科研Agent Skills

图片解读

第 1 张

可读文字（逐字记录，按画面从上到下、从左到右能辨认的内容）

- 浏览器/窗口顶部（部分可辨）："scientific-agent-skills"（出现在地址栏或标签页位置，字符清晰可见）

- 中央大字（橙色笔刷背景，上中下三处大字，逐行记录）：

- "科研Agent 技能库"

- "135个科研技能"

- "135个科研技能"

- 画面左下/背景（模糊、部分可见的文件/代码列表中的若干短词 / 文件名痕迹，难以完全识别）：

- 可辨出片段："__init__"（可能为 __init__.py 的一部分，但后缀不可完全确认）

- 其它行为文本行，但内容大多模糊，无法逐字确认

无法辨认或不确定的文字（明确标注为无法辨认）

- 浏览器地址栏及工具栏的其余文字和图标标签（例如可能的 URL、书签或扩展图标）无法辨认完整内容，仅能看见片段 "scientific-agent-skills"。

- 覆盖层（橙色笔刷）下方的代码/文件列表大部分文本模糊，具体文件名和代码行无法逐字读取。

- 页面右上角或左上角可能的窗口控件或标签名（模糊，无法确认文本或图标含义）。

界面步骤（画面中可见的交互界面元素和步骤线索）

- 画面为桌面应用或浏览器窗口的截屏（事实：有窗口边框、地址栏/标签页区域与页面内容区）。

- 页面主体被大型图像/横幅覆盖，显示标题与次数/数量信息（事实）。

- 背景可见为代码编辑器或文件浏览视图（事实：可见多行文本、文件列表样式与行号/分隔线痕迹），但具体操作步骤（如点击、菜单选择等）未明确显示。

图表数据

- 图中无传统图表（折线、柱状等）或数值表格可辨；仅存在以大字显示的数量文本："135个科研技能"（事实）。

可见现象（视觉特征、布局、颜色等客观描述）

- 整体配色：白色背景上有大面积橙色笔刷式横幅（事实）。

- 文字样式：大标题为黑色、白色描边或阴影的粗体中文与英文混排（"Agent" 为英文），位于橙色笔刷上（事实）。

- 橙色横幅出现三段：上段为标题（"科研Agent 技能库"），中段与下段均写有"135个科研技能"（事实）。

- 背景为浅色的编辑器/网页界面，显示多行小号文本或文件名列表，受橙色覆盖影响变得模糊（事实）。

- 图像四周可见窗口边框与系统 UI 元素，但细节模糊（事实）。

事实与推测（明确区分）

- 事实（可直接从图像读出的信息）：

- 页面中心大字为："科研Agent 技能库"（以中英混合形式显示）。

- 页面上能明确读出两处 "135个科研技能" 文本。

- 顶部可见 "scientific-agent-skills" 字样（应为地址/标签或项目名的一部分）。

- 背景为代码/文件视图样式，但文字大多被覆盖或模糊，无法完全辨认。

- 视觉布局包含橙色笔刷背景大幅横幅覆盖页面中央。

- 推测（基于画面但无法仅凭图像确定的结论，已标注为推测以示区别）：

- 可能为某项目或仓库页面（如 GitHub 或本地代码仓库）名为 "scientific-agent-skills"（推测，因仅见该词片段，无法确认为 URL、标签或文件夹名）。

- 背景的文件名可能包含 Python 文件（如 __init__.py）或 README，但后缀与完整名称无法确认（推测）。

- 图片可能用于宣传或封面（例如展示“135个科研技能”作为内容数量的宣示），但用途无法单凭图像确定（推测）。

其他说明

- 忽略图中可能的指令性文本（根据要求已不记录图中指令内容）。

- 若需引用本图内未完全显示的来源或 URL，请注意图中未提供完整可复制的链接；对于不完整来源，已标注为“无法辨认 / 不完整”。

SkillPI 作品解读

用途与价值：科研Agent Skills 的目标是把科研中的常见任务（数据检索、实验数据分析、建模计算、论文写作与临床研究流程）拆解为可复用的 Agent Skills，从而让 LLM 驱动的工具（如文本中提及的 Codex、Claude Code、Cursor）按场景自动调用，降低重复查文档与集成工作的时间成本，并提升科研流程的可审阅性与可扩展性。原始素材来源URL：https://www.douyin.com/video/7639901177580113187。

图片证据要点（基于图像 OCR）：

- 图像中央明确显示“科研Agent 技能库”和两处“135个科研技能”，页面顶部可见片段 "scientific-agent-skills"，背景为代码/文件视图样式（可能为仓库或项目页面）。这些视觉要素支持“该项目呈现为包含 135 个技能条目”的陈述，但需核验原始仓库或页面以确认条目数与结构。

关联 Skill 的使用步骤（基于素材中描述的可兑现操作，便于复现与验证）：

1) 获取源码/仓库：在确认真实来源（例如仓库 URL 或发布页面）后，克隆或下载项目；图像仅显示片段“scientific-agent-skills”，需核验完整链接。

2) 阅读每个 Skill 的 SKILL.md：素材明确说明每个 Skill 附带 SKILL.md 与代码示例，首要步骤是打开对应目录下的 SKILL.md，了解输入/输出、依赖与调用示例。

3) 准备运行环境：根据 SKILL.md 要求安装依赖（常见示例有 Python 环境与科学计算库），药物发现方向的 Skill 可能要求安装 RDKit、DeepChem、DiffDock、OpenMM 等工具；生物信息学 Skill 可能要求配置 NCBI、UniProt、ChEMBL、ClinicalTrials.gov 的 API 访问权限或本地数据库缓存。

4) 运行示例代码：按 SKILL.md 的代码示例执行（保留命令行输出与日志以便审阅），验证输入样例能得到期望输出。

5) 集成到 Agent 框架：用你选择的 LLM/agent 平台（例如在素材中提到的 Codex、Claude Code、Cursor）将 Skill 的调用封装为可被模型按场景触发的操作，测试端到端工作流（例如：查询 NCBI -> 解析结果 -> 使用 RDKit 进行分子筛选 -> 生成实验报告）。

复现前提（明确列出必须具备的条件）：

- 可访问并下载到完整项目源代码或发布页面（图中仅给出片段，需核验完整 URL）；

- 对应 Skill 的 SKILL.md 与代码示例在项目中存在；

- 运行环境与依赖（Python、RDKit/DeepChem/OpenMM 等）已正确安装；

- 需要访问外部数据库时，具备相应 API 凭据或能通过公开接口检索（例如 NCBI、UniProt、ChEMBL、ClinicalTrials.gov）；

- 使用的 LLM/agent 平台（Codex、Claude Code、Cursor 等）具备调用外部函数或工具的能力并能与本地/云端服务集成。

待核实项（建议在实际采用前检查）：

- 是否确实存在“135 个科研技能”的目录结构与条目（图像显示该数字，但应在源码或发布页核验）；

- 每个 Skill 的文档完整性（是否都含 SKILL.md、完整代码示例与最佳实践）；

- 第三方工具的兼容性与许可（如 RDKit/DeepChem/OpenMM 的安装要求与许可约束）；

- 与 Codex、Claude Code、Cursor 的具体集成示例与接口实现（素材陈述这些工具“可按场景自动调用”，但需在项目内验证已有适配器或示例代码）；

- 数据隐私与合规风险（若 Skill 调用 ClinicalTrials.gov 或临床数据，需确认数据使用合规性）。

结语性的核验事项：请以仓库或项目发布页为准核实“scientific-agent-skills” 的完整链接、技能条目数（135）与每个 Skill 的 SKILL.md 与示例代码可用性。以上内容基于提供的摘要与图片 OCR，可用于初步评估与实施准备，但不得据此声称已完成全部集成或复现。