你的 Agent 在科學研究任務上一直在瞎猜 — 這個 24.7k stars 的 repo 是解法

K-Dense-AI/scientific-agent-skills on GitHub

你叫 Agent 去查 PubChem 的化合物資料，它回你一個 404。你叫它用 Scanpy 跑單細胞分析，它呼叫了一個三個版本前就被移除的 API。這不是模型的問題，也不是你的 prompt 寫得不好——而是 Agent 根本沒有這些工具的結構化知識，只能靠訓練資料猜。換大模型解決不了這件事，給它正確的工具知識才能解。K-Dense Inc. 花兩年打包了 138 個科學領域的 skill，24.7k stars，就是在填這個洞。

根本原因：不是模型問題，是知識缺口

科學工具的 API 設計通常對機器不友善。rdkit.Chem.MolFromSmiles() 的正確呼叫方式、scanpy.pp.neighbors() 之後必須先跑 sc.tl.umap() 的執行順序、PubChem REST API 的 endpoint 路徑——這些細節藏在文件深處、GitHub issue、Stack Overflow 的小眾討論串裡。

大型語言模型的訓練資料對這類科學工具的覆蓋密度極低。結果就是：Agent 在面對科學工作流程時，用的是「猜」，不是「知道」。更換 prompt 只能讓它猜得更有信心，不能讓它猜對。

解法不是換更大的模型，而是直接給它正確的工具知識——這就是 Agent Skill 要做的事。

這個 repo 的規模

各科學領域 Skill 覆蓋數量（代表性取樣）

138 個 skill、24.7k stars、77 個正式 release，覆蓋 17 個科學領域：

100+ 資料庫：PubChem、ChEMBL、UniProt、AlphaFold、KEGG、ClinVar、ClinicalTrials.gov、DepMap、Reactome…
70+ Python 套件：RDKit、Scanpy、DeepChem、BioPython、PyTorch Lightning、OpenMM、DiffDock…
9 個平台整合：Benchling、DNAnexus、LatchBio

這是目前 open Agent Skills 標準下最大的科學領域實作。

跨 Agent 可移植性

同一套 skill，在 Claude Code、Cursor、Codex、Gemini CLI 都能跑。這是 open Agent Skills 標準的核心設計：skill 不綁定特定 agent，你今天在 Claude Code 裝的，明天換到 Cursor 繼續用，不需要重新配置。

Agent 的能力邊界，現在可以被社群集體擴展了。 這才是 24.7k stars 背後真正的訊號。

怎麼裝、怎麼用

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

裝完，在 Claude Code 試這個：

「用 RDKit 把這個 SMILES 字串轉成分子圖，計算 LogP」

裝之前，Agent 會猜 rdkit.draw_molecule(smiles)（不存在）。裝之後，它直接給你：

from rdkit import Chem
from rdkit.Chem import Descriptors, Draw

mol = Chem.MolFromSmiles('CC(=O)OC1=CC=CC=C1C(=O)O')
logp = Descriptors.MolLogP(mol)
img = Draw.MolToImage(mol)

想拿更多可直接複製的測試 prompt，看這篇：20 個提示詞解鎖 Claude Code 的科學研究模式。

有 skill 和沒有 skill 的差異，用流程圖比較一目瞭然：

Loading diagram...

想在本地跑科學 AI 工作負載的，蝦皮上有 RTX PRO 4000 Blackwell 24GB，跑 Scanpy、DeepChem、PyTorch Lightning 都夠用。

結尾

Agent 的失敗不是智力問題，是知識問題。這個 repo 把社群兩年的整理打包成一行指令。你的 Agent 現在在哪些科學任務上還在靠猜？

延伸閱讀：GitHub repo · MIT License · 支援 Claude Code / Cursor / Codex / Gemini CLI