Scientific Agent Skills：把你的 AI 变成 AI 科学家

先看三个真实的科研日常：

• 烦恼一：生物学家小王想分析单细胞测序数据，AI 倒是会写 Python，可它不知道 scanpy 的标准流程，写出来的代码漏洞百出。
• 烦恼二：化学家小李想预测一个分子能不能成药，AI 能背出教科书，却不会调用真正的分子对接工具。
• 烦恼三：实验室买了台移液机器人，说明书 200 页，师兄毕业了没人会编协议，机器在角落吃灰。

共同的病根：通用 AI 有"智力"，但没有"科研手艺"——它不懂每个学科的专业工具、标准流程和避坑经验。

"validated skills"到底验证了什么？

仓库自称"177 ready-to-use validated skills"，但验证 ≠ 保证科学结论正确。真实含义是四层工程验证：

• 结构契约检查：每个技能的文件结构、元数据格式、链接有效性自动检查；
• CI 测试：每次更新都跑测试套件，带脚本的技能必须有测试；
• 安全扫描：用 Cisco AI Defense 扫描防 prompt 注入/恶意代码，结果公开；
• 版本锁定：每个技能锁定依赖版本（如 biopython==1.88），标注最后复核日期。

没有它之前，科研人怎么用 AI？

• 每次都要从头教 AI："scanpy 做单细胞分析的标准流程是 QC→归一化→聚类…"，下次开新对话又要重教；
• AI 推荐的工具版本过时、参数瞎编，跑出来的结果不可复现；
• 湿实验（做实验）和干实验（写代码分析）各用各的工具，AI 帮不上跨界的忙。

有了它之后

• 一次安装，永久会用：技能装进 AI 工具，需要时自动触发，不用反复教；
• 流程标准化：每个技能都是领域专家写好的 SOP，带配套脚本和避坑清单；
• 干湿通吃：从"预测基因变异效应"到"给移液机器人写协议"，软硬兼施。

仓库顶层长这样，核心是 skills/ 文件夹里的 177 个技能：

复制scientific-agent-skills/
├── skills/                    # ★ 177 个技能，每个一个文件夹
│   └── <skill-name>/
│       ├── SKILL.md           # 技能主体：是干什么的、怎么用（YAML 元数据+指令）
│       ├── scripts/           # 配套可执行脚本（确定性工具，不占 AI 脑力）
│       ├── references/        # 领域参考文档（按需加载）
│       └── assets/            # 模板/脚手架文件
├── docs/
│   ├── skill-guides/          # 177 篇图文指南（每技能一篇，给人看的）
│   ├── images/                # 177 张工作流示意图（本课件配图来源！）
│   └── skills.md              # 完整技能目录
├── tests/                     # 测试套件：结构契约 + 各技能测试
├── plugin.json                # Agent Plugins 插件包清单
└── pyproject.toml             # 版本 2.72.0

一个技能文件夹内部（以 literature-review 为例）：

复制skills/literature-review/
├── SKILL.md                    # 6 步综述流程：规划→检索→筛选→提取→核验→成文
├── scripts/
│   ├── search_databases.py     # 多库并行检索
│   ├── verify_citations.py     # DOI 核验，防 AI 编造引用
│   └── generate_pdf.py         # 生成 PDF
├── references/                 # 综述方法学参考文档
└── assets/
    └── review_template.md      # 综述模板