본문으로 건너뛰기
에이전트 Skills 전체 목록

Scientific Agent Skills

  • 추천0
  • GitHub 별57K
  • 기타라이선스MIT

과학 · 연구용 에이전트 스킬 177개 모음. 생물정보 · 화학 · 임상 · 머신러닝 · 데이터 분석과 데이터베이스 100여 개를 다뤄요. MIT

원본:K-Dense-AI/claude-scientific-skills

요약

과학 · 연구용 에이전트 스킬 177개 모음. 생물정보 · 화학 · 임상 · 머신러닝 · 데이터 분석과 데이터베이스 100여 개를 다뤄요. MIT

설명

Scientific Agent Skills

라이선스: MIT arXiv 버전 스킬 177개 데이터베이스 100여 개 Agent Skills 표준 Agent Plugins 표준 보안 스캔 스킬 테스트 호환 클라이언트 X LinkedIn YouTube Reddit

🔔 Claude Scientific Skills는 이제 Scientific Agent Skills입니다. 스킬은 같고 호환성만 넓어졌습니다. 이제 Claude뿐만 아니라 열린 Agent Skills 표준을 지원하는 모든 AI 에이전트에서 동작합니다.

새로 나왔습니다: K-Dense BYOK — Scientific Agent Skills로 구동되고 내 데스크톱에서 돌아가는 무료 오픈 소스 AI 공동 과학자입니다. 자신의 API 키를 가져와 40여 개 모델에서 고르고, 웹 검색 · 파일 처리 · 과학 데이터베이스 100여 개 · 이 저장소의 스킬 177개에 접근하는 완전한 연구 작업 공간을 얻습니다. 데이터는 내 컴퓨터에 머물고, 무거운 작업은 Modal로 클라우드에서 돌릴 수도 있습니다. 시작하기

🎥 웨비나 녹화 — K-Dense BYOK 시작하기 내 컴퓨터에서 로컬로 돌아가고 Scientific Agent Skills로 구동되는 무료 오픈 소스 AI 공동 과학자 K-Dense BYOK를 직접 해 보는 안내입니다. 설치, 내 API 키 쓰기, 실제 연구 워크플로 돌리기를 다룹니다. 사전 기술 지식이 필요 없습니다. 녹화 보기 →

최신 소식 받기: X, LinkedIn, YouTube, Reddit에서 K-Dense를 팔로우하면 새 스킬, 릴리스 소식, 따라 하기, 연구 워크플로 데모, 자신의 AI 에이전트로 쓸 수 있는 예시를 볼 수 있습니다.

📄 논문: Scientific Agent Skills는 Scientific Agent Skills: A Library of Procedural Knowledge for Research Agents(arXiv:2609.00065)에 설명되어 있습니다. 연구에 이 스킬을 쓴다면 논문을 인용해 주세요.

K-Dense가 만든 과학 · 연구 스킬 177개 모음입니다. 생물학, 화학, 의학, 물리학, 공학, 지구과학, 데이터 분석, 과학 커뮤니케이션을 다룹니다. 각 스킬은 특정 패키지, 데이터 원천, 워크플로를 위한 안내를 제공하며, 그것을 쓰는 데 필요한 과학적 관례와 검증 점검도 담고 있습니다.

이 모음은 열린 Agent Skills 표준을 따르며 Cursor, Claude Code, Codex, Google Antigravity 등 호환되는 호스트에서 동작합니다. 또 옮겨 쓸 수 있는 Agent Plugins 패키지(plugin.json + skills/)이기도 해서, 그 표준을 지원하는 클라이언트는 모음 전체를 플러그인 하나로 불러올 수 있습니다. 작업에 맞는 스킬은 그림으로 보는 스킬 가이드, 스킬 범주, 전체 목록에서 고르세요.

⭐ AI for science를 더 쉽게 찾을 수 있도록 도와주세요: Scientific Agent Skills가 시간을 아꼈주거나 에이전트에게 워크플로를 가르쳐 주거나 연구실의 속도를 높여 준다면 이 저장소에 별을 눌러 주세요.


이 스킬들은 AI 에이전트가 여러 과학 분야의 전문 라이브러리, 데이터베이스, 도구를 매끄럽게 다루게 합니다. 에이전트는 스스로도 어떤 Python 패키지나 API든 쓸 수 있지만, 명시적으로 정의된 이 스킬이 선별된 문서와 예제를 제공해 다음 워크플로에서 훨씬 강하고 신뢰할 수 있게 해 줍니다.

  • 🧬 생물정보학 & 유전체학 - 서열 분석, 단일 세포 RNA-seq, 풀드 CRISPR 스크리닝, 프라이머 설계, 앤플리콘 마이크로바이오무, 변이 주석, 계통학
  • 🧪 케미인포매틱스 & 신약 개발 - 분자 특성 예측, 가상 스크리닝, ADMET 분석, 분자 도킹, 리드 최적화, 보정된 1D NMR 처리
  • 🔬 단백질체학 & 질량 분석 - LC-MS/MS 처리, 펜타이드 식별, 스펙트럼 매칭, 단백질 정량
  • 🏥 임상 연구 & 근거 워크플로 - 임상시험, 약물유전체학, 변이 근거 검토, 약동학/약력학 모델링과 용량 일정 평가, 집합 의사결정 지원 평가, 출처에 묶인 보고서 초안 구조, 임상의가 쓴 치료 결정의 서식화
  • 🧠 헬스케어 AI & 생체 신호 연구 - EHR과 모델 연구, 생리 신호 분석, 후향적 검증(환자별 진단 · 치료 · 경보 · 배포 결정은 아닙니다)
  • 🐭 전임상 연구 & 동물 복지 - 실험동물 연구의 다변량 중증도 점수와 인도적 종료점 예측(3R 세련화 분석과 EU 지침 2010/63/EU 보고용, 중증도 평가를 돕는 도구일 뿐 결정 규칙은 아닙니다)
  • 🖼️ 현미경, 의료 영상 & 디지털 병리 - 정량 형광 현미경, 개인정보를 의식한 DICOM 처리, 연구 전용 전체 슬라이드 이미지 분석, 계산 병리학, 방사선학 데이터 워크플로
  • 🧠 신경과학 & 전기생리학 - BIDS 데이터셋, NWB 변환과 시계 정렬, 세포 외 기록, 생리 신호
  • 🤖 머신러닝 & AI - 딥러닝, 강화학습, 시계열 분석, 모델 해석성, 베이지안 기법
  • 🔮 재료과학 & 화학 - 결정 구조 분석, CALPHAD 상평형, 대사 모델링, 계산 화학
  • 🌌 물리학 & 천문학 - 천문 데이터 분석, 좌표 변환, 우주론 계산, 기호 수학, 물리 계산
  • ⚙️ 공학 & 시뮬레이션 - 배터리 사이클 모델, 화학 반응 속도와 점화 지연, 유체역학, 실험 장비 CAD와 맞춤 부품 제작, 이산 사건 시뮬레이션, 공정 최적화
  • 📊 데이터 분석 & 시각화 - 통계 분석, 네트워크 분석, 시계열, 논문 수준 그림, 대규모 데이터 처리, EDA
  • 🌊 화학 해양학 - 해수 탄산염 화학, 해양 산성화, 광물 포화, 측정 불확실성
  • 🌍 지리공간 과학 & 원격 탐사 - 위성 영상 처리, GIS 분석, 공간 통계, 지형 분석, 지구 관측을 위한 머신러닝
  • 🧪 실험실 자동화 - 액체 취급 프로토콜, 실험 장비 제어, 워크플로 자동화, LIMS 통합
  • 📚 과학 커뮤니케이션 - 근거를 추적할 수 있는 글쓰기, 비밀 보장된 승인 동료 검토, 문헌 종합, 문서 처리, 매크로 없는 PPTX 포스터 · 슬라이드 · 도식, 인용 관리
  • 🔬 다중 오믹스 & 시스템 생물학 - 다중 모달 데이터 통합, 경로 분석, 탄소-13 대사 플럭스 추론, 생화학 반응 모델
  • 🧬 단백질 공학 & 설계 - 단백질 언어 모델, 구조 예측, 극저온 전자현미경 정제, 서열 설계, 기능 주석
  • 🧰 에이전트 플랫폼 & 인프라 - SDK, RPC, 확장, 사용자 정의 제공자/모델, 패키지, TUI 구성 요소, 세션 도구로 Pi 위에서 만들기
  • 🎓 연구 방법론 - 근거에 묶인 후보 가설, 과학적 브레인스토밍, 비판적 사고, 연구비 제안서 작성, 학술 저작물의 정성적 저위험 평가
  • ⚖️ 규제 & 표준 - ISO 관리 시스템과 실험실 표준의 근거 준비 초안 산출물, ICH/USP/CLSI 체계의 분석 방법 검증 · 확인 · 이전 — 자격 있는 검토를 위해 준비하며 인증 · 인정 · 방법 출하 결정이 아닙니다

AI 코딩 에이전트를 내 데스크톱의 'AI 과학자'로 바꿔 보세요!

🎬 Scientific Agent Skills가 처음이신가요? Scientific Agent Skills 시작하기 영상으로 빠르게 훑어보세요.

🎥 더 많은 튜토리얼

K-Dense YouTube 채널의 실제 연구 작업 따라 하기 영상입니다.

영상다루는 내용
Skills 101: 나만의 Scientific Agent Skill 만들기새 스킬을 처음부터 쓰고, 테스트하고, 패키징하기
문헌 검토와 가설 생성문헌을 검색하고 근거에 묶인 가설 만들기
실험 프로토콜 초안과 예산 짜기계획한 실험을 비용이 포함된 글로 쓴 프로토콜로 바꾸기
심사 의견에 대한 답변 초안심사 의견에서 항목별 반박문 만들기
AI가 Nature Medicine 논문을 재현할 수 있을까?발표된 분석을 처음부터 끝까지 재현해 보는 시도

📦 포함된 것

이 저장소는 과학 · 연구 스킬 177개를 다음 범주로 나눠 제공합니다.

  • 과학 · 금융 데이터베이스 100여 개 - Database Lookup 스킬이 공개 · 등록 · 라이선스 접근이 가능한 데이터베이스 80개(PubChem, ChEMBL, UniProt, COSMIC, ClinicalTrials.gov, FRED, USPTO 등)를 문서화하고, 엔드포인트 선택과 페이지 나누기, 출처 기록까지 다룹니다. DepMap, Imaging Data Commons, PrimeKG, NCATS ARAX, 미국 재무부 Fiscal Data, Hugging Science, OneKGPd, Genomic Intelligence, AlphaGenome은 전용 스킬이 있고, BioServices · Biopython · gget 같은 다중 데이터베이스 패키지가 범위를 더합니다
  • 최적화된 Python 패키지 스킬 70여 개 - RDKit, Scanpy, PyTorch Lightning, scikit-learn, PyTDC, PathML, pydicom, NeuroKit2, PufferLib, QuTiP, GeoPandas, pymatgen, BioPython, Qiskit, 분자 동역학(OpenMM/MDAnalysis) 등을 위한, 버전을 의식한 명시적 워크플로입니다. 에이전트는 어떤 Python 패키지도 쓸 수 있지만, 이 스킬은 나열된 패키지에 대해 더 강하고 안전한 안내를 제공합니다
  • 과학 통합 스킬 9개 - Benchling, DNAnexus, LatchBio, OMERO, Protocols.io, Open Notebook, Ginkgo Cloud Lab, LabArchives, Opentrons를 위한 명시적 스킬입니다. 역시 에이전트가 여기에 갇히는 것은 아니며, Python으로 닿는 어떤 API나 플랫폼도 쓸 수 있습니다. 이 스킬은 미리 문서화된 최적의 길입니다
  • 분석 · 커뮤니케이션 도구 30여 개 - 문헌 검토, 근거를 추적할 수 있는 과학 글쓰기, 비밀 보장 동료 검토, 문서 처리, Paperclip(전문 논문 · FDA/PMDA/EMA 서류 · 시험 등록부를 줄 번호로 인용), Paperzilla, Exa Search, 매크로 없는 PPTX 포스터 · 슬라이드 · 도식 · 인포그래픽, Mermaid 다이어그램 등
  • 연구 · 임상 도구 10여 개 - 근거에 묶인 가설 생성, 연구비 제안서 작성, 집합 임상 의사결정 지원 연구, 임상의가 쓴 치료 계획 서식, PK/PD 모델링과 시뮬레이션, BIDS, ISO 표준 준비 증거, 분석 방법 검증과 이전, 시나리오 분석, Autoskill을 쓴 워크플로 유래 스킬 초안

모든 스킬에는 목적, 워크플로, 버전 메타데이터가 담긴 SKILL.md가 있습니다. 워크플로에 따라 코드 예제, 참고 문서, 실행 가능한 도우미, 템플릿도 포함됩니다. 번들된 scripts/가 있는 스킬에는 tests/ 아래의 테스트 모음과 tests/skill-requirements.toml의 의존성 항목이 짝으로 있습니다.

2.72.0의 새로운 점

Anthropic 자체 라이선스로 anthropics/skills에서 가져왔던 docx, pdf, pptx, xlsx 문서 스킬은 더 이상 번들되지 않습니다. 모음은 이제 스킬 177개입니다. 그 네 가지에 의존한다면 Anthropic의 저장소에서 설치하세요. Scientific Slides는 이제 PptxGenJS나 python-pptx로 PowerPoint 덱을 만들고 LibreOffice와 자체 렌더링 · 검증 스크립트로 검토합니다.

2.71.0의 새로운 점

이 업데이트는 패키지와 API 안내, 의존성 요구 사항, 참고 문서, 검증 워크플로를 포함해 스킬 181개 전체를 새로 고칩니다. 주요 내용은 다음과 같습니다.

  • 데이터베이스 조회: Database Lookup이 이제 출처 80개를 목록화하고, 접근 요구 사항 · 조회 계약 · 출처 점검을 담습니다.
  • 패키지 호환성: 문서화된 기준 버전에 PathML 3.0.8, GeoPandas 1.2.0, 실험 하드웨어 CAD용 build123d 0.13.0이 포함됩니다. PufferLib는 네이티브 5.0, PyPI 3.0.0, 과거 4.0 워크플로를 구분합니다.
  • 이미지 생성과 에이전트 도구: Generate Image는 OpenRouter Image API로 모델 탐색과 요청 검증을 합니다. Pi Agent는 Pi 0.99.2, 네이티브 MCP, 갱신된 생태계 패키지를 문서화합니다.
  • RNA-seq 워크플로 경계: Bulk RNA-seq는 리드와 검증된 카운트를 PyDESeq2로 넘기는 준비를 하고, Pathway Enrichment는 그 뒤의 경로 농축을 다룹니다.

각 스킬은 자신의 호환성 요구 사항과 검증 범위를 기록합니다. 오래된 워크플로를 다시 쓰기 전에 그 내용을 확인하세요. 로컬 테스트, 라이브 서비스 점검, 설명용 예시는 각기 다른 범위를 다룹니다.


🚀 왜 쓰나요?

⚡ 연구를 빠르게

  • 며칠의 일을 아낄 수 있습니다 - API 문서를 찾고 연동을 설정하는 일을 건너뜁니다
  • 검토된 출발점 - 명시적인 검증, 출처, 안전 경계가 있는 테스트된 예제이며, 대상 환경에서 직접 확인하세요
  • 다단계 워크플로 - 한 번의 프롬프트로 복잡한 파이프라인을 실행합니다

🎯 포괄적인 범위

  • 스킬 177개 - 주요 과학 분야 전반을 넓게 다룹니다
  • 데이터베이스 100여 개 - Database Lookup이 문서화한 80개에 전용 데이터 접근 스킬과 BioServices, Biopython, gget 같은 다중 데이터베이스 패키지가 더해집니다
  • 최적화된 Python 패키지 스킬 70여 개 - RDKit, Scanpy, PyTorch Lightning, scikit-learn, PyTDC, pydicom, PufferLib, QuTiP, GeoPandas, pymatgen, Qiskit, 분자 동역학(OpenMM/MDAnalysis), scVelo, TimesFM을 포함한 패키지의 최신 버전별 안내(에이전트는 어떤 Python 패키지도 쓸 수 있고, 이것은 미리 문서화된 길입니다)

🔧 쉽게 통합

  • 간단한 설정 - 스킬을 내 스킬 디렉터리에 복사하고 바로 작업합니다
  • 설정된 탐색 - 호환되는 호스트는 설정된 스킬 경로에서 관련 스킬을 찾아 씁니다
  • 잘 문서화됨 - 각 스킬에 예제, 사용 사례, 모범 사례가 들어 있습니다

🌟 유지 · 지원

  • 정기 업데이트 - K-Dense 팀이 지속적으로 유지 · 확장합니다
  • CI 검증 - 관련 풀 리퀘스트에서 저장소 전체 구조 점검과 표준 라이브러리만 쓰는 스킬 테스트를 실행합니다. 과학 의존성은 별도 환경에서 테스트합니다
  • 커뮤니티 주도 - 활발한 커뮤니티 기여가 있는 오픈 소스입니다
  • 기업 수준 - 고급 요구를 위한 상업적 지원이 있습니다

🎯 시작하기

방법 1: npx(지원하는 호스트)

명령 하나로 Scientific Agent Skills를 설치합니다.

npx skills add K-Dense-AI/scientific-agent-skills

이것은 Claude Code, Claude Cowork, Codex, Gemini CLI, Google Antigravity, Cursor 최신 버전을 포함한 Agent Skills 호스트용 표준 기반 공통 설치 프로그램입니다. 설치 경로와 선택 메타데이터 동작은 쓰는 호스트의 최신 문서에서 확인하세요.

방법 2: GitHub CLI(gh skill)

GitHub CLI(v2.90.0 이상)를 쓴다면 gh skill로 스킬을 설치할 수 있습니다.

# Browse and install interactively
gh skill install K-Dense-AI/scientific-agent-skills

# Install a specific skill directly
gh skill install K-Dense-AI/scientific-agent-skills scanpy

# Target a specific agent host
gh skill install K-Dense-AI/scientific-agent-skills --agent cursor
gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code
gh skill install K-Dense-AI/scientific-agent-skills --agent codex
gh skill install K-Dense-AI/scientific-agent-skills --agent gemini

gh skill은 에이전트 호스트에 맞는 디렉터리에 자동으로 설치하고 공급망 무결성을 위한 출처 메타데이터를 기록합니다.

버전 고정

재현 가능한 설치를 위해 특정 릴리스 태그나 커밋 SHA에 고정합니다.

# Pin to a release tag
gh skill install K-Dense-AI/scientific-agent-skills --pin v2.71.0

# Pin to a commit SHA
gh skill install K-Dense-AI/scientific-agent-skills --pin abc123def

스킬을 최신으로 유지하기

# Check for updates interactively
gh skill update

# Update all installed skills
gh skill update --all

방법 3: Agent Plugins(Cursor, Codex 등 플러그인 클라이언트)

이 저장소는 유효한 Agent Plugins 1.0.0 패키지입니다. 루트의 plugin.json과 skills/ 아래의 Agent Skills로 이루어져 있습니다. 표준을 지원하는 클라이언트는 skills/의 바로 하위 항목 중 SKILL.md가 있는 것을 모두 찾습니다.

Cursor — 저장소를 로컬 플러그인 디렉터리에 심볼릭 링크하거나 복사한 뒤 다시 불러오세요.

mkdir -p ~/.cursor/plugins/local
ln -s "$(pwd)" ~/.cursor/plugins/local/scientific-agent-skills

Cursor를 다시 시작하거나 Developer: Reload Window를 실행한 뒤, Customize 아래에 플러그인과 스킬이 보이는지 확인하세요. Cursor 플러그인을 보세요.

Codex — 로컬 체크아웃에서 설치합니다(현재 CLI 플래그 이름은 Codex 문서에서 확인하세요).

codex plugins install .

호환되는 클라이언트(Cursor, Codex, GitHub Copilot, VS Code, Kiro 등, agent-plugins.org에 있음)는 같은 패키지 구조를 공유하며, 설치 방식은 클라이언트마다 다릅니다.

그 밖의 Agent Skills 호스트(OpenClaw, NemoClaw, Pi, Hermes 등)

에이전트 호스트마다 설치 경로, 탐색 설정, 선택 사항 frontmatter 필드 지원이 다릅니다. npx skills add(방법 1)는 대개 ~/.agents/skills/ 관례에 설치하고, 프로젝트 범위 설치는 .agents/skills/ 아래에 둡니다. 두 경로는 쓰는 호스트의 최신 문서와 대조하세요. 그 위치 중 하나를 스캔하도록 설정된 호스트에 수동으로 설치하려면:

git clone https://github.com/K-Dense-AI/scientific-agent-skills.git ~/.agents/skills/scientific-agent-skills   # user-level
git clone https://github.com/K-Dense-AI/scientific-agent-skills.git .agents/skills/scientific-agent-skills      # project-level

스킬 탭을 지원하는 Hermes 버전에서는 저장소를 탭으로 추가하세요.

hermes skills tap add K-Dense-AI/scientific-agent-skills

모든 SKILL.md는 따옴표로 감싼 metadata.version이 있는 YAML frontmatter를 씁니다. 저장소 기여는 블록 스타일 YAML을 써야 하며, JSON 스타일 플로 매핑은 참조 검증기에서 실패합니다. 자세한 규칙은 AGENTS.md를 보세요. 호스트마다 선택 메타데이터와 자격 증명 안내를 다르게 해석할 수 있으니 대상 호스트에서 동작을 확인하세요. 일부 주제의 스킬만 설치하면 쓸 수 있는 스킬 목록이 작업에 집중됩니다.

💡 NemoClaw 참고: NemoClaw는 기본으로 외부 네트워크를 막는 NVIDIA OpenShell 안에서 에이전트를 실행합니다. 스킬은 정상적으로 탐색되고 로드되지만, uv로 패키지를 설치하거나 API(Exa, Parallel, Benchling, NCBI, Materials Project 등)를 호출하는 등 네트워크가 필요한 스킬은 운영자가 OpenShell TUI에서 해당 도메인을 미리 승인한 뒤에야 동작합니다.

이것으로 끝입니다! 호환되는 호스트는 설정된 경로에서 스킬을 찾아 관련이 있을 때 쓸 수 있습니다. 프롬프트에 스킬 이름을 말해서 직접 호출할 수도 있습니다.


⚠️ 보안 면책

스킬은 코드를 실행하고 코딩 에이전트의 동작에 영향을 줄 수 있습니다. 설치하는 것을 검토하세요.

Agent Skills는 강력합니다. AI 에이전트가 임의의 코드를 실행하고, 패키지를 설치하고, 네트워크 요청을 보내고, 시스템의 파일을 고치도록 지시할 수 있습니다. 악의적이거나 잘못 쓴 스킬이 코딩 에이전트를 해로운 동작으로 이끌 수 있습니다.

저희는 보안을 진지하게 다룹니다. 모든 기여는 검토 과정을 거치고, 이 저장소의 모든 스킬에 대해 LLM 기반 보안 스캔(Cisco AI Defense Skill Scanner)을 돌립니다. 하지만 작은 팀에 커뮤니티 기여가 늘고 있어, 모든 스킬을 모든 가능한 위험에 대해 완전히 검토했다고 보장할 수는 없습니다.

설치하는 스킬을 검토하고 어떤 것을 믿을지 정하는 것은 결국 여러분의 책임입니다.

다음을 권합니다.

  • 한 번에 모두 설치하지 마세요. 실제로 필요한 스킬만 설치하세요. K-Dense가 모든 스킬을 만들고 관리할 때는 전체 모음을 설치해도 합리적이었지만, 이제 저장소에는 저희가 그만큼 꼼꼼히 검토하지 못한 커뮤니티 기여가 많습니다.
  • 설치하기 전에 SKILL.md를 읽으세요. 각 스킬의 문서는 무엇을 하는지, 어떤 패키지를 쓰는지, 어떤 외부 서비스에 연결하는지 설명합니다. 수상해 보이면 설치하지 마세요.
  • 기여 이력을 확인하세요. K-Dense(K-Dense-AI)가 쓴 스킬은 저희 내부 검토를 거쳤습니다. 커뮤니티가 기여한 스킬은 한정된 자원 안에서 최선을 다해 검토했습니다.
  • 보안 스캐너를 직접 돌려 보세요. 서드파티 스킬을 설치하기 전에 로컬에서 스캔하세요.
    uv pip install cisco-ai-skill-scanner
    skill-scanner scan /path/to/skill --use-behavioral
  • 수상한 점을 신고하세요. 악의적이거나 예상과 다르게 동작하는 스킬을 발견하면 조사할 수 있도록 즉시 이슈를 열어 주세요.

스킬은 주간 단위로 스캔합니다. 변경되지 않은 스킬은 이전 결과를 그대로 가져가는 증분 방식이고, 스캐너나 모델이 바뀔 때와 적어도 30일마다 전체를 다시 스캔하며, 결과는 docs/security-report.md에 공개됩니다. 보안 정책, 범위, 비공개 취약점 신고 방법, 스캔 결과에 이의를 제기하는 방법은 SECURITY.md를 보세요.


❤️ 오픈 소스 커뮤니티를 후원하세요

Scientific Agent Skills는 전 세계의 헌신적인 개발자와 연구 커뮤니티가 관리하는 50여 개의 놀라운 오픈 소스 프로젝트로 구동됩니다. Biopython, Scanpy, RDKit, scikit-learn, PyTorch Lightning 같은 프로젝트가 이 스킬의 토대입니다.

이 저장소가 도움이 된다면, 이를 가능하게 한 프로젝트를 후원해 주세요.

  • ⭐ GitHub에서 저장소에 별을 누르세요
  • 💰 GitHub Sponsors나 NumFOCUS로 유지 보수자를 후원하세요
  • 📝 논문에 프로젝트를 인용하세요
  • 💻 코드, 문서, 버그 리포트로 기여하세요

👉 후원할 프로젝트 전체 목록 보기


⚙️ 준비물

  • Python: 저장소 도구는 3.13 이상이며, 개별 스킬의 의존성은 더 넓은 Python 범위를 지원할 수 있습니다
  • uv: Python 패키지 관리자(스킬 의존성 설치에 필수)
  • 클라이언트: Agent Skills 표준을 지원하는 에이전트(Cursor, Claude Code, Gemini CLI, Codex, Google Antigravity 등)
  • 시스템: macOS, Linux, 또는 WSL2가 있는 Windows
  • 의존성: 패키지, 시스템 도구, 자격 증명, 네트워크 접근은 각 스킬의 compatibility 필드와 설정 안내를 따르세요. 스킬 파일을 설치한다고 의존성이 설치되는 것은 아닙니다

각 과학 워크플로마다 별도 환경을 쓰세요. 일부 스킬은 서로 다른 Python 버전이나 충돌하는 패키지 고정이 필요합니다. uv sync는 모음의 모든 과학 패키지가 아니라 저장소의 개발 · 검증 도구를 설치합니다.

uv 설치

스킬은 Python 의존성을 설치하는 패키지 관리자로 uv를 씁니다. 운영체제에 맞는 방법으로 설치하세요.

macOS와 Linux:

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

Windows:

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

대안(pip 사용):

pip install uv

설치 후 다음으로 동작을 확인하세요.

uv --version

더 많은 설치 옵션과 자세한 내용은 uv 공식 문서를 보세요.


💡 빠른 예시

스킬을 설치하면 AI 에이전트에게 복잡한 다단계 과학 워크플로를 시킬 수 있습니다. 다음은 예시 프롬프트입니다.

🧪 신약 개발 파이프라인

목표: 전임상 폐암 연구를 위한 EGFR 억제제 후보 우선순위 정하기

프롬프트:

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.

쓴 스킬: database-lookup, rdkit, datamol, diffdock, paper-lookup, scientific-visualization


🔬 단일 세포 RNA-seq 분석

목표: 공개 데이터 통합을 포함한 10X Genomics 데이터의 종합 분석

프롬프트:

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.

쓴 스킬: scanpy, cellxgene-census, database-lookup, pydeseq2, arboreto


🎯 가상 스크리닝 캠페인

목표: 단백질-단백질 상호작용의 알로스테릭 조절제 발굴

프롬프트:

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.

쓴 스킬: database-lookup, biopython, rdkit, diffdock, deepchem, medchem, molfeat

📖 더 많은 예시가 필요하신가요? docs/examples.md에 전 과학 분야의 워크플로 예시와 사용 사례가 자세히 있습니다.


🔬 사용 사례

  • 신약 개발 · 의약화학: PubChem/ZINC의 수백만 화합물 가상 스크리닝, RDKit으로 구조-활성 관계 분석, datamol로 유사체 생성, DeepChem으로 ADMET 예측, DiffDock으로 결합 자세 예측, ChEMBL 억제제 조회
  • 생물정보학 · 유전체학: BioPython · pysam으로 DNA/RNA/단백질 서열 처리, Scanpy로 10X Genomics 단일 세포 분석, Ensembl VEP로 연구용 VCF 주석, STRING 상호작용 · KEGG/Reactome 경로 매핑, TileDB-VCF로 대규모 변이 데이터베이스
  • 임상 연구 · 근거 워크플로: 집합 시험 현황 분석, 자격 있는 전문가가 해석하는 연구 데이터 주석, FDA 이상 사례 집합 증거, PK/PD 모델링, Paperclip으로 논문 · 규제 서류 · 시험 기록 전문 인용 검색
  • 다중 오믹스 · 시스템 생물학: RNA-seq · 단백체학 · 대사체학 통합, KEGG/Reactome 경로 농축, 유전자 조절 네트워크 재구성, 바이오마커 발굴
  • 데이터 분석 · 시각화: 가설 검정 · 검정력 분석 · 실험 설계, matplotlib · seaborn으로 논문 수준 그림, NetworkX 네트워크 시각화, 근거를 추적할 수 있는 보고서 생성
  • 실험실 자동화: Opentrons · PyLabRobot 프로토콜 작성과 시뮬레이션, Benchling · LabArchives 통합, 실험 장비 맞춤 부품 제작 견적(총액을 명시적으로 승인하기 전에는 아무것도 주문되지 않음)

더 알아보기

스킬 범주별 상세 목록(생물정보학 32개 등), 블로그 글, 기여하기, 문제 해결, FAQ, 지원, 인용은 저장소 README에서 확인하세요. 스킬 전체 목록은 docs/skills.md에 있습니다.

라이선스

이 프로젝트는 MIT 라이선스로 배포됩니다.


저장소: K-Dense-AI/claude-scientific-skills

평점

–평가 0개 기준
5점
0
4점
0
3점
0
2점
0
1점
0