科研技能集合 · 按任务选用 · 保留数据与证据

Scientific Agent Skills

让科研任务留下可核对的依据

从小表检查、数据库取数和文献读取开始，把分析脚本、来源记录与研究草稿一起交付。

作者 K-Dense

安装与上手查看 GitHub
Scientific Agent Skills 入门演示

Scientific Agent Skills 入门演示

查看示例出处

作者列出的使用环境

  • Claude Code
  • Codex
  • Cursor
  • Gemini CLI
  • GitHub Copilot
  • Kiro
  • Antigravity
  • OpenClaw
GitHub Star
55,301
版本
2.72.0
资料核对
分类
内容与知识写作与研究工程开发

先让一张 8 行小表给出可核对的检查记录

第一条任务有完整输入和检查预期，能快速发现目录、Python、缺失值约定或输出文件问题。通过后按你的下一份交付物选技能，不必把 177 个入口一次装全。

选一个任务，开始使用

各任务的安装命令都固定到本页所读提交，并只选择一个完整技能目录。先在研究项目的系统终端执行，再回到同一项目的 Claude Code 会话粘贴提示词。后续任务中的方括号需要替换成你的真实文件或目标。

按需要的研究交付物选择

完整首用：新建一个研究项目目录，准备 Node.js 22.20+、Git、Python 3.11+ 和已登录、可运行终端命令的 Claude Code。在该目录执行下方命令，选择项目级安装；确认 .claude/skills/exploratory-data-analysis/ 中有 SKILL.md、scripts 和 references，重新加载同一项目的助手，再粘贴提示词。此次只装这一个技能，核心 CSV 检查无需额外科学计算包。

  1. 先安装本地数据检查技能

    在新的研究项目目录运行。命令固定安装器 1.7.4 与所读源码，选择 exploratory-data-analysis 的完整目录，并为 Claude Code 使用副本安装；保留项目级范围。先看安装摘要，再重新加载同一项目。

    npx [email protected] add https://github.com/K-Dense-AI/scientific-agent-skills/tree/5f2bc0341354fd5590aef76a533ada1e1e5b4e62/skills/exploratory-data-analysis -a claude-code --copy
    阅读作者安装与技能说明

    确认目录、版本与实际入口

    当前技能在 skills/<名称>/；v2.43.0 前的 scientific-skills/<名称>/ 是旧目录路径。安装后应保留技能的 scripts、references、assets 等配套文件，并核对 SKILL.md 的独立版本。当前集合版本为 2.72.0；这一版已移除此前附带的 docx、pdf、pptx、xlsx 四个文档技能，需要它们时另按其作者的当前方式安装。

    查看当前目录与版本说明

  2. 把这段话发给 AI

    以下是编辑设计的任务示例，未在本站执行科研任务。小表是合成教学输入；其他路径必须使用获准取得的真实材料，不能把预期产物写成已完成结果。

    请使用 exploratory-data-analysis。先读取已安装的 SKILL.md 和 general_scientific_formats.md，确认 Python 3.11+ 可用。 在项目内新建 eda-first-run，若已存在就先换一个新目录名，并同步命令中的 --root。将以下内容原样保存为新建目录里的 data.csv（默认路径 eda-first-run/data.csv）。这是合成练习数据，不是真实实验；每行一个独立示例样本，material 是分组，pressure_kpa 单位为 kPa，NA 明确表示缺失，check 是待核对的非数字值。 sample_id,material,pressure_kpa S01,A,10 S02,A,12 S03,A,NA S04,A,11 S05,B,14 S06,B,15 S07,B,16 S08,B,check 从项目根目录先检查格式能力，只有 automated_core 才继续运行表格检查： python3 .claude/skills/exploratory-data-analysis/scripts/capability_manifest.py inspect data.csv --root eda-first-run --output capability.json python3 .claude/skills/exploratory-data-analysis/scripts/tabular_profile.py data.csv --root eda-first-run --missing-token NA --reveal-identifiers --output profile.json 这里的列名没有敏感信息，可以显示列名；不要输出原始行。保存执行命令、退出状态，以及读取范围和缺失值约定到该目录的 run-notes.md，再根据实际 JSON 写同目录的 review.md。指出数值、缺失与非数字记录的区别，不删行、不填补、不改写原始表，也不做显著性检验。 若任何步骤失败，保留错误并解释缺什么；不要按预期数字伪造 profile.json。

  3. 检查你拿到的结果

    • 得到 eda-first-run/ 下的 data.csv、capability.json、profile.json、run-notes.md 和 review.md；能力清单应对应 CSV，读取范围应覆盖这 8 行。
    • 按原始小表核对：pressure_kpa 应有 6 个可解析数字、1 个缺失、1 个文本值，列类型应是 mixed。数字是编辑示例的检查预期，不是本站运行结果。
    • 替换成真实数据时补上单位、样本层级和缺失代码；默认最多检查文件开头 100,000 行、文件上限 64 MiB，分位数还可能来自有界样本。检查 row_limit_reached 等标记，不能把前缀统计当作整份数据已通过验证。
    查看这项任务的作者说明
进一步了解这个 Skill

Scientific Agent Skills 是 K-Dense 维护的科研 Agent Skills 集合，原名 Claude Scientific Skills。当前核对的 2.72.0 有 177 个技能入口，覆盖生信、化学、统计、文献与科研写作等。每个入口是 SKILL.md 加上适用的参考、脚本或模板，交给支持该格式的编码助手使用；其中有可执行工具，也有主要依靠助手遵循的工作流程。

选用时先看你要得到什么。exploratory-data-analysis 检查明确支持的本地文件；database-lookup 依据数据库接口取得结构化记录；paper-lookup 找论文并区分元数据、摘要和正文；statistical-analysis 帮助根据研究设计编写分析；scientific-writing 把论断与已核实证据对应起来。把它们装进助手，并不会同时取得数据、装好所有计算包或开通外部服务。

这里最有用的交付不是一份看起来像论文的回答，而是回答背后的材料：原始输入、实际请求、检索范围、代码、环境、结果和待核事项。下面五条路径各自可以独立开始。先用合成小表确认安装与检查过程，再换入真实研究材料；数据库取数和模型生成的解释要分开验收。

来源与核验

资料核对

依据本次固定的 5f2bc03 源码、实际技能入口及所用参考和脚本整理；已核文档与实现，未安装第三方工具、执行本页研究任务或验证模型生成质量。

作者说明作者 README 与安装方式集合版本与插件元数据数据库检索约定写作证据核实流程仓库 MIT 许可

继续了解相关技能

根据任务方向继续选择。

Paper Search MCP让 AI 调用论文检索与阅读工具，保留来源、标识符和实际取得的内容。Academic Research Skills学术协作套件：研究探索、论文写作、记录筛选与模拟审稿，保留来源与检查记录。SwarmVault把文档和代码组织成本地 Markdown、知识图谱与检索索引，查询时能追到出处。Obsidian Skills六项技能覆盖 Obsidian 笔记、Canvas、Bases、应用命令、网页正文提取和模板批量生成。