谁，以及我的判断

适合谁

研究生 / 博士生：写论文查文献的效率直接翻 3 倍，省下的时间用来真正做实验

生物医药公司研究员：药物筛选、靶点发现、文献综述，AI 帮人做能省大量时间

科技查新 / 专利分析员：查全、查准、查快，这是这个工具的核心优势

高校老师：备课、写综述、审稿都能用上

我的判断

AI 进科研，最大的拦路虎不是"AI 不够聪明"，是"AI 不知道哪条信息是真的"。scientific-agent-skills 给的答案是把"查"这件事做成技能——直连数据库、留下能追溯的检索记录、每个技能带测试。它没让模型变强，它让模型说的话能被核对。

这条路我觉得才是科研 AI 真能落地的样子：与其干等一个"科学大模型"，不如在现有 agent 上接一层确定性的工具和数据。改名那一步也透出团队的判断——生态不归任何一家 agent，谁都可能成入口。

仓库地址：github.com/K-Dense-AI/scientific-agent-skills，桌面端配套看 K-Dense BYOK。

数据来源：GitHub Trending 周榜嵌入数据（2026-09-03 22:30 CST 抓取）；星数/fork/issue/版本取自 GitHub API 2026-10-10 实测（9-08 到 10-10 净涨 +4,414，仓库最后推送 2026-10-05）；技能清单与安装方式出自仓库 README v2.66.0；论文 arXiv:2609.00065。

—— 六六爸比 · 一个 85 后科技 IT 爱好者