138 個 skill、24.7k stars：這是 AI 工程師現在能裝進 Agent 最完整的科學武器庫

K-Dense Inc. 在 2026 年 5 月以 24.7k stars 登上 GitHub Trending，做的事情只有一件：把 138 個科學研究工具的結構化知識打包成 Agent Skill。它不是 framework、不是 SDK，而是一套讓任何 AI Agent 直接「懂」生物資訊、藥物探索、臨床資料庫的標準格式。如果你的 Agent 現在還在靠猜 API，裝完這個之後你會知道差距有多大。

什麼是 Agent Skills 標準

Agent Skill 是一個 open standard，定義了如何把「工具的正確用法」結構化地餵給 AI Agent。它跟 plugin 的差別在於可移植性：同一份 skill 可以在 Claude Code、Cursor、Codex、Gemini CLI 上跑，不需要為每個 agent 重新寫一份說明文件。

你可以把它想成給 Agent 看的「工具說明書 2.0」——不是 README，而是機器可讀、有結構、有範例的知識格式。當 Agent 遇到 scanpy.read_h5ad() 時，它不需要靠訓練資料猜 API，而是直接從 skill 拿到正確的呼叫方式和參數說明。

138 個 skill 的地圖

這個 repo 覆蓋 17 個科學領域，以下是主要領域的 skill 數量分佈（代表性取樣，非全部）：

代表工具覆蓋範圍：

• 生物資訊：Scanpy、BioPython、pysam、scVelo、Arboreto
• 藥物探索：RDKit、DeepChem、DiffDock、Datamol、OpenMM
• 資料庫整合：PubChem、ChEMBL、UniProt、AlphaFold、KEGG、Reactome、DepMap（共 100+ 個）
• 臨床研究：ClinicalTrials.gov、ClinVar、COSMIC
• 平台整合：Benchling、DNAnexus、LatchBio

怎麼裝、怎麼用

一行指令，裝進你的 agent：

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

或用 GitHub CLI：

gh skill install K-Dense-AI/scientific-agent-skills

裝完之後，在 Claude Code 裡問：

「用 Scanpy 讀一個 h5ad 檔案，做 PCA 然後畫 UMAP」

Agent 會正確地呼叫 scanpy.read_h5ad()、sc.pp.neighbors()、sc.tl.umap()，而不是猜一個不存在的 API。

想直接拿到可複製的測試 prompt，看這篇：裝完 scientific-agent-skills 後，這 20 個提示詞可以直接複製測試。

安裝到執行的完整流程如下：

為什麼 2026 年這件事很重要

AI Agent 進入科學研究的速度比大多數人預期的快。生物製藥公司已經在用 Agent 跑文獻整理、化合物篩選、基因表達分析；問題不是「Agent 能不能做」，而是「Agent 有沒有正確的工具知識」。

科學工具的 API 設計通常對機器不友善：參數名稱不直覺、資料庫有版本差異、正確用法藏在 GitHub issue 的第 47 條留言裡。訓練資料覆蓋這些的密度極低。skill 就是填這個洞的機制——它讓 Agent 在沒有科學研究訓練資料的情況下，也能可靠地操作這些工具。

好的 Agent 不是靠更大的模型，而是靠更精準的工具知識。 24.7k stars 給的不只是一個數字，是一個訊號：科學社群正在主動建立這套知識庫。

想在本地跑科學計算、deep learning 推論的，蝦皮上有 RTX PRO 4000 Blackwell 24GB，適合跑 Scanpy、PyTorch Lightning、DeepChem 這類科學 AI 工作負載。

你現在裝進去，是搶先拿到這套工具知識的 Agent 工程師；六個月後，這可能是標配。你怎麼看？

延伸閱讀：GitHub repo · MIT License · 77 releases