裝完 scientific-agent-skills 後,這 20 個提示詞可以直接複製測試
Akira@akiraxtwo
裝完 K-Dense-AI/scientific-agent-skills 之後,多數人不知道從哪開始測。這 20 個 prompt 分 5 個領域,直接複製到 Claude Code / Cursor / Codex 就能跑。
目錄+
裝完 K-Dense-AI 的 138 個科學 skill 之後,最常卡住的不是技術問題,而是「我現在能拿它做什麼?」。skill 是工具知識,提示詞是把工具知識轉成實際產出的觸發器。這篇直接給你 20 個可複製貼上的 prompt,分 5 個領域。挑一個你最近會用到的,現在就測。
使用前置
如果你還沒裝,先跑這行:
npx skills add K-Dense-AI/scientific-agent-skills
確認裝好之後,把下面任一個 prompt 直接貼進 Claude Code、Cursor 或 Codex 就行。所有 prompt 都已驗證過 skill 覆蓋範圍,Agent 會用正確 API 而不是猜。
延伸閱讀:138 個 skill 全貌介紹 | Agent 為什麼會瞎猜 API
一、生物資訊(Scanpy / BioPython / pysam / scVelo)
1. 用 Scanpy 讀我目錄下的 sample.h5ad,過濾 mitochondrial gene 比例 > 5% 的細胞,
做 normalization、log transform,計算 PCA,畫 UMAP 並用 leiden 分群。
2. 用 BioPython 讀這個 FASTA 檔案,計算每條序列的 GC content,
找出 GC content 最高的 10 條序列輸出成新的 FASTA。
3. 用 pysam 開啟 sample.bam,計算 chr1 上 1000000-2000000 區間的 read depth,
每 1000 bp 為單位輸出成 CSV。
4. 用 scVelo 跑 RNA velocity 分析,輸入 spliced.h5ad 和 unspliced.h5ad,
用 dynamical model 估計 velocity,畫成 stream plot。
二、藥物探索(RDKit / DeepChem / DiffDock / Datamol)
5. 給定 SMILES 字串 CC(=O)OC1=CC=CC=C1C(=O)O,
用 RDKit 計算 MolLogP、TPSA、QED、Lipinski's Rule of Five,輸出成表格。
6. 用 DeepChem 載入 Tox21 資料集,訓練一個 GraphConvModel 預測 NR-AR toxicity,
分割 train/valid/test = 8:1:1,回報 ROC-AUC。
7. 用 DiffDock 把 ligand SMILES 和 receptor PDB 對接,
輸出前 5 個 pose 的 confidence score 和對應的 SDF 檔案。
8. 用 Datamol 載入這個 SMILES list,做標準化(standardize)和去重,
計算 Tanimoto similarity matrix,找出兩兩相似度 > 0.7 的化合物對。
三、臨床與資料庫(PubChem / ClinVar / ClinicalTrials.gov / UniProt)
9. 從 PubChem 查 CID 2244(aspirin)的分子量、SMILES、InChI、
以及前 5 個 bioassay 結果,整理成 Markdown 表格。
10. 用 ClinVar API 查 BRCA1 基因所有 pathogenic variant,
輸出 variant ID、位置、臨床顯著性,按出現頻率排序前 20 筆。
11. 從 ClinicalTrials.gov 找所有 phase 3、status 為 recruiting 且
condition 是 "non-small cell lung cancer" 的試驗,列出前 10 筆的 NCT ID 和標題。
12. 從 UniProt 查 human TP53(P04637)的所有已知 PTM 位置,
分類成 phosphorylation / acetylation / ubiquitination,標註對應的胺基酸位置。
四、蛋白質與結構(AlphaFold / OpenMM / PDB)
13. 從 AlphaFold DB 下載 UniProt P04637 的預測結構,
抓出 confidence score (pLDDT) > 90 的 residue 區段,輸出成 BED 格式。
14. 用 OpenMM 跑一個 100ps 的 MD 模擬,輸入 PDB 1ake,
用 AMBER ff14SB force field 在 TIP3P water box 中模擬,每 1ps 存一個 frame。
15. 給定兩個 PDB 結構 1ake.pdb 和 4ake.pdb,
用 RMSD 對齊並計算每個 residue 的 RMSF,找出位移最大的 10 個 residue。
16. 從 PDB 抓 1crn 的結構,計算所有 disulfide bond 的距離,
並用 PyMOL 風格的 selection syntax 列出形成 SS bond 的 cysteine pair。
五、文獻與寫作(PubMed / arXiv / 圖表)
17. 從 PubMed 搜尋 "CRISPR base editing 2024-2025" 的 review article,
抓前 10 篇,整理成包含 PMID / 標題 / 第一作者 / 期刊 / 一句話摘要的表格。
18. 從 arXiv 抓 q-bio 分類過去 7 天的論文,
篩選標題包含 "single-cell" 或 "spatial transcriptomics" 的,輸出摘要 + arXiv ID。
19. 把這份 IC50 實驗數據(CSV)畫成 box plot,
比較 control 和 treatment 兩組,標註 t-test p-value 和顯著性符號。
20. 用 BibTeX 整理我引用的 30 篇文章,自動修正錯字、補齊 DOI、
統一格式成 Nature 風格,輸出 references.bib。
進階用法:把 prompt 串起來
這些 prompt 可以拿來當「子任務」,串成完整的研究 pipeline。例如把第 1(單細胞分析)+ 第 4(velocity)+ 第 19(圖表)串起來,就是一個從原始資料到投稿圖的小型工作流程。
想在本地跑這類科學 AI 工作負載,蝦皮上的 RTX PRO 4000 Blackwell 24GB 足夠跑 Scanpy、DeepChem、PyTorch Lightning 等大多數場景。
結尾
好的 prompt 不是創意產物,是工具知識的具體化。 這 20 個是起點,不是終點。你會先試哪一個?
延伸閱讀:GitHub repo · MIT License · 支援 Claude Code / Cursor / Codex / Gemini CLI