在生物医药研究领域，有一种隐性知识壁垒：知道该用什么工具、从哪里获取数据、如何解读结果——这些"老师傅经验"往往需要多年积累，通过师徒传承或反复试错才能掌握。

现在，一个叫做 Claude-Scientific-Skills 的开源项目，正在尝试打破这道壁垒。

图片

一、开源项目介绍

简单说，它把生物医药科研的完整工作流程，拆解成了138个模块化技能（Skills），专门为Claude AI设计。这些技能覆盖了从文献检索、基因分析到药物筛选、临床试验的几乎每一个研究环节。

举个例子。你想找EGFR抑制剂，分析一下构效关系，再做个虚拟筛选。传统路径是：先去ChEMBL数据库捞数据，然后用RDKit做分析，再用DiffDock跑对接。每一步都要写代码，都要处理数据格式转换，都要知道参数怎么调。一个熟练的博士后可能要搞一两周。

现在你跟Claude说一句话，它自动帮你把这几个Skills串起来跑完，最后给你一份报告。

技术底座也挺扎实：封装了27个专业数据库的API，标准化了54个Python包的调用方式。这些数字背后是大量的脏活累活，光是处理不同数据库的认证方式和返回格式，就够喝一壶的。

二、为什么Skills模式值得关注？

做垂直领域AI的朋友应该都思考过一个问题：行业know-how到底能不能当护城河？

以前的答案好像是"能"。你在医药行业干了十年，知道哪些数据库靠谱，哪些工具好用，什么场景用什么方法 - 这些经验是时间换来的，别人抄不走。

这个项目让我重新想了一下这个问题。

138个模块，6个贡献者，几个月时间，开源。如果一个团队能用这么短的时间把一个领域的核心工作流编码出来，那所谓的"行业壁垒"还能撑多久？

当然你可以说这些模块是通用的，没有针对具体企业场景优化。没错。但通用模块能解决70%的问题，剩下30%才是定制化的空间。而且开源社区可以迭代，今天是70%，明年可能是85%。

我觉得这对垂直领域AI公司的启示是：护城河可能要从"我知道什么"转向"我能为特定客户持续做什么"。前者可以被编码和开源，后者涉及到服务、信任、持续迭代，没那么容易被复制。

K-Dense 自己也想明白了这一点：他们把这个项目定位成入口，引流到自己的企业级服务。开源的是知识，收费的是算力和定制。这个商业逻辑我觉得是成立的。

三、如何开始使用？

如果你想试试，环境要求不算高：Python 3.9+，推荐3.12。包管理用uv，比pip快很多，处理依赖冲突也更干净。

安装uv包管理器：

<span data-cacheurl="" data-remoteid="" data-lazy-bgimg="https://mmbiz.qpic.cn/mmbiz_svg/kSiaeFj92SMwXWkTJuarGwib1B3JDgjlzDlEzqEsW6LXHnXfJHxN6VHCZcQgJuPQJuxODiaaFzQZRsiaZUb7FZickrCqeF8DHuiarb/640?wx_fmt=svg&amp;from=appmsg" data-fail="0"><span leaf=""># macOS/Linux<span leaf="">  
<span leaf="">curl -LsSf https://astral.sh/uv/install.sh | sh<span leaf="">  
<span leaf="">  
<span leaf=""># Windows<span leaf="">  
<span leaf="">powershell -ExecutionPolicy ByPass -c <span leaf="">"irm https://astral.sh/uv/install.ps1 | iex"<span leaf="">

最省事的方式是通过Claude Code安装：

<span data-cacheurl="" data-remoteid="" data-lazy-bgimg="https://mmbiz.qpic.cn/mmbiz_svg/kSiaeFj92SMwXWkTJuarGwib1B3JDgjlzDlEzqEsW6LXHnXfJHxN6VHCZcQgJuPQJuxODiaaFzQZRsiaZUb7FZickrCqeF8DHuiarb/640?wx_fmt=svg&amp;from=appmsg" data-fail="0"><span leaf=""># 先装Claude Code<span leaf="">  
<span leaf="">curl -fsSL https://claude.ai/install.sh | bash<span leaf="">  
<span leaf="">  
<span leaf=""># 注册插件市场<span leaf="">  
<span leaf="">/plugin marketplace add K-Dense-AI/claude-scientific-skills<span leaf="">

然后在Claude Code里找到插件市场，装上就行。之后你正常跟Claude聊生物医药相关的任务，它会自动判断要不要调用这些Skills。

如果你用Cursor或者其他MCP客户端，可以直接连他们的托管服务：https://mcp.k-dense.ai/claude-scientific-skills/mcp

每个Skill的依赖在各自的SKILL.md里写着，缺什么装什么。

四、这个项目适合谁

坦白讲，能直接用起来的人可能不到1%。你至少要懂一点生物医药的基础概念，不然连Skills的输出都看不懂。

但它的价值不只是"用"。

如果你是生物信息学的新手，这138个模块的文档本身就是一套教程。每个SKILL.md都写了为什么要用这个工具、怎么解读结果、有什么坑要避。这些东西以前要么在老板脑子里，要么在师兄的口口相传中，现在变成了可以检索的文档。

如果你是做AI产品的，这个项目展示了Skills模块化的一种范式。怎么拆分粒度、怎么设计接口让Claude能自动串联、怎么平衡通用性和专业性——都可以参考。

如果你是药企或者研究机构，可以fork一份，在上面加你们自己的私有数据源和定制流程。通用框架已经搭好了，剩下的是填你自己的东西。

五、期待其他行业的类似项目

写这篇的时候我搜了一下，想看看有没有其他领域的类似项目。法律、金融、建筑——这些领域的工作流其实也很适合用Skills来编码。

没找到。

有一些通用的AI工具集合，有一些特定任务的开源项目，但没有像claude-scientific-skills这样、把一个领域从头到尾拆成完整Skills体系的。

这可能是个机会。

想象一下"claude-legal-skills"：合同审查、判例检索、法律文书生成，模块化串联。或者"claude-finance-skills"：量化策略回测、风险建模、财报分析。

如果你在某个垂直领域有足够深的积累，也许可以考虑做一个。开源出来既是技术贡献，也是一种品牌建设。K-Dense就是这么玩的。

项目地址： https://github.com/K-Dense-AI/claude-scientific-skills

延伸阅读： 项目docs/examples.md中有单细胞RNA-seq分析、多组学生物标志物发现等完整工作流示例