/ 目錄 / 演練場 / scientific-agent-skills
← 全部伺服器 ↗ GitHub
● 社群 K-Dense-AI ⚡ 即開即用

scientific-agent-skills

作者 K-Dense-AI · K-Dense-AI/scientific-agent-skills

133 項領域專家技能，涵蓋生物資訊學、藥物探索、臨床資料、機器學習與科學寫作——讓 Claude 成為真正可信賴的研究協作夥伴。

一套專為科學工作流程設計的 Agent 技能函式庫。每個子技能（BioPython、RDKit、Scanpy、DeepChem、PyMC、PubMed 查詢等）皆附帶自己的 SKILL.md，內含使用模式與參考資料。安裝此套件後，Claude 不再猜測生物資訊學 API，而是遵循該領域的實際慣例、工具名稱與資料格式。

▶ 觀看演示 📦 安裝 💡 使用場景

為什麼要用

核心特性

即時演示

實際使用效果

scientific-agent-skill.replay ▶ 就緒
0/0

安裝

作者儲存庫 · Claude Skills 官方文件

使用場景

實戰用法： scientific-agent-skills

使用 Scanpy 執行單細胞 RNA-seq 分析

👤 計算生物學家與生物資訊學博士後研究員 ⏱ ~30 min intermediate

何時使用： 當你有一個 .h5ad 檔案，想要進行品質控制、分群與 UMAP 視覺化，而不必重新翻閱 Scanpy 文件時。

前置條件
  • 在環境中安裝 Scanpy — pip install scanpy
  • 一份 .h5ad 資料集 — 從公開儲存庫下載或使用自己的資料
步驟
  1. 告訴 Claude 資料內容與分析目標
    I have pbmc3k.h5ad. Use the scanpy skill to do QC, normalization, clustering, and a UMAP. Explain each step.✓ 已複製
    → Claude 以合理的預設參數，按正確順序呼叫對應的 Scanpy 函式
  2. 調整參數並迭代
    Re-do clustering with resolution 0.8 and show how cluster labels changed.✓ 已複製
    → 僅調整參數，不重新規劃整個流程

結果： 產出可重現的 Notebook 與圖表，使用符合 Scanpy 慣例的寫法——不出現幻覺函式名稱。

注意事項
  • Claude 給出忽略領域慣例的通用機器學習建議 — 明確點名技能：「use the scanpy skill」
搭配使用： filesystem

從 PubMed + arXiv 建立結構化文獻回顧

👤 博士生、研究科學家 ⏱ ~45 min intermediate

何時使用： 當你需要某主題 30 篇以上的論文（含摘要與引用元資料），而不只是 Google 搜尋到的標題時。

步驟
  1. 指定搜尋範圍
    Use the paper-lookup skill. Find all PubMed and bioRxiv papers on GLP-1 agonists for Alzheimer's in the last 3 years.✓ 已複製
    → Claude 以正確的查詢語法呼叫對應的 API
  2. 依主題分群
    Cluster by hypothesis (neuroinflammation, vascular, direct neuronal) and give me the top 3 papers per cluster.✓ 已複製
    → 依主題分群，並附上可引用的元資料

結果： 產出含有真實 DOI 的可查閱文獻地圖，而非捏造的引用資料。

注意事項
  • 未使用技能時 Claude 會幻覺出論文標題 — 務必驗證 DOI——讓 Claude 實際抓取一筆記錄以確認其真實性
搭配使用： fetch

使用 DiffDock 將小分子對接至目標蛋白質

👤 藥物化學家、藥物探索研究員 ⏱ ~20 min advanced

何時使用： 當你有一個 SMILES 字串與一個 PDB 目標蛋白質，想要快速進行初步姿態預測時。

前置條件
  • DiffDock 執行環境 — 依照 DiffDock 技能的環境設定步驟操作
步驟
  1. 提供配體與受體資訊
    Using the diffdock skill, dock SMILES 'CC(=O)OC1=CC=CC=C1C(=O)O' into PDB 1ABC. Give me the top 5 poses with scores.✓ 已複製
    → Claude 以正確的旗標執行對應的 DiffDock 指令
  2. 視覺化結果
    Generate a PyMOL script to render the top pose.✓ 已複製
    → 產出可執行的 .pml 檔案

結果： 產出姿態預測結果，可直接輸入後續的自由能計算流程。

注意事項
  • Claude 發明 DiffDock 中不存在的旗標 — 技能的參考資料夾內有真實的 CLI 說明——要求 Claude 參照該文件
搭配使用： filesystem

組合

與其他 MCP 搭配，撬動十倍槓桿

scientific-agent-skill + filesystem

技能產出 Notebook 與圖表；filesystem MCP 負責儲存並整理輸出結果

Save the Scanpy UMAP to results/figures/ and write a README for the experiment.✓ 已複製
scientific-agent-skill + arxiv

將 paper-lookup 技能與 arxiv MCP 搭配使用，以獲得更豐富的引用關係圖

Find arXiv papers citing the one I just read, grouped by which section they cite.✓ 已複製

工具

此 MCP 暴露的能力

工具輸入參數何時呼叫成本
Bioinformatics (BioPython, Scanpy, pysam, gget, scVelo) sequence / count matrix / BAM file 序列、基因體學或單細胞工作流程 0 — local compute
Cheminformatics (RDKit, Datamol, DeepChem, DiffDock, OpenMM) SMILES / PDB / MOL2 小分子、蛋白質結構或分子動力學問題 0
Clinical databases (ClinVar, COSMIC, ClinicalTrials.gov, FDA) gene / variant / trial ID 查詢臨床證據或試驗狀態 0 — public APIs
Paper lookup (PubMed, bioRxiv, arXiv) query string, date range 需要真實引用資料的文獻搜尋 0
ML training (PyTorch Lightning, Transformers, PyMC, TimesFM) dataset + config 以符合框架慣例的方式建立模型 0

成本與限制

運行它的成本

API 配額
公開資料庫（NCBI、PubMed）有各自的禮貌使用限制——通常為每秒 3 次請求
每次呼叫 Token 數
SKILL.md 參考內容相當龐大；每觸及一個領域預計載入 2-5k tokens
費用
免費——技能皆為本地端檔案；僅需負擔自行執行的運算費用
提示
每次 prompt 只聚焦在單一領域，避免 Claude 同時載入所有 SKILL.md。

安全

權限、密鑰、影響範圍

憑證儲存： 技能本身不包含任何憑證；NCBI/PubMed 若在環境變數中設定 email，可獲得更好的速率限制待遇
資料出站： 僅傳送至你所選擇查詢的公開科學 API

故障排查

常見錯誤與修復

API rate limit hit on NCBI

將 email 加入 NCBI_EMAIL 環境變數，並將並發請求數限制在每秒 3 次。

Skill not invoked on a relevant prompt

明確指定函式庫名稱（例如「use the rdkit skill」）——在 133 項技能中自動觸發的準確度有限。

替代方案

scientific-agent-skills 對比其他方案

替代方案何時用它替代權衡
ai-research-skill (Orchestra-Research)當你需要的是機器學習研究基礎設施（訓練、分散式運算、推論），而非濕實驗室或臨床領域時機器學習系統支援更完整，但生物學與化學的領域深度較不足
biomcp當你需要的是 MCP 伺服器（即時工具呼叫），而非 prompt 套件技能時MCP 負責實際執行呼叫；技能則是教 Claude 撰寫正確的程式碼

更多

資源

📖 閱讀 GitHub 上的官方 README

🐙 查看未解決的 issue

🔍 瀏覽全部 400+ MCP 伺服器和 Skills