34.7k stars 的科研 Skill，开始长成一个本地研究工作台

今天的 GitHub Trending 里，K-Dense-AI/scientific-agent-skills 显示新增 130 个 stars；我在北京时间 8 月 27 日 05:16 查看时，它的累计数是 34,678。单看 130 并不是夸张的爆发，但它落在一个更有意思的节点：这套科研 Skill 的维护团队刚在 8 月 24 日发布本地桌面项目 K-Dense-AI/k-dense-byok 的 v0.9.11，又在 8 月 25 日公开演示了如何把它跑起来。

我想借这个组合把问题讲清楚：当 Agent Skill 不再只是“把一段流程写进 Markdown”，而是开始驱动一个保存文件、运行代码、留存过程的工作区时，科研 AI 到底多了什么，又还缺什么。期望对大家有所帮助。

这次上榜的不是一个聊天提示词包

GitHub Trending Today 在观察时给 Scientific Agent Skills 标注的是“130 stars today”。这是当天榜单信号，不是它的累计星数，也不能外推成下载量或活跃科研用户数。

项目的主体是 K-Dense-AI/scientific-agent-skills：README 目前列出 163 个可加载的科研和研究 Skill，覆盖生物信息、化学、临床研究、地理空间数据、科研写作等方向，也包含连接公共数据库、运行分析库、生成文档的使用边界。8 月 17 日的 v2.64.0 是它最近一次正式 release。

这套仓库的有用之处不在于给模型再加一份“知识库”。模型可以知道 scanpy 或 PubChem 的名字，却未必知道某个分析从数据检查、参数选择到输出审阅应按什么顺序推进。Skill 把这个顺序、输入输出和限制写成可加载的程序性说明，让 Agent 在某个具体任务中少一些随意猜测。

不过，Skill 解决的是过程提示，不等于自动得到可信结论。尤其在医学、临床或实验设计场景，项目自己也把不少内容限定为研究工作流，而不是诊断、治疗或认证决定。这条边界比“能做多少事”更值得先看。

从 Skill 到本地项目目录

真正让这次信号有故事的是配套的 K-Dense BYOK。它把这些流程放进名为 Kady 的桌面研究助手：一个项目有本地文件、聊天记录、代码、图表、报告和可导出的 lab notebook。Agent 执行分析时，用户可以查看生成的脚本和中间产物，调整任务或停止运行。

它的结构并不神秘，可以把它理解成下面这条链路：

flowchart LR
  A[研究问题与本地文件] --> B[Kady 工作区]
  B --> C[按任务加载科研 Skills]
  C --> D[模型与工具调用]
  D --> E[代码、图表、报告]
  E --> F[本地项目目录与 Lab Notebook]
  F --> G[人工审阅与下一轮实验]

README 对这一点的描述相当具体：它可以在项目中读写文件、运行分析代码、检索资料、生成图表与报告，并保留过程记录。它还提供专门分工的 sub-agent、工作流模板与 MCP 连接入口。对科研人员来说，关键不是界面里又多了几个按钮，而是每个结果能不能回到原始文件、脚本和方法选择上。

这也解释了为什么“本地”两个字需要细读。BYOK 的项目文件、对话和输出存放在自己的电脑里；但若选用云端模型，请求所需材料仍会按所选供应商的隐私规则发送出去。它也支持 Ollama 或兼容 OpenAI API 的本地模型。换句话说，本地工作区不是“数据绝不离开机器”的同义词，模型提供方的选择仍决定了数据路径。

为什么是现在

热度并非只来自一个旧仓库累积的星数。

一方面，scientific-agent-skills 在今天的 GitHub 榜单上出现，说明 Agent Skills 正在从通用编程场景进入更垂直的研究工作。另一方面，BYOK 在 8 月 24 日发布 v0.9.11，8 月 26 日仍有针对 Windows 测试的 CI 修正；README 也已把 8 月 25 日的上手直播替换成公开录播。这给了新读者一个可运行、可观看的入口，而不是只看到一张 Skill 清单。

K-Dense 的官方资料也让人看到另一层趋势：科研 Agent 的竞争点正在从“能不能回答一个问题”转向“能不能把研究工作留下可检查的痕迹”。例如，BYOK 把方法、观察、决策、代码和关联产物写进 Living Lab Notebook 的设计，至少把复核放到了产品的主流程中。它并不会替代同行评议或统计审查，却比一次性聊天答案更接近研究人员实际需要交付的东西。

上手前有四件事要核实

第一，先核对版本而不是照抄 README 的徽章。BYOK 仓库页面的顶部仍显示 v0.7.3、149 Skills、326 workflows、229 databases，但 Releases 页面已列出 v0.9.11。两者目前没有同步，安装时应以最新 release和对应文档为准。

第二，把模型费用和项目费用分开算。项目允许接入 OpenRouter、NVIDIA NIM、订阅账号或本地模型；“应用免费”不等于模型调用免费。README 也说明了不同供应商的计费和配额不在同一个口径里，先设项目预算上限更稳妥。

第三，给每一步留可复现入口。上传的数据、选择的模型、Skill 版本、关键参数和生成的脚本都应随项目保存。尤其是要交付论文图表、分析报告或实验建议时，不要只保留聊天窗口里的最终一句话。

第四，把它当研究助理，不是研究结论。先从一个范围窄、已有基线结果的任务开始，例如清洗一份非敏感表格并复现一张已有图。确认它的代码、引用、统计方法和数据处理符合预期后，再扩大到文献综合或多步骤分析。

对不写代码、却需要反复处理数据和文献的研究者，这个组合值得花一点时间试用；对开发科研工具的人，它也提供了一种更具体的 Skill 形态：流程不仅要告诉模型“做什么”，还要让人能看见“它做过什么”。

---

• GitHub 仓库：K-Dense-AI/scientific-agent-skills
• 本地应用：K-Dense-AI/k-dense-byok