Claude Scientific Skills

这是一个由 K-Dense 创建的170+ 开箱即用的科学与研究技能综合集合（现已涵盖癌症基因组学、药物-靶点结合、分子动力学、RNA 速度、地理空间科学、时间序列预测、FRED 经济数据等内容），适用于任何支持开放式 Agent Skills 标准的 AI 智能体，兼容 Cursor、Claude Code、Codex 等工具。将您的 AI 智能体转变为能够执行生物学、化学、医学等领域复杂多步骤科研工作流的研究助手。

这些技能使您的 AI 智能体能够无缝使用跨多个科学领域的专业科学库、数据库和工具。虽然智能体可以自行使用任何 Python 包或 API，但这些明确定义的技能提供了精心策划的文档和示例，使其在以下工作流中更加强大和可靠：

🧬 生物信息学与基因组学 — 序列分析、单细胞 RNA-seq、基因调控网络、变异注释、系统发育分析
🧪 化学信息学与药物发现 — 分子性质预测、虚拟筛选、ADMET 分析、分子对接、先导化合物优化
🔬 蛋白质组学与质谱 — LC-MS/MS 数据处理、肽段鉴定、谱图匹配、蛋白质定量
🏥 临床研究与精准医学 — 临床试验、药物基因组学、变异解读、药物安全、临床决策支持、治疗方案规划
🧠 医疗 AI 与临床机器学习 — EHR 分析、生理信号处理、医学影像、临床预测模型
🖼️ 医学影像与数字病理 — DICOM 处理、全切片图像分析、计算病理学、放射学工作流
🤖 机器学习与 AI — 深度学习、强化学习、时间序列分析、模型可解释性、贝叶斯方法
🔮 材料科学与化学 — 晶体结构分析、相图、代谢建模、计算化学
🌌 物理学与天文学 — 天文数据分析、坐标变换、宇宙学计算、符号数学、物理计算
⚙️ 工程与仿真 — 离散事件仿真、多目标优化、代谢工程、系统建模、流程优化
📊 数据分析与可视化 — 统计分析、网络分析、时间序列、出版级图表、大规模数据处理、EDA
🌍 地理空间科学与遥感 — 卫星影像处理、GIS 分析、空间统计、地形分析、地球观测机器学习
🧪 实验室自动化 — 液体处理协议、实验室设备控制、工作流自动化、LIMS 集成
📚 科学传播 — 文献综述、同行评审、科学写作、文档处理、海报、幻灯片、示意图、引文管理
🔬 多组学与系统生物学 — 多模态数据整合、通路分析、网络生物学、系统级洞察
🧬 蛋白质工程与设计 — 蛋白质语言模型、结构预测、序列设计、功能注释
🎓 研究方法论 — 假设生成、科学头脑风暴、批判性思维、基金撰写、学者评估

将您的 AI 编程助手转化为桌面上的「AI 科学家」！

⭐ 如果您觉得这个仓库有用，请考虑给它一个 Star！这有助于其他人发现这些工具，也激励我们继续维护和扩展这个集合。

🎬 Claude Scientific Skills 新手？ 观看我们的 Getting Started with Claude Scientific Skills 视频快速入门。

📦 内容概览

本仓库提供 170 个科学与研究技能，按以下类别组织：

250+ 科学与金融数据库 — 这些技能共同提供对 250 多个数据库和数据源的访问。专用技能涵盖 PubMed、ChEMBL、UniProt、COSMIC、ClinicalTrials.gov、SEC EDGAR、Alpha Vantage 等；多数据库包如 BioServices（约 40 个生物信息服务 + 30+ PSICQUIC 相互作用数据库）、BioPython（通过 Entrez 访问 38 个 NCBI 子数据库）和 gget（20+ 基因组数据库）覆盖其余部分
60+ 优化的 Python 包技能 — 为 RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioPython、pyzotero、BioServices、PennyLane、Qiskit、OpenMM、MDAnalysis、scVelo、TimesFM 等提供明确定义的技能，包含精选文档、示例和最佳实践。注意：智能体可以使用任何 Python 包编写代码，不仅限于这些；这些技能只是为列出的包提供更强、更可靠的性能
15+ 科学集成技能 — 为 Benchling、DNAnexus、LatchBio、OMERO、Protocols.io 等提供明确定义的技能。同样，智能体不限于这些 —— 任何可从 Python 访问的 API 或平台都可以使用；这些技能是优化过的、预先文档化的路径
35+ 分析与传播工具 — 文献综述、科学写作、同行评审、文档处理、海报、幻灯片、示意图、信息图、Mermaid 图表等
10+ 研究与临床工具 — 假设生成、基金撰写、临床决策支持、治疗方案、法规合规

每个技能包含：

✅ 完整文档（SKILL.md）
✅ 实用代码示例
✅ 用例和最佳实践
✅ 集成指南
✅ 参考资料

🚀 为什么使用这个？

⚡ 加速您的研究

节省数天工作量 — 跳过 API 文档研究和集成设置
生产级代码 — 经过测试、验证的示例，遵循科学最佳实践
多步骤工作流 — 用单个提示执行复杂流程

🎯 全面覆盖

170 个技能 — 覆盖所有主要科学领域
250+ 数据库 — 集体访问 250+ 数据库和数据源，涵盖基因组学、化学、临床、金融等领域 —— 通过专用数据库技能和 BioServices、BioPython、gget 等多数据库包
60+ 优化的 Python 包技能 — RDKit、Scanpy、PyTorch Lightning、scikit-learn、BioServices、PennyLane、Qiskit、OpenMM、scVelo、TimesFM 等（智能体可以使用任何 Python 包；这些是预先文档化的高性能路径）

🔧 轻松集成

简单设置 — 复制技能到技能目录即可开始工作
自动发现 — 您的智能体自动发现并使用相关技能
文档完善 — 每个技能包含示例、用例和最佳实践

🌟 持续维护与支持

定期更新 — 由 K-Dense 团队持续维护和扩展
社区驱动 — 开源项目，有活跃的社区贡献
企业就绪 — 为高级需求提供商业支持

🎯 快速开始 {getting-started}

Claude Scientific Skills 遵循开放式 Agent Skills 标准。只需将技能文件夹复制到您的技能目录，您的 AI 智能体就会自动发现并使用它们。

第一步：下载并解压该技能包

第二步：复制技能到您的技能目录

将 scientific-skills/ 中的各个技能文件夹复制到下面支持的技能目录之一。您可以全局安装技能（在所有项目中可用）或按项目安装（仅在特定项目中可用）。

全局安装（推荐 — 技能随处可用）：

工具	目录
Cursor	`~/.cursor/skills/`
Claude Code	`~/.claude/skills/`
Codex	`~/.codex/skills/`
Gemini CLI	`~/.gemini/skills/`

项目级安装（技能限定于单个项目）：

工具	目录
Cursor	`.cursor/skills/`（在项目根目录）
Claude Code	`.claude/skills/`（在项目根目录）
Codex	`.codex/skills/`（在项目根目录）
Gemini CLI	`.gemini/skills/`（在项目根目录）

注意： Cursor 也会读取 .claude/skills/、.codex/skills/ 和 .gemini/skills/ 目录，反之亦然，因此技能在工具间是交叉兼容的。

示例 — Cursor 全局安装：

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

示例 — Claude Code 全局安装：

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

示例 — Gemini CLI 全局安装：

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

示例 — 项目级安装：

mkdir -p .cursor/skills
cp -r /path/to/claude-scientific-skills/scientific-skills/* .cursor/skills/

就这么简单！ 您的 AI 智能体会自动发现这些技能，并在与您的科学任务相关时使用它们。您也可以通过在提示中提及技能名称来手动调用任何技能。

❤️ 支持开源社区 {#-support-the-open-source-community}

Claude Scientific Skills 的动力来自 50+ 个出色的开源项目，这些项目由全球各地专注的开发者和研究社区维护。Biopython、Scanpy、RDKit、scikit-learn、PyTorch Lightning 等项目构成了这些技能的基础。

如果您从这个仓库中获得价值，请考虑支持使其成为可能的项目：

⭐ 在 GitHub 上为他们 Star
💰 通过 GitHub Sponsors 或 NumFOCUS 赞助维护者
📝 在您的出版物中 引用项目
💻 贡献代码、文档或错误报告

👉 查看需要支持的项目完整列表

⚙️ 前置条件

Python：3.9+（推荐 3.12+ 以获得最佳兼容性）
uv：Python 包管理器（用于安装技能依赖）
客户端：任何支持 Agent Skills 标准的智能体（Cursor、Claude Code、Gemini CLI、Codex 等）
系统：macOS、Linux 或带 WSL2 的 Windows
依赖：由各个技能自动处理（查看 SKILL.md 文件了解具体要求）

安装 uv

这些技能使用 uv 作为包管理器来安装 Python 依赖。根据您的操作系统使用以下说明安装：

macOS 和 Linux：

curl -LsSf https://astral.sh/uv/install.sh | sh

Windows：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

替代方案（通过 pip）：

pip install uv

安装后，运行以下命令验证是否正常工作：

uv --version

了解更多安装选项和详情，请访问 uv 官方文档。

💡 快速示例

安装技能后，您可以要求 AI 智能体执行复杂的多步骤科学工作流。以下是一些示例提示：

🧪 药物发现流程

目标：发现用于肺癌治疗的新型 EGFR 抑制剂

提示：

Use available skills you have access to whenever possible. Query ChEMBL for EGFR inhibitors (IC50 < 50nM), analyze structure-activity relationships
with RDKit, generate improved analogs with datamol, perform virtual screening with DiffDock
against AlphaFold EGFR structure, search PubMed for resistance mechanisms, check COSMIC for
mutations, and create visualizations and a comprehensive report.

使用技能：ChEMBL, RDKit, datamol, DiffDock, AlphaFold DB, PubMed, COSMIC, scientific visualization

需要云端 GPU 和最终输出出版级报告？在 K-Dense Web 上免费运行。

🔬 单细胞 RNA-seq 分析

目标：10X Genomics 数据综合分析与公共数据整合

提示：

Use available skills you have access to whenever possible. Load 10X dataset with Scanpy, perform QC and doublet removal, integrate with Cellxgene
Census data, identify cell types using NCBI Gene markers, run differential expression with
PyDESeq2, infer gene regulatory networks with Arboreto, enrich pathways via Reactome/KEGG,
and identify therapeutic targets with Open Targets.

使用技能：Scanpy, Cellxgene Census, NCBI Gene, PyDESeq2, Arboreto, Reactome, KEGG, Open Targets

想要零配置云端执行和可共享输出？免费试用 K-Dense Web。

🧬 多组学生物标志物发现

目标：整合 RNA-seq、蛋白质组学和代谢组学来预测患者预后

提示：

Use available skills you have access to whenever possible. Analyze RNA-seq with PyDESeq2, process mass spec with pyOpenMS, integrate metabolites from
HMDB/Metabolomics Workbench, map proteins to pathways (UniProt/KEGG), find interactions via
STRING, correlate omics layers with statsmodels, build predictive model with scikit-learn,
and search ClinicalTrials.gov for relevant trials.

使用技能：PyDESeq2, pyOpenMS, HMDB, Metabolomics Workbench, UniProt, KEGG, STRING, statsmodels, scikit-learn, ClinicalTrials.gov

这个流程计算量大。在 K-Dense Web 上用云端 GPU 运行，免费开始。

🎯 虚拟筛选活动

目标：发现蛋白质-蛋白质相互作用的变构调节剂

提示：

Use available skills you have access to whenever possible. Retrieve AlphaFold structures, identify interaction interface with BioPython, search ZINC
for allosteric candidates (MW 300-500, logP 2-4), filter with RDKit, dock with DiffDock,
rank with DeepChem, check PubChem suppliers, search USPTO patents, and optimize leads with
MedChem/molfeat.

使用技能：AlphaFold DB, BioPython, ZINC, RDKit, DiffDock, DeepChem, PubChem, USPTO, MedChem, molfeat

跳过本地 GPU 瓶颈。在 K-Dense Web 上免费运行虚拟筛选。

🏥 临床变异解读

目标：分析 VCF 文件进行遗传性癌症风险评估

提示：

Use available skills you have access to whenever possible. Parse VCF with pysam, annotate variants with Ensembl VEP, query ClinVar for pathogenicity,
check COSMIC for cancer mutations, retrieve gene info from NCBI Gene, analyze protein impact
with UniProt, search PubMed for case reports, check ClinPGx for pharmacogenomics, generate
clinical report with document processing tools, and find matching trials on ClinicalTrials.gov.

使用技能：pysam, Ensembl, ClinVar, COSMIC, NCBI Gene, UniProt, PubMed, ClinPGx, Document Skills, ClinicalTrials.gov

需要最终输出精美的临床报告，而不只是代码？K-Dense Web 提供出版级输出。免费试用。

🌐 系统生物学网络分析

目标：从 RNA-seq 数据分析基因调控网络

提示：

Use available skills you have access to whenever possible. Query NCBI Gene for annotations, retrieve sequences from UniProt, identify interactions via
STRING, map to Reactome/KEGG pathways, analyze topology with Torch Geometric, reconstruct
GRNs with Arboreto, assess druggability with Open Targets, model with PyMC, visualize
networks, and search GEO for similar patterns.

使用技能：NCBI Gene, UniProt, STRING, Reactome, KEGG, Torch Geometric, Arboreto, Open Targets, PyMC, GEO

想要端到端流程、可共享输出且零配置？免费试用 K-Dense Web。

📖 想要更多示例？ 查看 docs/examples.md 获取跨所有科学领域的综合工作流示例和详细用例。

🚀 想跳过配置直接开始做科研？

您是否遇到过这些情况？

您花在配置环境上的时间比运行分析还多
您的工作流需要本地机器没有的 GPU
您需要可共享的出版级图表或报告，而不只是脚本
您想现在就运行复杂的多步骤流程，而不需要先阅读包文档

如果是，K-Dense Web 就是为您打造的。它是完整的 AI 科学家平台：包含此仓库中的所有内容，加上云端 GPU、200+ 技能，以及可直接放入论文或演示文稿的输出。零配置。

功能	本仓库	K-Dense Web
科学技能	170 个技能	200+ 技能（独家访问）
设置	手动安装	零配置，即时可用
计算	您的机器	包含云端 GPU 和 HPC
工作流	提示和代码	端到端研究流程
输出	代码和分析	出版级图表、报告和论文
集成	本地工具	实验室系统、ELN 和云存储

"K-Dense Web 让我在一个下午就从原始测序数据得到了图表草稿。以前需要三天环境配置和脚本编写的工作，现在直接就能完成。" 计算生物学家，药物发现领域

💰 50 美元免费额度，无需信用卡

几分钟内开始运行真正的科学工作流。

免费试用 K-Dense Web

k-dense.ai | 阅读完整对比

🔬 使用场景

🧪 药物发现与药物化学

虚拟筛选：从 PubChem/ZINC 筛选数百万化合物针对蛋白质靶点
先导化合物优化：用 RDKit 分析构效关系，用 datamol 生成类似物
ADMET 预测：用 DeepChem 预测吸收、分布、代谢、排泄和毒性
分子对接：用 DiffDock 预测结合姿态和亲和力
生物活性挖掘：查询 ChEMBL 获取已知抑制剂并分析 SAR 模式

🧬 生物信息学与基因组学

序列分析：用 BioPython 和 pysam 处理 DNA/RNA/蛋白质序列
单细胞分析：用 Scanpy 分析 10X Genomics 数据，鉴定细胞类型，用 Arboreto 推断 GRN
变异注释：用 Ensembl VEP 注释 VCF 文件，查询 ClinVar 获取致病性信息
变异数据库管理：用 TileDB-VCF 构建可扩展的 VCF 数据库，支持增量样本添加、高效的人群规模查询和基因组变异数据压缩存储
基因发现：查询 NCBI Gene、UniProt 和 Ensembl 获取全面基因信息
网络分析：通过 STRING 识别蛋白质-蛋白质相互作用，映射到通路（KEGG、Reactome）

🏥 临床研究与精准医学

临床试验：在 ClinicalTrials.gov 搜索相关研究，分析入排标准
变异解读：用 ClinVar、COSMIC 和 ClinPGx 注释变异以进行药物基因组学分析
药物安全：查询 FDA 数据库获取不良事件、药物相互作用和召回信息
精准治疗：将患者变异匹配到靶向治疗和临床试验

🔬 多组学与系统生物学

多组学整合：结合 RNA-seq、蛋白质组学和代谢组学数据
通路分析：在 KEGG/Reactome 通路中富集差异表达基因
网络生物学：重建基因调控网络，识别枢纽基因
生物标志物发现：整合多组学层次预测患者预后

📊 数据分析与可视化

统计分析：执行假设检验、功效分析和实验设计
出版图表：用 matplotlib 和 seaborn 创建出版级可视化
网络可视化：用 NetworkX 可视化生物网络
报告生成：用 Document Skills 生成综合 PDF 报告

🧪 实验室自动化

协议设计：创建 Opentrons 自动化液体处理协议
LIMS 集成：与 Benchling 和 LabArchives 集成进行数据管理
工作流自动化：自动化多步骤实验室工作流

📚 可用技能

本仓库包含 170 个科学与研究技能，跨多个领域组织。每个技能提供全面的文档、代码示例和使用科学库、数据库和工具的最佳实践。

技能类别

注意： 下面列出的 Python 包和集成技能是明确定义的技能 —— 精心策划了文档、示例和最佳实践，以获得更强、更可靠的性能。它们不是上限：智能体可以安装和使用任何 Python 包或调用任何 API，即使没有专用技能。列出的技能只是使常见工作流更快、更可靠。

🧬 生物信息学与基因组学（20+ 技能）

序列分析：BioPython, pysam, scikit-bio, BioServices
单细胞分析：Scanpy, AnnData, scvi-tools, scVelo (RNA velocity), Arboreto, Cellxgene Census
基因组工具：gget, geniml, gtars, deepTools, FlowIO, Zarr, TileDB-VCF
系统发育学：ETE Toolkit, Phylogenetics (MAFFT, IQ-TREE 2, FastTree)

🧪 化学信息学与药物发现（13+ 技能）

分子操作：RDKit, Datamol, Molfeat
深度学习：DeepChem, TorchDrug
对接与筛选：DiffDock
分子动力学：OpenMM + MDAnalysis（MD 模拟与轨迹分析）
云端量子化学：Rowan（pKa、对接、共折叠）
药物相似性：MedChem
结合亲和力：BindingDB（药物-靶点对的 Ki、Kd、IC50、EC50）
基准测试：PyTDC

🔬 蛋白质组学与质谱（2 个技能）

谱图处理：matchms, pyOpenMS

🏥 临床研究与精准医学（16+ 技能）

临床数据库：ClinicalTrials.gov, ClinVar, ClinPGx, COSMIC, FDA Databases
癌症基因组学：cBioPortal（体细胞突变、CNA、表达、生存分析，覆盖 400+ 研究），DepMap（癌症依赖评分、药物敏感性）
疾病-基因关联：Monarch Initiative（OMIM, ORPHANET, HPO, ClinVar, 模式生物数据）
癌症影像：NCI Imaging Data Commons（通过 idc-index 访问放射学和病理学数据集）
医疗 AI：PyHealth, NeuroKit2, Clinical Decision Support
临床文档：Clinical Reports, Treatment Plans
变异分析：Ensembl, NCBI Gene

🖼️ 医学影像与数字病理（3 个技能）

DICOM 处理：pydicom
全切片成像：histolab, PathML

🧠 神经科学与电生理学（1 个技能）

神经记录：Neuropixels-Analysis（细胞外 spike、硅探针、spike sorting）

🤖 机器学习与 AI（16+ 技能）

深度学习：PyTorch Lightning, Transformers, Stable Baselines3, PufferLib
经典机器学习：scikit-learn, scikit-survival, SHAP
时间序列：aeon, TimesFM（Google 的零样本基础模型，用于单变量预测）
贝叶斯方法：PyMC
优化：PyMOO
图机器学习：Torch Geometric
降维：UMAP-learn
统计建模：statsmodels

🔮 材料科学、化学与物理（7 个技能）

材料：Pymatgen
代谢建模：COBRApy
天文学：Astropy
量子计算：Cirq, PennyLane, Qiskit, QuTiP

⚙️ 工程与仿真（4 个技能）

数值计算：MATLAB/Octave
计算流体力学：FluidSim
离散事件仿真：SimPy
数据处理：Dask, Polars, Vaex

📊 数据分析与可视化（17+ 技能）

可视化：Matplotlib, Seaborn, Plotly, Scientific Visualization
地理空间分析：GeoPandas, GeoMaster（遥感、GIS、卫星影像、空间 ML、500+ 示例）
网络分析：NetworkX
符号数学：SymPy
文档处理：Document Skills（PDF, DOCX, PPTX, XLSX）
信息图：Infographics（AI 驱动的专业信息图创建）
图表：Markdown & Mermaid Writing（基于文本的图表作为默认文档标准）
数据访问：Data Commons
探索性数据分析：EDA 工作流
统计分析：Statistical Analysis 工作流

🧪 实验室自动化（4 个技能）

液体处理：PyLabRobot
云实验室：Ginkgo Cloud Lab（无细胞蛋白表达、通过自主 RAC 基础设施的荧光像素艺术）
协议管理：Protocols.io
LIMS 集成：Benchling, LabArchives

🔬 多组学与系统生物学（5+ 技能）

通路分析：KEGG, Reactome, STRING
多组学：Denario, HypoGeniC
数据管理：LaminDB

🧬 蛋白质工程与设计（3 个技能）

蛋白质语言模型：ESM
糖基化工程：Glycoengineering（N/O-糖基化预测、治疗性抗体优化）
云实验室平台：Adaptyv（自动化蛋白质测试和验证）

📚 科学传播（24+ 技能）

文献：OpenAlex, PubMed, bioRxiv, Literature Review
高级论文搜索：BGPT Paper Search（每篇论文 25+ 结构化字段 —— 方法、结果、样本量、质量评分 —— 来自全文而非摘要）
网络搜索：Perplexity Search（AI 驱动的实时信息搜索），Parallel Web（带引用的综合摘要）
研究笔记：Open Notebook（自托管 NotebookLM 替代方案 —— PDF、视频、音频、网页；16+ AI 提供商；多说话者播客生成）
写作：Scientific Writing, Peer Review
文档处理：XLSX, MarkItDown, Document Skills
出版：Paper-2-Web, Venue Templates
演示：Scientific Slides, LaTeX Posters, PPTX Posters
图表：Scientific Schematics, Markdown & Mermaid Writing
信息图：Infographics（10 种类型、8 种风格、色盲安全调色板）
引用：Citation Management
插图：Generate Image（使用 FLUX.2 Pro 和 Gemini 3 Pro (Nano Banana Pro) 的 AI 图像生成）

🔬 科学数据库（37+ 专用技能 → 共 250+ 数据库）

这 37+ 技能各自提供对命名数据库的直接、优化访问。然而，这些技能共同解锁了 250+ 数据库和数据源 —— 多数据库包如 BioServices（约 40 个生物信息服务 + 30+ PSICQUIC 相互作用数据库）、BioPython（通过 Entrez 访问 38 个 NCBI 子数据库）和 gget（20+ 基因组数据库）提供了远超这里列出的覆盖范围。

蛋白质：UniProt, PDB, AlphaFold DB, InterPro（蛋白家族、结构域、Pfam、PANTHER、SMART + 其他 11 个）
化学：PubChem, ChEMBL, DrugBank, ZINC, HMDB, BindingDB（药物-靶点结合亲和力）
基因组：Ensembl, NCBI Gene, GEO, ENA, GWAS Catalog, gnomAD（人群等位基因频率、pLI/LOEUF），GTEx（组织特异性表达、eQTL），JASPAR（转录因子结合位点图谱）
文献：bioRxiv（预印本）
临床：ClinVar, COSMIC, ClinicalTrials.gov, ClinPGx, FDA Databases, cBioPortal（癌症基因组学），DepMap（癌细胞系依赖性），Monarch Initiative（罕见病、HPO、跨物种）
影像：NCI Imaging Data Commons（放射学和病理学数据集）
通路：KEGG, Reactome, STRING
靶点：Open Targets
代谢组学：Metabolomics Workbench
酶：BRENDA
专利：USPTO

🔧 基础设施与平台（6+ 技能）

云计算：Modal
基因组学平台：DNAnexus, LatchBio
显微镜：OMERO
自动化：Opentrons
资源检测：Get Available Resources

🎓 研究方法论与规划（11+ 技能）

创意生成：Scientific Brainstorming, Hypothesis Generation
批判性分析：Scientific Critical Thinking, Scholar Evaluation
情景分析：What-If Oracle（多分支可能性探索、风险分析、战略选项）
多视角审议：Consciousness Council（多元专家观点、魔鬼代言人分析）
认知画像：DHDNA Profiler（从任何文本提取思维模式和认知特征）
资金：Research Grants
发现：Research Lookup
市场分析：Market Research Reports

⚖️ 法规与标准（1 个技能）

医疗器械标准：ISO 13485 Certification

💹 金融与 SEC 研究（5 个技能）

SEC 文件与金融数据：edgartools（10-K, 10-Q, 8-K, 13F, Form 4, XBRL, 内幕交易, 机构持股）
美国联邦财政数据：usfiscaldata（国债、日/月度财政报表、国债拍卖、利率、汇率、储蓄债券）
宏观经济数据：FRED（来自 100+ 来源的 800,000+ 经济时间序列 —— GDP、失业率、通胀、住房、区域数据，通过 Federal Reserve Economic Data API）
对冲基金系统性风险：hedgefundmonitor（OFR Hedge Fund Monitor API — Form PF 汇总统计、CFTC 期货持仓、FICC 赞助回购、SCOOS 交易商融资）
全球市场数据：alpha-vantage（实时和历史股票、期权、外汇、加密货币、大宗商品、经济指标、50+ 技术指标，通过 Alpha Vantage API）

📖 获取所有技能的完整详情，请参阅 docs/scientific-skills.md

💡 寻找实用示例？ 查看 docs/examples.md 获取跨所有科学领域的综合工作流示例。

常见问题

故障排除

问题：技能未加载

验证技能文件夹位于正确的目录（参见快速开始）
每个技能文件夹必须包含 SKILL.md 文件
复制技能后重启您的智能体/IDE
在 Cursor 中，检查 Settings → Rules 确认技能已被发现

问题：缺少 Python 依赖

解决方案：查看特定 SKILL.md 文件了解所需包
安装依赖：uv pip install package-name

问题：API 速率限制

解决方案：许多数据库有速率限制。查看特定数据库文档
考虑实施缓存或批量请求

问题：认证错误

解决方案：某些服务需要 API 密钥。查看 SKILL.md 了解认证设置
验证您的凭据和权限

问题：示例过时

解决方案：通过 GitHub Issues 报告问题
查看官方包文档获取更新的语法

安装与设置

问：我需要安装所有 Python 包吗？ 答：不需要！只安装您需要的包。每个技能在其 SKILL.md 文件中指定其要求。

问：如果技能不工作怎么办？ 答：首先查看故障排除部分。如果问题持续，在 GitHub 上提交包含详细复现步骤的 issue。

问：技能可以离线工作吗？ 答：数据库技能需要互联网访问来查询 API。包技能在安装 Python 依赖后可以离线工作。

📖 引用

如果您在研究或项目中使用 Claude Scientific Skills，请按以下方式引用：

BibTeX

@software{claude_scientific_skills_2026,
  author = {{K-Dense Inc.}},
  title = {Claude Scientific Skills: A Comprehensive Collection of Scientific Tools for Claude AI},
  year = {2026},
  url = {https://github.com/K-Dense-AI/claude-scientific-skills},
  note = {skills covering databases, packages, integrations, and analysis tools}
}

APA

K-Dense Inc. (2026). Claude Scientific Skills: A comprehensive collection of scientific tools for Claude AI [Computer software]. https://github.com/K-Dense-AI/claude-scientific-skills

MLA

K-Dense Inc. Claude Scientific Skills: A Comprehensive Collection of Scientific Tools for Claude AI. 2026, github.com/K-Dense-AI/claude-scientific-skills.

纯文本

Claude Scientific Skills by K-Dense Inc. (2026)
Available at: https://github.com/K-Dense-AI/claude-scientific-skills

我们感谢在受益于这些技能的出版物、演示或项目中的致谢！

📄 许可证

本项目采用 MIT 许可证授权。

要点：

✅ 免费用于任何用途（商业和非商业）
✅ 开源 — 自由修改、分发和使用
✅ 宽松 — 对重用的限制最少
⚠️ 无担保 — 按「原样」提供，不提供任何形式的担保

完整条款请参阅 LICENSE.md。

单个技能许可证

⚠️ 重要：每个技能在其 SKILL.md 文件的 license 元数据字段中有自己的许可证。这些许可证可能与仓库的 MIT 许可证不同，可能包含额外条款或限制。用户有责任查看并遵守所使用的每个技能的许可证条款。