半年27K stars：K-Dense 把142 个科研 Skill 做成了「科学领域的 npm registry」

GitHub: https://github.com/K-Dense-AI/scientific-agent-skills

一句话总结

K-Dense 把 142 个科学垂直领域（生信/化信/临床/天文/材料……）的「AI 工作流文档」打包成符合开放 Agent Skills 标准的可分发目录，让 Claude Code、Cursor、Codex、Google Antigravity 等任意通用 AI agent 一键升级为「AI Scientist」。

值得关注的理由

• 垂直 × 标准化的稀缺交叉：科学垂直深度的同类项目（DeepAnalyze 4.2k、NanoResearch 1.5k、AutoR 849）量级都只有它的零头，而通用 AI agent skills（Anthropic 官方）又没有科学深度，这个交叉位置目前只此一家。
• 真·供应链安全：每周一 Cisco AI Defense Skill Scanner 全量扫描 + PR 时增量扫描，扫描结果自动 commit 到 main 的 SECURITY.md（3644 行带 severity badge），把「prompt 注入 / 越权调用」当成 npm 依赖一样审计——这是受监管行业（药企/医疗/汽车）的入场券。
• 三段式 provenance：pyproject.toml 版本 + 每个 skill 自己的 metadata.version + git tag/SHA pin，从「包级 → 文件级 → 安全级」三层版本治理，是 prompt/template registry 该有的工程范式。

项目画像

作者视角：为什么存在这个项目

创始人/作者背景

K-Dense-AI 是 Organization 账号，背后的商业公司是 K-Dense Inc.——一家 2025 年下半年新成立的 "AI for Science" 垂直创业公司，自定位「A world leader in empowering scientists with AI agentic tools」。投资方包括 Accel、Accel Atoms、Google AI Futures Fund；机构客户含 MIT、Harvard Medical School、Stanford、UPenn、Ford、GSK、Zeiss 等。组织账号下贡献者 30 人，Top1 是 Timothy Kassis（300 commits ≈ 58%），呈「明星开源 + 商业化公司主导」结构。K-Dense 还有两款姊妹产品：claude-scientific-writer（1917 stars）、agentic-data-scientist（648 stars），共同构成「AI Scientist」品牌矩阵。

问题判断

K-Dense 团队从产品迭代中识别出三个反复出现的失败模式：

1. 模型-工作流错配：模型本身很强，但被用来干「写文档化的代码」这种它不擅长的劳动密集型任务。
2. 幻觉函数：对 RDKit/PyDESeq2/Scanpy 这类快速演化的科学包，LLM 训练截止数据早已过期，模型会自信地写错参数、调用已删除的函数。
3. 缺乏可审计性：产业客户（GSK/Zeiss/Ford）无法接受 agent 在受监管环境（GxP/ISO13485）下写出不可追溯的代码。

时机选择：2025 年 10 月开源，恰好赶上 Anthropic 在 Claude Code 中发布开放 Agent Skills 标准（agentskills.io）——这是「标准刚出 + 没人做垂直深井」的窗口期，K-Dense 抢先把 142 个科学 skill 一次性铺到位。

解法哲学

四个核心信条：

1. Workflow > Model：模型层投入 0 资源，所有精力押在「工作流文档」上。
2. Specialists over generalists：不为每个领域写一个万能 skill，而是 142 个细粒度 skill，每 skill 是该领域一名「虚拟专家」。
3. Composable / auditable / falsifiable：skill 目录是文件级、可 diff、可 grep、可在 PR 中 code review。
4. Verification first：所有 PR 必须经 Cisco AI Defense Skill Scanner 三层扫描（Behavioral + Trigger + LLM-as-judge），并把扫描报告 SECURITY.md 公开提交到 main。

明确不做的：不做端到端 agent（不做推理引擎、不绑定单一 LLM）、不做单一领域深井（不做 DeepAnalyze 那种「一个数据科学家」）、不做 MCP 协议（站 Agent Skills 标准而非 MCP）。

战略意图

明牌「靠 LLM 不能赢，靠 LLM + 垂直知识包能赢」：上游卡 anthropic/openai 模型（无差异化）；中游卡 agent runtime（Cursor/Claude Code/Codex 是公共的）；下游卡数据/工作流/合规（这是科学软件包特有的、需要逐领域积累）。K-Dense 押注下游，做了三层防御：

1. 规模壁垒：142 个 skill，单 repo 占 K-Dense 总 star 89%。
2. 合规壁垒：Cisco scanner + SECURITY.md + metadata.version provenance。
3. 生态壁垒：pin to SHA、gh skill install 标准 CLI、40+ agent host 兼容。

战略意图是让科学 agent skills 成为「科学领域的 npm registry」，任何想给 LLM 加科学能力的人都得来这取货。

核心价值提炼

创新之处

可复用的模式与技巧

1. Agent Skill 模板（YAML frontmatter + Markdown body + 可选 references/scripts/assets）—— 适用：AI 插件市场、prompt 模板库、团队知识资产。
2. 三层版本治理（pyproject.toml + metadata.version + git tag/SHA pin）—— 适用：任何「文档+配置+脚本」复合体的版本管理。
3. Diff-driven 增量 CI 扫描（git diff --name-only --diff-filter=ACMR + scanner 只跑变更子集）—— 适用：lint、license audit、secret scan、schema 校验。
4. Sticky PR comment pattern（marocchino/sticky-pull-request-comment 复用同一 header）—— 适用：所有 GitHub Actions 输出 markdown report 的场景。
5. per-entity reference file 模式（当知识库条目 > 30 且条目间互不相关时）—— 适用：API registry、microservice 目录、policy 库、template 库。
6. Progressive disclosure（主文件 < 500 行 + references/ 按需懒加载）—— 适用：长 prompt、RAG chunk、AI 友好的 tech docs。
7. [skip ci] 自动提交审计报告（避免「扫描 → commit → trigger scan → commit」无限循环）—— 适用：所有生成报告并 commit 回 repo 的工作流。
8. Cross-skill overlap analysis（CrossSkillScanner.analyze_skill_set 检测同一 PR 多 skill 冲突/重复）—— 适用：plugin marketplace、policy conflict detection。

关键设计决策

1. SKILL.md 强制要求 metadata.version（即使上游 spec 中 metadata 是 optional） - 问题：上游 spec 允许无 metadata，导致 skill 没有「可演化的版本锚点」。 - 方案：CONTRIBUTING.md 把 metadata.version 列为必需，新 skill 从 "1.0" 起每次 PR 必递增。 - Trade-off：contributor 多一步门槛，但获得 semver 语义 + Cisco scanner 差异分析 + pin minor 不破坏 API 的能力。 - 可迁移性：高。
2. 双层安全扫描架构——scan_skills.py 周一全量扫（写入 SECURITY.md）+ scan_pr_skills.py PR 时增量扫（sticky PR comment） - 问题：143 个 skill × Cisco scanner 一次扫描 ~50 分钟/skill，全量重扫塞不进每次 PR；但完全不做 PR 闸门则恶意 skill 容易 merge。 - 方案：PR workflow 用 git diff --name-only 提取 skills/<name>/**，喂给 scanner，--fail-on HIGH 默认阻断；用 marocchino/sticky-pull-request-comment@v2 复用同一 comment header。 - Trade-off：PR 时只扫改动的 skill，但恶意 contributor 可在多个小 PR 间逐步注入；缓解靠周一全量二次校验 + --fail-on HIGH 保守阈值。 - 可迁移性：高。
3. database-lookup 用 78 个独立 references/*.md 文件组织数据库元数据 - 问题：LLM context window 有限，把 78 个数据库 endpoint/auth/example 全塞进 SKILL.md 会让 prompt 膨胀。 - 方案：SKILL.md 只含「database selection guide」决策表，告诉 agent 在用户问某类问题时该读哪个 references/.md；references/78 个文件每个 30–80 行。 - Trade-off：维护 78 个文件比一个大表繁琐；但按需加载减少 context + 单文件 bug 不污染其他数据库 + 与渐进披露 spec 完全对齐。 - 可迁移性：高*。
4. autoskill 元 skill——用 screenpipe 监听屏幕 → 本地聚类 → 语义匹配 142 个现有 skill → 自动草拟新 SKILL.md - 问题：142 个 skill 不能穷举所有科研工作流；用户每天重复做的实验步骤没被沉淀为可复用 skill。 - 方案：抓取用户屏幕 OCR → redaction（去 email/api_key/bearer）→ 10 分钟 idle 切会话 → embedding 聚类 → 与 142 个 skill description 做余弦相似度 → LLM judge 判 reuse/compose/novel → 草拟 SKILL.md 落 ~/.autoskill/proposed/<ts>/ → 用户审完后 promote 进 skills/<name>/。 - Trade-off：屏幕抓取本身是隐私雷区（用 screenpipe 自带 PII removal + redact.py 双层防御）；整套默认跑在本地 LM Studio（Gemma-4-31B-it）不外发数据；promote 步骤强制人工 review 不能自动合入。 - 可迁移性：高（「个人 workflow mining → 团队 playbook」元模式，可推广到销售线索挖掘、客服工单归类、设计稿聚类）。
5. 路径迁移 scientific-skills/ → skills/（v2.43.0）以匹配 Agent Skills 标准 - 问题：旧路径与 GitHub CLI 的 gh skill install 默认 skills 目录约定不一致。 - 方案：重命名目录、更新所有引用、README 加 troubleshooting 条目 + 头部 banner 声明「Claude Scientific Skills is now Scientific Agent Skills」。 - Trade-off：老引用断链、CITATION 需重发；但获得与开放标准对齐 + gh skill install 原生可用 + 未来第三方 skill 可与本仓 skill 在同一目录共存。 - 可迁移性：中。

竞品格局与定位

竞品对比矩阵

差异化护城河

1. 规模护城河：142 个 skill × 78 个数据库 × 40+ agent host，单一对手无法在一年内复制。
2. 合规护城河：Cisco scanner + SECURITY.md + metadata.version provenance 是受监管行业（药企/医疗/汽车）的入场券，Anthropic 官方与小型 OSS 都没有。
3. 生态护城河：与 GitHub CLI gh skill 原生集成 + Agent Skills 标准合规，未来开放市场一旦形成，K-Dense 是默认上架方。

竞争风险

• Anthropic 官方发力：若 anthropic-skills 突然扩到 50+ 科学 skill，K-Dense 的「开放标准」优势被削弱。
• 社区分叉：高质量 fork 可能分流贡献者。
• scanner 误报疲劳：当前 SECURITY.md 中 24 critical + 15 high（39 个非 safe skill）若不收敛，会让用户对 SECURITY.md 失信任。
• trust boundary：143 个 skill 中 39 个非 safe，产业客户若逐个审查会卡在 onboarding。

生态定位

垂直深井的开放标准定义者——既不是 Anthropic 那种「通用浅池」，也不是 DeepAnalyze 那种「单一深井非标」，而是「多个深井 × 开放标准 × 审计保障」的 marketplace；商业上类似「Docker Hub for science skills」。

套利机会分析

• 信息差：低关注度但高质量？不是——本项目已经是 27K stars 的大众热门，信息差窗口已关闭。但垂直 × 标准化这个交叉赛道仍然是蓝海，K-Dense 之外的玩家（法律、金融、教育、医疗、政务）都还没出现类似形态。
• 技术借鉴：极高——SKILL.md 模板、progressive disclosure、diff-driven 增量 CI、sticky PR comment、三层版本治理、per-entity reference file 模式都是可以直接搬到任何 prompt/asset/template registry 的工程范式。
• 生态位：填补「科学垂直 × 跨 agent 兼容 × 标准化」三重交叉空白；目前独家头部，未来 6-12 个月内不太可能被颠覆，但 Anthropic 自家发力是最大变量。
• 趋势判断：Agent Skills 标准由 Anthropic 推动，2025 年 10 月发布，K-Dense 抢跑半年。Cursor / Codex / Antigravity / Gemini CLI 等 40+ agent 都在采纳同一标准——趋势是确定的，K-Dense 是先发优势最大的玩家。

风险与不足

• 测试覆盖不足：全仓仅 autoskill / pacsomatic / exa-search / open-notebook 4 个 skill 有 unit test，根级 scan_skills.py 与 scan_pr_skills.py 无 unit test，其他 130+ skill 的 SKILL.md 示例代码无 CI 验证。README 注明「tested or clearly marked as illustrative」，质量靠人工 review + 用户实测。
• trust boundary 现状：39/143 skill 非 safe（24 critical + 15 high），虽然透明公开，但产业客户 onboarding 会卡在逐个审查。
• scanner 误报疲劳：70 critical / 52 high 的现状若不收敛，SECURITY.md 会从「信任锚」变成「噪声源」。
• 核心团队依赖：Top1 Timothy Kassis 占 58% commits，单点风险高；公司商业化动作（K-Dense BYOK 桌面应用）若失败，可能影响 OSS 投入节奏。
• 目录迁移阵痛：v2.43.0 从 scientific-skills/ 迁到 skills/，老引用断链还在持续。

行动建议

如果你要用它

• 科学家 / 研究人员：用 npx skills add K-Dense-AI/scientific-agent-skills 或 gh skill install K-Dense-AI/scientific-agent-skills --agent claude-code 一键安装，配合 Claude Code / Cursor 直接做单细胞分析、化合物筛选、文献综述等。
• 药企 / 生物科技 / 汽车 R&D：先 review SECURITY.md 的 39 个非 safe skill 列表，按需 pin 到具体 tag/SHA，配合内部 GxP/ISO13485 审计。
• 对比选型：如果你只需要「单一数据科学 agent」，DeepAnalyze 更省事；如果你只需要「论文检索」，paper-search-mcp 更聚焦；如果你是「跨学科 + 受监管 + 跨 agent」场景，K-Dense 是目前唯一选择。

如果你要学它

• 必读文件：
• README.md（700+ 行完整 onboarding + security disclaimer + 5 个端到端示例工作流）
• CONTRIBUTING.md（skill 命名规则、frontmatter schema、version 规则、validation checklist）
• .claude-plugin/marketplace.json（注册清单设计）
• scan_pr_skills.py + scan_skills.py（360 行双层安全扫描实现）
• skills/database-lookup/SKILL.md + skills/database-lookup/references/（78 个独立文件渐进披露范例）
• skills/autoskill/（元 skill 工作流挖掘，screen → redact → cluster → judge → draft）
• .github/workflows/pr-skill-scan.yml + security-scan.yml（CI/CD 完整范式）
• 重点关注：progressive disclosure 3 阶段、metadata.version 强制要求、diff-driven 增量扫描、sticky PR comment。

如果你要 fork 它

• 可改进方向： 1. 增加全仓统一的 unit test 框架（覆盖至少 SKILL.md frontmatter schema 校验、扫描脚本逻辑）。 2. 把 SECURITY.md 中 39 个非 safe skill 引入 issue tracking，强制每个有 remediation owner。 3. 增加 skills 示例代码 CI 自动化执行（用 uv + 容器化环境跑通 examples）。 4. 探索 Agent Skills 标准之外的互补分发通道（如 MCP server 化、Docker image）。 5. 引入「skill usage telemetry」（opt-in）帮助用户挑选活跃 skill。 6. 把 autoskill 的工作流挖掘范式推广到其他垂直（法律、金融、教育、医疗、政务）。

知识入口