生醫 AI 的問題一直不是模型不夠強，而是沒有人系統性地整理「這些工具要怎麼用」。LabClaw 做的就是這件事：240 個標準化的 SKILL.md 技能文件，每一個都告訴 AI agent 在什麼情況下使用某個工具、怎麼呼叫它、應該產出什麼格式的結果。
這是 Stanford 和 Princeton 的研究者共同開源的項目，MIT 授權，驅動 LabOS 自主實驗室研究框架的核心層。
為什麼這個技能庫值得關注
多數「生醫 AI」項目是模型微調或 benchmark，LabClaw 是工具層——它解決的問題是：一個 AI agent 要怎麼知道在做蛋白質結構分析時應該用 AlphaFold 而不是 BLAST，要怎麼正確傳遞參數，輸出要符合下游流程的格式。
這種知識現在分散在無數工具的文檔裡。LabClaw 把它集中成結構化的 SKILL.md，讓 agent 可以直接讀取、執行。
七個領域、240 個技能
LabClaw 各領域技能數量分布
生物與生命科學（86 個技能）是最大的模組，覆蓋基因組學、單細胞分析、蛋白質組學——這也是目前 AI agent 在實驗室場景需求最密集的部分。
通用與資料科學（54 個技能）處理統計分析、機器學習流程、科學寫作——這些是跨領域的基礎工具，幾乎所有生醫研究流程都會用到。
藥物發現與製藥（36 個技能）包含化學資訊學、分子對接——從化合物篩選到藥性預測的完整鏈路。
文獻與搜索（33 個技能）覆蓋學術資料庫查詢、引用管理——讓 agent 能夠自主做文獻綜述。
醫療與臨床（22 個技能）涵蓋臨床試驗設計、精準醫療、腫瘤學——進入有監管要求的應用場景。
視覺與 XR 和可視化共 9 個技能，負責實驗結果的呈現與 LabOS XR 整合。
技能文件的設計邏輯
每個 SKILL.md 做三件事：告訴 agent 何時應該觸發這個技能、如何正確呼叫工具（包含參數格式）、以及應該產出什麼（輸出規格）。
這個設計和 Firecrawl web-agent 的 skill 系統是同一個 pattern，但 LabClaw 的深度完全不同——240 個技能、覆蓋完整的生醫研究鏈路，而不只是 web scraping 的幾個動作。
你可以一次安裝全部 240 個，也可以只部署你需要的領域模組。對一個只做藥物發現的 agent，裝 36 個 Pharma 技能就夠了。
從技能文件到濕實驗室執行
LabClaw 本身是技能層，LabOS 是上層的自主研究框架。兩者分離的好處是：你可以把 LabClaw 的技能庫接到自己的 agent，不需要完整跑起整個 LabOS。
LabOS XR 整合是這個系統最激進的部分——把計算分析的結果直接送到 XR 介面，驅動實體實驗室的執行動作。目前這個部分還在早期，但方向是清楚的：讓 AI agent 的輸出不只停在螢幕上。
這個庫的侷限
240 個技能是一個起點，不是終點。生醫工具生態系非常碎片化，每個子領域都有自己慣用的工具鏈，現有的技能覆蓋率對某些垂直場景來說仍然不夠。
技能文件的品質也是問題。批量產出的文件庫很容易在邊緣情況的參數說明上有空白，使用時需要實際測試，不能直接假設所有技能文件都是準確的。
LabOS 本體的成熟度和社群規模目前還無法和通用 agent 框架相比。如果你需要的是一個有大量現成範例和社群支援的環境，目前還需要自己踩坑。
底線
生醫 AI agent 要真正有用，必須解決「工具使用知識」的問題。LabClaw 是目前最直接嘗試解決這個問題的開源資源。不是研究論文，是可以直接 fork 的技能庫。
如果你在做任何和生醫研究流程自動化相關的工作，這個 repo 值得花時間看完。
