企业官网建设流程全解析

Claude Scientific Skills是一个全面且开源的130 多项即用型科研与学术技能集合，能够将任何 AI 编程 Agent 转变为得力的研究助手。这些技能基于 K-Dense Inc. 提出的开放 Agent Skills 标准构建，为你的 AI Agent 提供经过精心整理的文档、代码示例和最佳实践，助其驾驭基因组学、药物研发、临床研究、量子计算等众多领域的专业科学库、数据库和工具。你可以将其视为一个预加载的知识库，让你的 AI Agent 能够“像经验丰富的研究员一样”使用科学软件，而无需你花费数天时间去啃 API 文档。

Claude Scientific Skills 代码库的发展势头迅猛。截至 2026 年 3 月下旬，该项目已获得16.4k star和1.8k fork，成为科学计算领域 star 数最多的 agent 技能代码库之一。

意义

每项技能都是scientific-skills/目录下的一个独立文件夹，用于教会你的 AI Agent 如何使用特定的工具或数据源。技能本身并非工具，而是一套经过优化的指令、文档和代码示例，当你要求 Agent 执行相关任务时，它会查阅这些内容。底层的 Python 包和 API 需单独安装；而技能的作用仅仅是确保你的 Agent 能够正确且高效地使用它们。

这 130 多项技能可划分为五大核心类别，分别涵盖科学计算栈的不同层面：

功能

Claude Scientific Skills 的真正威力在于，你可以在单条提示词中组合多项技能，从而构建出通常需要精通多种工具的专业知识才能完成的复杂多步科研工作流。以下仅列举其涵盖的若干领域：

🧬 生物信息学与基因组学— 序列分析、单细胞 RNA 测序（Scanpy、scvi-tools、AnnData）、基因调控网络（Arboreto）、变异注释（Ensembl、ClinVar）、系统发生学以及表观基因组学（deepTools）。

🧪 化学信息学与药物研发— 分子属性预测（RDKit、DeepChem）、虚拟筛选（ZINC、DiffDock）、ADMET 分析、分子对接、先导化合物优化以及逆合成规划（TorchDrug）。

🏥 临床研究与精准医疗— 临床试验分析（ClinicalTrials.gov）、药物基因组学（ClinPGx）、癌症突变数据库（COSMIC、cBioPortal）、临床决策支持以及治疗方案制定。

🤖 机器学习与 AI— 深度学习（PyTorch Lightning、Transformers）、强化学习（Stable Baselines3、PufferLib）、贝叶斯建模、量子计算（PennyLane、Qiskit、Cirq）以及模型可解释性（SHAP）。

📊 数据分析与可视化— 统计建模（statsmodels、scikit-learn）、出版级图表（Matplotlib、Seaborn、Plotly）、网络分析、大规模数据处理（Dask、Polars、Vaex）以及地理空间分析。

📚 科学交流— 文献综述、同行评审、科技论文写作、海报设计（LaTeX、PPTX）、示意图、信息图、文献管理以及文档处理（PDF、DOCX、XLSX）。

运作机制

从根本上讲，Claude Scientific Skills 遵循三层架构。你的AI Agent位于最上层，接收你的自然语言提示词。它会从本地技能目录中发现并加载相关的技能（Skills）。随后，每项技能会调用外部工具——即 Python 包、REST API、云平台等——来执行实际的科研工作。你无需亲自编写集成代码；技能自带的文档和示例会引导 Agent 完成每一个步骤。

unsetunset技能核心unsetunset

每个技能文件夹都遵循一致的内部结构。以下是一个展示典型技能解剖结构的代表性示例——以RDKit化学信息学工具包为例——并附带一个较简单的数据库技能作为对比：

scientific-skills/├── rdkit/ ← Package skill (rich content)│ ├── SKILL.md ← Core documentation & examples│ ├── references/ ← Deep-dive reference materials│ │ ├── api_reference.md│ │ ├── descriptors_reference.md│ │ └── smarts_patterns.md│ └── scripts/ ← Ready-to-run code examples│ ├── molecular_properties.py│ ├── similarity_search.py│ └── substructure_filter.py│├── pubmed-database/ ← Database skill (API-focused)│ ├── SKILL.md ← API docs, query syntax, examples│ └── references/│ ├── api_reference.md│ ├── common_queries.md│ └── search_syntax.md│└── scientific-writing/ ← Communication skill (templates) ├── SKILL.md ├── assets/ ← Templates & style files │ ├── REPORT_FORMATTING_GUIDE.md │ ├── scientific_report.sty │ └── scientific_report_template.tex └── references/ ├── citation_styles.md ├── imrad_structure.md └── writing_principles.md

每个SKILL.md文件均以包含元数据（名称、描述、许可证、作者）的YAML 前置元数据块开头，随后是结构化的章节：概述、附带代码示例的核心功能、常见工作流、最佳实践以及参考资料的指引。这种一致性意味着，一旦你了解了其中一项技能，便能轻松驾驭该集合中的任何其他技能。

K-Dense Web 平台

对于希望完全跳过环境配置的研究人员，K-Dense 提供了 **K-Dense Web** —— 一个基于上述开源技能构建的托管平台。它提供云端 GPU、零配置以及可直接用于发表的输出结果。你当前查看的开源仓库正是为其提供支持的技能集合；而 K-Dense Web 在此基础上增加了云端执行能力、更多技能（200 多项）以及集成的工作流管理功能。

本地部署

前置条件

在安装任何技能之前，请确保你的环境满足三个要求。下表涵盖了所需内容以及如何验证每个依赖项。

操作系统支持：完全支持 macOS、Linux 和 Windows（仅限 WSL2）。由于许多科学计算 Python 包存在 POSIX 路径假设，技能在未启用 WSL2 的原生 Windows 环境下无法正常运行。

安装 uv

uv包管理器可能是你唯一缺少的前置条件。它取代了pip，提供显著更快的依赖解析能力和可复现的虚拟环境——当科学计算包具有复杂的依赖树时，这一点至关重要。

curl -LsSf https://astral.sh/uv/install.sh | sh # Windows (PowerShell)powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex" # 通过 pip 安装的替代方案（适用于所有平台）pip install uv

安装完成后，使用uv --version进行确认。如果提示找不到该命令，请重启终端或将 uv 的二进制文件目录添加到你的PATH环境变量中。

分步安装指南

第一步：克隆仓库

git clone https://github.com/K-Dense-AI/claude-scientific-skills.gitcd claude-scientific-skills

这会将包含 技能的完整集合下载到scientific-skills/目录中。

第二步：选择安装策略

你有两种基本选择：全局安装（技能在你机器上的所有项目中可用）和项目级安装（技能仅作用于单个仓库）。推荐大多数用户使用全局安装——这意味着你在启动新的研究项目时，无需重新复制技能。

第三步：将技能复制到你的 Agent 技能目录

目标目录取决于你使用的 AI Agent。下表列出了每个受支持的 Agent 对应的全局和项目级技能路径。技能之间是跨兼容的：Cursor 可以读取.claude/skills/和.codex/skills/目录，反之亦然。

全局安装（所有技能）——适用于 Claude Code：

cp -r claude-scientific-skills/scientific-skills/* ~/.claude/skills/

全局安装（所有技能）——适用于 Cursor：

cp -r claude-scientific-skills/scientific-skills/* ~/.cursor/skills/

全局安装（所有技能）——适用于 Gemini CLI：

cp -r claude-scientific-skills/scientific-skills/* ~/.gemini/skills/

项目级安装——仅作用于单个项目：

mkdir -p .cursor/skillscp -r claude-scientific-skills/scientific-skills/* .cursor/skills/

只安装你需要的技能。本仓库中的安全免责声明明确警告不要一次性安装所有内容——社区贡献的技能可能没有经过像 K-Dense 原创技能那样严格的审查。建议从与你领域相关的 5 到 10 个技能开始，然后逐步扩展。例如，药物发现领域的研究人员最初可能只需安装rdkit、chembl-database、diffdock、medchem和alphafold-database。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】