Scientific Agent Skills v2.72.0：按固定版本接入科研 Agent 技能

如果技能目录已经复制到电脑，Agent 却没有按预期处理科研任务，先检查三个位置：宿主有没有发现技能、依赖有没有装在正确环境、当前输入是否符合技能要求。Scientific Agent Skills 的接入可以沿这三层排查，避免把所有问题都归结为提示词不够长。

本文以 K-Dense 的 v2.72.0 为资料基准，介绍包结构、版本固定和首次验证思路。它是科研 Agent 技能库，包含面向专业工具、数据库和研究工作流的方法说明，需要支持 Agent Skills 的客户端配合使用。

版本说明列出 177 个技能。每个技能用 SKILL.md 描述用途、流程与版本元数据，并按需提供参考文档、代码例子、辅助脚本或模板。安装这类文件，解决的是让宿主发现并向 Agent 提供相应方法的问题。

数据库账号、科学计算包、系统工具属于另一层。技能能够说明怎样调用它们，但不会因为文件被复制，就让所有依赖自动出现在环境中。排查前最好先画清这两层关系：一个是可被加载的方法，另一个是执行该方法实际需要的工具。

仓库还提供 plugin.json 和 skills/ 组成的 Agent Plugins 包结构。支持这一标准的客户端可以把它作为插件识别；不同客户端对安装位置、刷新与元数据的处理存在区别，应先确认所用宿主实际支持哪条加载路径，不同时尝试多套路径造成重复发现。

README 提供了常见安装器与 GitHub CLI 两种方式。下面是其中的 GitHub CLI 版本固定写法，前提是已具备 GitHub CLI v2.90.0+ 与 gh skill 功能。使用前可检查客户端版本，避免把缺少子命令误判为技能包问题：

bash 复制代码

gh skill install K-Dense-AI/scientific-agent-skills --pin v2.72.0

这里的目的是使用确定的发行标签。若改用本地归档，应保留这个标签对应的完整提交信息，并按宿主配置导入相应技能目录。项目源码归档本身不提供通用的桌面安装向导，不需要寻找一个名为 setup 的安装程序。

文档也支持按具体技能选择，例如 scanpy。首次接入可以只取当前任务会用到的技能，先检查其 SKILL.md，再决定是否引入更多关联项。这样发现问题时，能缩小到具体技能、环境与任务，而不必同时追查整个库。

固定技能版本也便于复查：一段昨天可以执行的流程，今天如果结果不同，需要同时检查数据、依赖和技能是否变化。只保存一份聊天记录，通常看不出这些变化来自哪里。保留版本与依赖信息，才能减少这类不确定性。

仓库 README 对仓库工具列出 Python 3.13+，并使用 uv；系统范围包括 macOS、Linux 和 Windows 的 WSL2 环境。不要据此把"原生 Windows 上每个科研依赖都能运行"写进环境结论。

单项技能的 compatibility 可能规定另一组 Python 范围、包版本、系统工具及凭据。应先读选中技能的要求，再建对应环境。尤其不要为了满足仓库工具版本，直接替换一个既有科学计算环境的解释器；先判断运行的是仓库验证工具还是具体科研工作流。

uv sync 安装的是仓库开发与验证工具，并非全部科研包。更适合的组织方式是按工作流隔离环境，在任务记录中说明使用哪个解释器、哪些包和版本。Agent 后续执行时也应指向这套环境，避免出现命令行能导入包、Agent 所用解释器却找不到包的情况。

外部服务同样需要单独配置。Database Lookup 介绍了 80 个数据库来源，加上专用技能和多数据库包，形成库整体所说的 100 多个数据库覆盖。各来源可能公开、需注册或需许可，不能把目录中出现一个名称理解为已经获得访问权限。

图1：数据库查询的流程示意。K-Dense Inc.，MIT 许可。

首次验证建议分成三个可观察阶段。

比如选做数据整理，可以要求 Agent 先列字段、样本数量、缺失情况和准备采用的方法。这样能先发现输入理解错误。若直接要求生成一份完整研究报告，早期错误可能藏在很长的文字与图表里，最后才被看见。

验证产物时，不只检查文件是否存在。还要核对数据单位、列名、筛选条件、输出记录数量，以及结果是否保留必要的来源。对一个已知答案的小样例，这些检查可以建立清楚的基线；以后更换数据或技能版本，也有可比较的对象。

找不到技能时，先看文件是否位于宿主实际扫描的位置，以及子目录中是否存在 SKILL.md。插件结构可被某个客户端识别，不代表任意目录深度都会被另一个客户端扫描。不要用重复拷贝整个库的方式掩盖路径问题。

技能可见但工具失败时，检查正在执行的环境、包是否存在以及系统工具是否可访问。涉及数据库再看凭据、网络和服务权限。此时重新加载技能可能无助于解决依赖或授权问题，应按报错落点处理。

流程运行但结果不合理时，回到输入与方法：有没有把原始数据当成已处理数据、是否缺少样本说明、参数是否合适、输出有没有忽略单位或批次条件。这属于科研流程验证，不能用"代码没有报错"替代。

README 的示例展示了多技能串联方式，适合帮助理解哪些环节可以连接。它们没有替读者证明某份实际数据已经具备所有前提。将示例改成自己的任务时，要逐一补齐输入、依赖和检查点。

v2.72.0 移除了 docx、pdf、pptx、xlsx 四个原先按 Anthropic 自身许可打包的技能，库中数量相应变为 177。已有脚本或提示词如果调用这些入口，需要先检查当前包里是否仍有对应能力，不能沿用旧版目录清单。

Scientific Slides 的文档改为用 PptxGenJS 或 python-pptx 构建，并通过 LibreOffice 与配套脚本进行渲染和验证。需要演示文稿工作流的人可以评估这一条路径，但不能把它自动等同于四个被移除技能的完整替代。

各技能还可能有不同许可，应查看 SKILL.md 的 license 字段并保留相应声明。

接入完成后，建议保留一份可复查的最小记录：技能标签与提交、实际依赖、样例输入、执行步骤和检查结果。下一次引入新技能时沿用这套记录，比只保留"安装成功"四个字更有帮助。